西風 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

AI又在某個方面悄悄超越我了——這次是五音比我全！

剛聽到這首新歌，我還以為出自哪位實力派“小刀郎”……一兩句話說不清，直接來聽吧：

音頻鏈接：https://mp.weixin.qq.com/s/yDWVdeQuGxPgXzNLcxFLvg

故事大概是這樣的：

• 一位剛考完試、順利畢業(yè)的少年，訴說著對老師與同窗的不舍，藏著少年獨有的懵懂青澀，也懷揣著對未來的滿心憧憬。

制作精良吧？躍動的節(jié)奏、流暢的旋律、跌宕的情緒，不失專業(yè)水準。

但你敢信？從寫詞到編曲，整首歌全是AI一鍵生成。

“小刀郎”們，只是一句話表達了自己的想法，然后等待不到一分鐘，就能產(chǎn)出2–6分鐘完整音樂，整體結構穩(wěn)定、音調(diào)不跑偏、人聲音色自然不漂移的那種。

這一切，出自于專注自研音樂大模型的AI公司自由量級，剛剛發(fā)布的新模型——音潮V3.0

相較于前代，音潮V3.0在演唱質(zhì)量、整體悅耳度與記憶點、編曲豐富度、音樂完整性等方面均實現(xiàn)顯著提升。

目前，音潮V3.0已正式登陸網(wǎng)頁端與官方App，面向所有用戶免費開放試用

既然如此，量子位童鞋又要整活了，實測走起～

AI“靈魂歌手”為你寫歌

打開App，可以看到有四種創(chuàng)作模式：一句話寫歌、照片寫歌、歌詞寫歌、熱歌改編

此外，用戶還可以創(chuàng)建音色，用自己的聲音生成，主打一個就算你五音不全、更不會詞曲創(chuàng)作，AI也能幫你實現(xiàn)原地出道。

先來看“一句話寫歌”，操作簡單直給：輸入一句話，描述你想要的歌曲風格或內(nèi)容即可。

比如，我們輸入一個有關祈愿新年好運來、霉運退的提示詞：

• 退！退！退！霉運退散專屬戰(zhàn)歌。

如果一時不知如何表達，系統(tǒng)提供“一鍵AI潤色”與“靈感提示”功能，把使用門檻一降再降。

輸好提示詞后，你還可以根據(jù)具體使用場景，靈活選擇兩種創(chuàng)作模式

• 片段模式”專為短視頻、社交媒體分享等短內(nèi)容場景設計，直接生成結構緊湊、高潮突出的精華段落。
• 完整模式”可生成2-6分鐘的成熟作品，涵蓋主歌、副歌、間奏等完整結構，更適合個人作品或深度表達。

系統(tǒng)會根據(jù)歌曲風格自動匹配推薦音色。如果你已提前創(chuàng)建了個人專屬音色，也可在此處選擇使用，讓作品更具個人辨識度。

一切設置就緒，點擊“生成歌曲”按鈕。

不到一分鐘，一首屬于你的全新歌曲便創(chuàng)作完成，來聽聽看：

音頻鏈接：https://mp.weixin.qq.com/s/yDWVdeQuGxPgXzNLcxFLvg

prompt理解到位，旋律清晰，節(jié)奏踩點也很帶感，還有點魔性上頭（本人已開啟循環(huán)播放）。

歌詞始終緊扣“霉運退好運來”的核心，金句頻出——

“你喊一聲我就亮一盞燈，我們合聲就把黑夜推翻，不是等風來而是自己生風”“舊煩惱打包寄往北極圈”“今天只收快遞不收壞消息”……這小汁挺有網(wǎng)感挺會寫啊。

英文歌也支持生成，效果那是相當燃：

音頻鏈接：https://mp.weixin.qq.com/s/yDWVdeQuGxPgXzNLcxFLvg

當然，如果你本身就擅長寫詞，或是有現(xiàn)成歌詞，也可以直接使用“歌詞寫歌”模式。

在這個模式下，你只需要把歌詞復制粘貼到輸入框，簡單做好分段就行。支持主歌、副歌、間奏、橋段等多種常見段落結構，還可以用自帶“歌詞優(yōu)化”功能一鍵優(yōu)化。

風格在輸入框下面另外設置，官方提供了多種預設風格，也支持自定義。流派、情緒、樂器、語言（中英文）、人聲性別，都可以自由選擇。

比如，隨便輸入一段簡單浪漫的小歌詞，讓它幫忙一鍵優(yōu)化打磨、再依詞譜曲，成品出爐：

視頻鏈接：https://mp.weixin.qq.com/s/yDWVdeQuGxPgXzNLcxFLvg

黑膠輕旋，慵懶沉醉，氛圍感直接拉滿～

接下來“照片寫歌”玩法就更簡單了，只需要上傳一張照片，不用寫prompt，也不用設定風格。模型能夠讀懂圖片內(nèi)容，自動生成適配的詞曲

比如咱隨手選一張參考圖來生成一小段（片段模式），聽聽怎么個事兒：

視頻鏈接：https://mp.weixin.qq.com/s/yDWVdeQuGxPgXzNLcxFLvg

各種曲風都能拿捏。

再來一張車內(nèi)視角公路隨拍，下次旅游發(fā)社交平臺就用這個BGM：

視頻鏈接：https://mp.weixin.qq.com/s/yDWVdeQuGxPgXzNLcxFLvg

第四種玩法“熱歌改編”，就是在別的作品之上再做改編，這里就不具體展開了～感興趣的童鞋可以自己上手試試。

順便一提，音潮生成的所有歌曲，都能直接下載音頻或視頻，視頻還會自動配AI生成的封面，可編輯歌名，發(fā)圈超方便。

實測一圈下來，音潮確實把音樂創(chuàng)作這件事，變得比想象中容易得多。

不懂樂理、不會樂器、也沒有編曲基礎的普通人，只需要把自己的故事或情緒寫下來，就能生成一首結構完整、表達清晰的歌曲。那些原本停留在腦海里的日常片段，也終于有了被音樂承載的可能。

更關鍵的是，它不只是好上手，成品質(zhì)量也經(jīng)得起反復聽。

旋律走向自然，副歌有記憶點；編曲結構連貫，沒有明顯拼貼感；人聲細節(jié)處理得也比較克制，不會有明顯僵硬或AI機械感。整體聽感已經(jīng)超出了試玩的范疇，是可以拿得出手、值得分享的作品。

那么，音潮是如何做到的？

背后是音樂與技術的相輔相成

進入AI音樂深水區(qū)，純粹的算法迭代往往會觸碰到“審美的天花板”。

許多模型之所以缺乏“樂感”，是因為算法研發(fā)往往難以將抽象的音樂理論轉(zhuǎn)化為具體的優(yōu)化目標，導致技術與藝術之間存在天然的認知鴻溝。

而在音潮，這種隔閡被徹底打破。

他們的成員熱衷于貢獻自己的音樂認知，從復雜的樂理邏輯到細膩的編曲美學，大家積極參與每一次技術討論，將感性的音樂直覺精準“翻譯”為理性的算法語言。

這種跨界融合，有效彌補了單一技術視角對音樂本體理解的匱乏，將專業(yè)的音樂知識真正注入到了算法迭代的血液中。

正是這種“音樂+技術”的雙螺旋驅(qū)動，讓音潮V3.0的生成不再是單向推理，而是建立在樂理認知之上的創(chuàng)作行為。

所以，音潮V3.0的升級具體都表現(xiàn)在哪些方面？

首先，最直觀的變化，是演唱質(zhì)量的大幅提升

通過引入團隊自研的雙軌建模機制[1]，音潮V3.0將人聲與伴奏拆分建模，在不同語義空間中分別學習特征，再在高層結構上完成融合。

這樣既避免了人聲與伴奏之間的信息干擾，又能精準匹配二者在節(jié)奏、和聲上的協(xié)同關系。

在此基礎上，引入團隊研發(fā)的HEAR框架的分層增強策略與混合訓練目標，既保證轉(zhuǎn)音、滑音等演唱技巧的精準復刻，又通過對音樂美學維度的層級學習強化模型對歌曲情感的感知能力，讓模型學習不同審美維度下的表達邏輯，而不僅僅是滿足于“唱準”。

最終帶來的體驗，差異化優(yōu)勢很明顯：它不再只是把歌詞唱出來，而是會根據(jù)語義和情境調(diào)整唱腔——悲傷不再只是慢，而是情緒收斂；激昂不再只是高音，而是張力推進。

演唱開始具備敘事能力。

其次，旋律層面的變化同樣明顯

當前AI音樂普遍存在一個問題——聽感順暢，但缺乏記憶點。

音潮V3.0的旋律生成機制顯著增強了動機設計能力。音符之間的張力分布更有結構意識，高潮與鋪墊之間的關系更清晰，副歌段落更容易形成可辨識的Hook。

換句話說，它開始具備“寫副歌”的能力。旋律不再只是線性流動，而是帶有意圖地構建高光片段，使作品在情緒與聽覺上都能留下錨點。

當旋律和人聲站穩(wěn)之后，編曲的整體性、多樣性也隨之提升

音潮V3.0在風格建模上更成熟，能夠根據(jù)不同音樂類型自動匹配更合理的配器策略。樂器之間不再是簡單疊加，而是圍繞主旋律展開分工，段落之間的起承轉(zhuǎn)合更加自然，橋段銜接更平滑，節(jié)奏層次也更清晰。

與此同時，聲音的“物理質(zhì)感”被重新打磨。音潮V3.0采用團隊自研?ar-VAE[3]核心技術對空間信息進行獨立建模，并將這套高保真重建方案應用到整體生成鏈路中。

?ar-VAE引入了對空間信息的表征與監(jiān)督手段，能夠準確還原高質(zhì)量音樂中涉及時序性空間轉(zhuǎn)移的設計細節(jié)——比如編曲里鼓組段落的Tom過門、混音中樂器混響的自動化運動等。

鼓點的沖擊力、電吉他的顆粒感、混響的空間層次，都比以往更加清晰。聽感不再只是單純高保真的頻率響應，而是真正還原了樂曲中復雜的層次安排與空間設計。

這些改進疊加在一起，帶來的變化并不是某個單點突破，而是整體聽感的升級。

不過，技術難題并不止于生成。

音樂評價本身就是高度主觀的領域，缺乏絕對客觀的自動化指標。

為此，自由量級建立了專業(yè)評價團隊，構建了細粒度評審體系

評審維度極為細致，涵蓋旋律動機、人聲表現(xiàn)（特別是中文特有的聲調(diào)與情感處理）、編曲豐富度、樂器音質(zhì)還原度、整體風格統(tǒng)一性等。

他們還構建了大規(guī)模的強化學習標注數(shù)據(jù)庫，將人類審美映射進模型參數(shù)空間，實現(xiàn)“人機審美對齊”。

自由量級CTO兼執(zhí)行CEO姜濤博士表示，審美對齊是一大核心挑戰(zhàn)，“如何把不同背景的標注人員的品位，收斂到一個普適的、可信的審美共識上，并用數(shù)據(jù)讓模型真正理解這種美”，這個過程他們迭代了無數(shù)個版本，最終目的是讓AI的創(chuàng)作判斷無限趨近于資深音樂人的行業(yè)直覺。

團隊的一系列成果，現(xiàn)已獲得國際權威學術舞臺的正面驗證。

在聲學與音頻領域的國際頂會ICASSP 2026上，首屆“歌曲美學自動評估挑戰(zhàn)賽”結果揭曉，自由量級打造的AI音樂評價系統(tǒng)（BAL-RAE），在全球多支研究團隊的激烈競爭中表現(xiàn)突出，斬獲Task 1（歌曲綜合美學評分）全球第二名

從早期無模型可用的拓荒，到如今在人味、音樂性、編曲豐富度等關鍵維度上達到行業(yè)領先水準，自由量級的技術路徑真正的護城河，來自于其在最底層的模型架構、數(shù)據(jù)與審美對齊上，所進行的漫長而堅定的全鏈路投入。

值得一提的是，這種投入并非封閉。

音樂行業(yè)本身是一個相對閉源的生態(tài)，商業(yè)公司的技術方案大多藏在圍墻之后。自由量級原本可以守著這套自研體系悶聲趕路，但他們選擇把部分研究成果與模塊對外開源

產(chǎn)品上讓人人都會寫歌，技術上讓更多團隊有路可走。一家已經(jīng)有商業(yè)解決方案的公司，還愿意向開源社區(qū)輸送自己的技術細節(jié)和組件，這件事本身就很難得。

更多開源成果可查閱自由量級技術團隊ear-lab主頁：https://eps-acoustic-revolution-lab.github.io/ear-lab

技術能跑到這個水位，往往不是偶然。順著模型和產(chǎn)品往回看，背后的團隊，其實更值得展開說一說。

一群懂音樂的人，要讓每個人都能用音樂表達

和團隊交流時，一個非常直接的感受是：他們做音樂AI，并不是從模型能力有多強出發(fā)，而是從音樂創(chuàng)作這件事本身出發(fā)。

自由量級，成立于2023年，專注于AIGC與多模態(tài)大模型研發(fā)。核心團隊極具特色：人均音樂人。

CTO兼執(zhí)行CEO姜濤笑稱“我們的算法團隊都能拉出個樂隊了，吹拉彈唱都夠了”。工位上吉他、Populele隨手抓，寫代碼的間隙能直接jam一段。

專業(yè)評價團隊負責人雖工科出身，但也是個音樂人，還曾給一線音樂人寫過詞、做過曲。這樣的角色承擔了雙向翻譯的工作——既能理解音樂語言中的情緒張力與風格表達，也掌握算法體系中的指標邏輯與優(yōu)化路徑，彌合兩個領域之間的認知差異。

有意思的是，這種協(xié)作時也常產(chǎn)生有趣的碰撞。姜濤透露，有時作為音樂人覺得某首生成作品極具感染力，算法側從語譜圖或結構指標看卻不達標；某些實錄樂器的“模糊感”在技術指標上算作缺陷，聽感上卻更顯擬真。

正是這種持續(xù)的拉扯，讓產(chǎn)品在技術可控與情緒驚喜之間找到了動態(tài)平衡。

向上生長，打磨模型的人味與質(zhì)感；向下扎根，還要把這些能力鋪到離普通人最近的地方。對自由量級而言，這兩件事從來不是割裂的——技術越往上走，越要往下落得實。

目前，音潮已進入多家廠商的音樂生成接口服務供應鏈，覆蓋音樂創(chuàng)作工具、MV生成、圖片轉(zhuǎn)視頻等多個方向；線下與KTV的合作也在推進，未來用戶或許可以在包房里唱自己寫的AI原創(chuàng)歌。就連2025年WAIC大會的官方主題曲《AI For Good》，從作詞、作曲到人聲演唱，也由音潮大模型全棧支持完成。

“音樂消費是分層次、分場景、分人群的”團隊表示，“我們的服務甜點，恰恰站在離大家最近的地方?！?/p>

理念層面，他們強調(diào)讓人人都能創(chuàng)作音樂；機制層面，音潮用戶協(xié)議明確AI生成音樂的版權歸屬用戶，并為創(chuàng)作者提供版權認證協(xié)助。從專業(yè)舞臺到KTV，從影視配樂到朋友圈BGM，音樂正在經(jīng)歷一次工具形態(tài)的轉(zhuǎn)變。

姜濤博士自信且堅定：“滴滴司機、外賣小哥，他們有故事、有想法，缺的是工具。他們完全可以是這個時代的‘周杰倫’。

參考文獻：
[1]https://arxiv.org/abs/2511.20224
[2]https://arxiv.org/abs/2511.18869
[3]https://arxiv.org/abs/2509.14912