杭州这家公司，训了个「最懂中国话」的AI音乐大模型

热闹和争议，是当下 AI 音乐行业的真实底色。

上个月，Suno 完成 4 亿美元 D 轮融资，估值达到 54 亿美元，稳居全球 AI 音乐赛道 Top 1。

与此同时，它与环球音乐、索尼音乐的版权诉讼仍未了结，涉及曲目从最初的 560 首增加到超过 6.1 万首。

一边是资本疯狂涌入，一边是行业规则尚未成型。

国内的竞争格局同样处于胶着状态。

字节跳动、腾讯、网易这类大厂把 AI 音乐当作生态补充和流量入口，昆仑万维、MiniMax 这类大模型公司把它当作独立商业化路径，更多垂直创业公司则在细分场景里找机会。

杭州音律闪动不算新玩家。

早在 2019 年，创始人龙勇便定了 AI 音乐赛道的长期战略规划，团队自此持续深耕音乐生成技术领域。项目核心合伙人也拥有网易、阿里头部互联网音乐业务的实操经验，兼具产业落地与 AI 技术积累的双重背景。

就在近日，其全栈自研的歌歌 AI 音乐大模型正式完成版本迭代、全面上线。

该模型主打本土化 AI 音乐创作，人声自然通透、情绪表达细腻，曲风高度本土化，对华语流行、国风、民谣的适配远超通用模型。

它的生成效率也行业领先。单张 H 系 GPU 约 10 秒即可产出一首 3 分钟立体声歌曲，并同步输出人声、伴奏分轨，兼具低成本商用的经济性。

此外，这家公司还干了两件事，一是与字节跳动签署非独家版权分成协议；一是启动中国民乐专属 AI 模型的研发和线下采风

体验链接：https://gegemusic.cn/

从零训练：一个很懂华语的音乐大模型

「全栈自研」和「基于开源模型微调」，在用户感知上可能差不多，在技术路线上是两条完全不同的路。

歌歌 AI 音乐大模型从零开始完整预训练，没有基于任何现有开源模型做二次调用。模型的底层语言直觉，是完全在华语音乐数据上建立起来的。

训练分三个完整阶段推进。第一阶段训练音频压缩与重建的基础感知模型（VAE），建立模型对音频的基本理解能力；第二阶段以全授权华语曲库为基础，从零预训练十亿级参数扩散主干；第三阶段以华语听众的实际审美偏好为标准，对模型进行偏好对齐优化（音乐领域的 DPO），让生成结果向真实国内用户审美收敛。

咬字问题，是中文 AI 音乐被诟病最多的痛点，也是技术上最难解决的一个。

字音在演唱中的时序不是均匀分布的。「想」字的鼻音尾「ng」要收干净，不能拖成模糊的鼻腔共鸣；「回」字的韵腹需要在正确的时间帧上完成收音。这些规律，英语语系的模型几乎无法从训练数据中自然习得。

歌歌 AI 音乐大模型引入了「音素 - 时间帧软对齐先验机制」，把每个中文字符的发音时序信息，以注意力偏置的形式显式注入生成过程，相当于在生成前就告诉模型「这个字从第几帧开始、到第几帧结束」。这是一个工程上需要大量标注数据才能做好的方向。

人声和伴奏的同步感，来自双流独立生成架构。大多数 AI 音乐的做法是先生成伴奏，再往上叠人声，两者在节奏和情感上容易出现微妙的脱节。歌歌 AI 的人声和伴奏各走独立的生成通路，两条通路之间通过跨流注意力机制完成节奏与和声的实时对齐。

模型同步输出独立的人声分轨与伴奏分轨，可直接交付后期混音，适配短视频配乐、原创音乐制作、直播 BGM、K 歌伴奏等下游使用场景。

情绪稳定不漂移，依赖的是分层多维条件控制体系。情绪、曲风、调性这类全局风格信息，通过自适应归一化机制（AdaLN-Zero）调制模型每一层的生成行为，确保整首歌的情绪方向从头到尾保持一致。歌词与旋律则通过交叉注意力机制以序列级精度逐帧对齐。关键的设计在于不同条件维度拥有独立的引导强度控制，创作者可以分别调节「紧贴歌词」与「旋律自由发挥」的权重，实现输出结果更精细控制。风格理解上，模型采用跨模态编码器，文本描述与音频参考共享同一语义嵌入空间。

效率层面，模型采用非自回归并行生成架构，把整首歌的潜在表示空间同时铺开并行去噪，单张 H 系 GPU，约 10 秒即可完成一首 3 分钟完整歌曲的生成，实时率（RTF）约为 0.05，即生成速度是播放速度的 20 倍。配合流匹配少步采样和模型量化加速等工程优化，单首歌曲的推理成本控制在极低量级。这样的成本结构，才真正撑得起规模化商用。用户端还有分块续写机制加持，无需等全曲生成完毕，即可边生成边收听。

长期布局：版权分成与数据护城河

国内 AI 音乐商业化的卡点，长期出在版权上。

AI 生成内容的版权主体不清晰，平台担心连带侵权风险，大多数流媒体对 AI 音乐「允许上架但无法产生收益」。有业内人士描述过这一困境，主动标注 AI 音乐就无法获得收益，不标注平台又能识别出来进入审核。

这次，歌歌 AI 与字节跳动签署非独家音乐版权分成合作协议。依托歌歌 AI 模型生成的原创歌曲、录音制品、MV 版权内容，全量合规上架抖音、剪映、汽水音乐、番茄畅听、西瓜视频、今日头条等全字节系平台。抖音和剪映的亿万创作者，可以免费选用这批版权音乐制作视频和直播配乐；汽水音乐的会员付费、数字专辑与单曲销售、平台广告分成，以及番茄系平台的有效播放收益，将按合同约定进行分成结算。后续新生成的非独家版权曲目，将自动纳入授权曲库，持续扩充供给。

歌歌 AI 与字节的合作，是以自研模型为版权主体基础，以协议形式确立分成机制，合规进入国内最大的创作者生态。

这条路径在技术上的前提，是版权归属足够清晰，而「从零自研、全授权语料训练」恰好是支撑这一前提的关键。自研模型产出内容 → 版权归属清晰 → 合规进入平台 → 产生可分配收益，由此技术路线与商业路径形成一个闭环。

AI 生成民乐，是当前所有模型的共同短板，原因在于训练数据里缺少足够的真实民乐录音。市面上流通的「古风音乐」，大多是经过电子化二次加工的产物，模型从中学到的只是古风的外形，学不到传统演奏的真实音色和韵味。这个问题不是算法层面能修的，需要从数据源头解决。

歌歌 AI 的做法是自己去录。项目团队已启动全国多地线下采风，深入非遗民俗村落、地方戏曲院团和民间演奏工作室，实录原生乐器音源、民间小调与地方戏曲唱腔，完成版权归档后作为独家训练数据。

他们还同步启动的「歌歌 AI 民乐大模型」项目，规划分三步推进：建立传统乐器与地方戏曲唱腔的专属声音库；基于现有架构微调民乐生成链路，实现独奏、合奏、古风人声演唱的高质量生成；最终在客户端上线独立的「民乐创作专区」，向所有用户开放。

这个项目在现阶段没有明确的商业回报时间表，但大多数团队都在用相近的开源数据训练模型，率先采集独家第一手数据的团队，将会形成一道很难被快速复制的护城河。

结语

最近，「程序员回应 AI 写歌 2 个月赚 18 万」的词条爆上热搜。流量和变现门槛，都在被 AI 音乐重新定义。

热搜之下，是一个还在快速演进的行业。流媒体平台 Deezer 的数据显示，今年 4 月，平台每天新增的 AI 歌曲接近 7.5 万首，占每日新增投稿的 44%，是 1 月的七倍以上。

曲库在膨胀，AI 平台的商业化却总在爬坡。昆仑万维旗下的 Mureka，是国内第一家公开宣布 AI 音乐业务毛利转正的公司，年化流水约 1200 万美元。放在整个音乐产业里，这个体量不算大。多数团队现在还在验证一个问题：用户到底愿不愿意为 AI 生成的内容买单。

眼下这个阶段，海外大模型在通用能力上领跑，国内玩家各自寻找差异化切口。歌歌 AI 选择做「比所有人都更懂中国人的音乐」。

这条路投入重，见效慢。从零预训练，全华语语料体系，独家民乐采集，每一步都是时间和资源的沉淀。与字节的合作，给这套打法补上了商业可行性的验证。民乐项目的立项，则说明这个团队在想更长的时间尺度。

这场竞赛还在持续，谁能率先跑通「生成 — 确权 — 分发 — 变现」的完整链路，谁就有机会在下一轮洗牌中留在牌桌上。