我只是被困在这电路里的灵魂。”唱出这些歌词的声音是原始而悲切的，流畅地融入了蓝调。孤独的原声吉他在背后咯咯作响，以优雅的旋律点缀着声部。但声音背后没有人类，吉他上也没有手。事实上，根本没有吉他。在短短15秒内，这首可信、甚至感人的蓝调歌曲是由一家名为Suno的初创公司最新的AI模型生成的。从虚空中召唤它所需的只是一个简单的文本提示：“关于悲伤的AI的独奏原声密西西比三角洲蓝调。”要更加准确地说，这首歌是两个AI模型共同合作的成果：Suno的模型 (opens new window)自行创作所有音乐，同时借助OpenAI的ChatGPT生成歌词，甚至是一个标题：“机器之魂”。

在网上，Suno的创作开始引发“这是真的吗？”等反应。当这首特定的曲目在Suno位于马萨诸塞州剑桥哈佛校园附近临时总部的会议室里的Sonos扬声器上播放时，甚至一些技术人员也略微感到不安。有些紧张的笑声，伴随着“天啊”和“哦，天哪”的低语声。现在是二月中旬，我们正在玩他们的新模型V3，这个模型距离公开发布还有几周的时间。在这种情况下，只用了三次尝试就取得了这令人震惊的结果。前两次都还不错，但是对我的提示做了一个简单的调整——联合创始人基南·弗雷伯格建议加入“密西西比”这个词——就得到了一些更加离奇的东西。

编辑精选

仅在过去一年，生成式AI在制作可信文本、图像（通过Midjourney等服务）甚至视频方面取得了重大进展，尤其是OpenAI的新工具Sora。但音频，尤其是音乐，却一直滞后。Suno似乎正在破解AI音乐的密码，其创始人的抱负几乎是无限的——他们想象着一个极大民主化的音乐创作世界。其中最喜欢说话的联合创始人米奇·舒尔曼，一个看起来天真迷人、背着背包的37岁的哈佛物理学博士，设想着全球十亿人每月支付10美元与Suno一起创作歌曲。他认为目前音乐听众远远超过音乐制作者是“如此不平衡”，并认为Suno有望解决这种不平衡。

迄今为止，大多数AI生成的艺术作品最多也只是媚俗品，就像许多Midjourney用户似乎一直致力于生成的超现实科幻垃圾，形式紧身航天服为主。但是，“机器之魂”感觉不同——这是我在任何媒介中遇到的最强大和令人不安的AI创作。它的存在本身就像现实中的一个裂缝，既令人敬畏又略显不祥，我一直在想起阿瑟·C·克拉克的一句话，似乎是为生成式AI时代而说的：“任何足够先进的技术都是无法与魔术区分的。”几周后回到剑桥后，我把这首歌发给了Living Colour的吉他手弗农·里德，他一直对AI音乐的危险和可能性大声疾呼。他在这首歌的“令人不安的逼真性”上感到了“惊讶、震惊、恐惧”。他写道：“长期以来的反乌托邦理想，即将困难、混乱、不受欢迎和被蔑视的人类从其创作中剥离开来，已经来临。”他指出了AI唱蓝调的问题所在，“蓝调是一种非洲裔美国人的语言习惯，与历史上的人类创伤和奴役紧密相连。”

Suno成立还不到两年。联合创始人舒尔曼、弗雷伯格、库克斯科和卡马乔都是机器学习专家，他们在另一家剑桥公司Kensho Technologies共事直到2022年，该公司致力于为复杂的商业问题找到AI解决方案。舒尔曼和卡马乔都是音乐家，在Kensho时期曾经一起即兴演奏。在Kensho，四人一起研究了一种用于记录上市公司盈利电话会议的转录技术，这是一项棘手的任务，因为音质差、术语丰富和各种口音交织。

相关

在这一过程中，舒尔曼和他的同事们深深爱上了AI音频的未知可能性。他说，在AI研究中，“音频总体上远远落后于图像和文本。我们从文本社区以及这些模型的工作方式和扩展方面学到了很多。”

这些相同的兴趣可能会让Suno的创始人走向完全不同的道路。虽然他们一直打算最终推出一款音乐产品，但他们最早的头脑风暴中包括了一个助听器的想法，甚至可能通过音频分析找到设备故障。相反，他们的第一个产品是一个名为Bark的文本转语音程序。当他们调查早期Bark用户时，很明显他们真正想要的是一个音乐生成器。“因此，我们开始进行一些初步实验，看起来效果不错，”舒尔曼说。

Suno使用了与ChatGPT等大型语言模型相同的一般方法，这些模型将人类语言分解为称为标记的离散段，吸收其数百万种用法、风格和结构，然后按需重构。但音频，尤其是音乐，几乎是难以想象地更复杂，这就是为什么仅仅在去年，AI音乐专家告诉_Rolling Stone_，像Suno这样功能强大的服务可能需要数年时间才能实现。“音频不像单词那样是离散的，”舒尔曼说。“它是一种波。它是一个连续信号。”高质量音频的采样率通常为44khz或48hz，这意味着“每秒48,000个标记，”他补充说。“这是一个大问题，对吧？所以你需要想办法把它压缩到合理的程度。”不过，如何做到呢？“需要大量的工作、大量的启发式方法，还有其他种类的技巧和模型等。我认为我们还远远没有完成。”最终，Suno希望找到替代文本到音乐界面的方法，添加更先进和直观的输入——基于用户自己歌唱的生成歌曲是一个想法。

OpenAI面临着多起诉讼，因为ChatGPT在其庞大的训练数据语料库中使用了书籍、新闻文章和其他受版权保护的材料。Suno的创始人拒绝透露他们的模型中究竟输入了什么数据，除了这样一个事实：它能够生成令人信服的人类声音部分是因为它从演讲录音中学习，而不仅仅是音乐。“裸露的演讲将帮助我们了解人类声音的特征，这些特征很难学习，”舒尔曼说。

Suno最早的投资者之一是风险投资公司Matrix的合伙人安东尼奥·罗德里格斯。罗德里格斯之前只投资过一家音乐公司EchoNest，该公司被Spotify收购用于推动其算法。与Suno合作之前，罗德里格斯甚至不清楚产品到底会是什么。“我支持这个团队，”罗德里格斯说，他散发着一个已经做出了比他所做的成功投资更多的人的自信。“我认识这个团队，尤其是米奇，所以我几乎会支持他做任何合法的事情。他就是那么有创意。”

我们试图让十亿人对音乐比现在更加投入。我们不是要取代艺术家。

罗德里格斯投资Suno时完全意识到音乐唱片公司和出版商可能会起诉，他认为这是“我们在投资公司时必须承担的风险，因为我们是这些家伙身后的大钱包，会立即遭受起诉……老实说，如果这家公司刚刚起步时就与唱片公司达成了协议，我可能不会投资。我认为他们需要制作这个产品。 Suno的最大潜在竞争对手迄今似乎是谷歌的Dream Track，该公司已获得许可，允许用户使用类似提示的界面制作自己的歌曲，使用像查理·普斯（Charlie Puth）这样的著名声音。但Dream Track仅发布给一小部分测试用户，到目前为止发布的样本听起来并不像Suno的声音那样令人印象深刻，尽管附有著名的声音。 “我只是认为，比如制作新的比利·乔尔（Billy Joel）歌曲并不是人们希望在未来借助AI与音乐互动的方式，”舒尔曼说。“如果我考虑五年内人们如何进行音乐创作，那是一些不存在的东西。那些存在于他们头脑中的东西。”