Suno 与 AI 重塑音乐的想象 | 对谈快音创始人李岩

2024 年 4 月，42章经的片头曲换了。曲凯在节目里说，他们用 Suno 以「42章经」为主题试了近百首歌，各种风格都跑了一遍，最后挑出一首放进正片。他的判断很直接：如果不说，听众已经很难分辨这是人做的还是 Suno 做的。

这期请来的嘉宾是快音创始人李岩。2015 年到 2018 年，他在字节负责整体增长策略，经历了抖音等平台的快速起量阶段；离开后创业做快音，一个腰部音乐播放平台，最高峰日活 300 万以上。这两年，他和团队一直在探索 AI 生成音乐。

两个人聊的范围比「AI 写歌」大得多：音乐行业为什么长期是版权生意，短视频怎么把一首歌拆成 15 秒，AI 的两种技术路线各自卡在哪里，以及一个更开放的判断，音乐可能是所有 AI 生成内容里最被低估的一类。曲凯在节目里说得很直白：AI 音乐现在大家都玩得很开心，但大多数人都低估了这件事的想象空间。

一首歌，越老越值钱 1:49

聊 AI 之前，李岩先把音乐行业的旧逻辑讲清楚了。AI 出现之前，音乐平台的核心就是拼版权。国内第一梯队的 QQ 音乐、酷狗、网易云体量极大，和第二梯队之间存在断层，快音几百万日活也只能算腰部。

版权生意的财务结构并不轻松。李岩提到，海外 Spotify 这类平台把收入的 70% 到 80% 交给版权方，付费用户占比超过三成，收费也不便宜，但去年仍然亏损几千万美金。国内平台靠秀场直播补收入，QQ 音乐付费用户已经破亿，可刨开直播，剩下的钱一样要大量交给版权方。腾讯音乐的做法是给周杰伦这个级别的头部艺人付高额费用，对中部艺人则干脆把版权公司整体收下来，甚至想把这些公司整合起来上市。

李岩说他琢磨音乐行业很多年，结论是音乐是最妙的商业模式之一：一首歌越老越值钱。小说、电影很难被同一个人反复看无数遍，音乐却可以被一直听下去。曲凯补了一句，电影里也有 IP，但音乐的特殊之处在于，用户最终听的歌里，很大比例来自自己那份固定的歌单。

这套「老歌吃一辈子」的结构，在短视频出现后被撬动了。李岩在字节经历过抖音的起量，他描述的变化是：电视台时代，宣发资源集中在少数渠道，稻香、凤凰传奇能成为全民歌曲，是因为所有资源在同一时段砸下去；互联网之后没有哪个集团能垄断宣发，注意力分散，全民歌曲越来越难出现。有统计说中国播放量最高的 3500 首歌占总播放量的 80% 多，Apple Music 中国区播放量前 100 首里五六十首是周杰伦的，但李岩判断，往后分散度会越来越高，二三线歌手也能掌握一部分宣发资源。

更根本的变化在听歌方式。曲凯说自己的体验是，抖音背景音乐往往只有十几秒、最多 30 秒，你也不知道是谁唱的，整首歌被解构了。李岩的团队测试过，一首歌的长度在 1 分到 1 分半最合理。至于为什么过去的歌一定是 3 到 4 分钟，答案在物理载体：最早一张唱片转下来大约就是 4 分钟，后来一张盘能放 10 首，才有了「专辑」这个概念；到互联网时代，发单曲就够了。

AI 改的是生产流程，不只是声音 6:59

很多人对 AI 音乐的第一印象来自 B 站上那波「AI 孙燕姿」，李岩认为那只是最简单的一步，本质是变声。真正进入生产环节，AI 动的是整条流水线。

传统音乐流程是先有词曲，进录音棚分轨录制，人声、伴奏、各种乐器分开录，后期再合到一起，对节奏和配合要求很高，所以后来很多人简化成拉一帮人现场录完。这里的关键概念是 MIDI，李岩把它比作音乐的工程文件，类似 Photoshop 的图层：音频本身是一段波形，分轨的 MIDI 就是对每一层的描述，可以分层编辑；如果一开始把所有东西画在一起，后期改起来就麻烦。

AI 生成音乐目前有两条路线，各有代价。Suno 走的是端到端方案，所有东西一起灌进模型，训练集好做，逻辑接近 scaling law：算力越大、训练集越大，效果越好。问题在于不可编辑，想改一段旋律只能重新生成，和传统音乐人的协作也很差，因为音乐家明确知道自己要改的是第二小节第二句。另一条是分轨训练，快音两条路线都在做，原因是他们想自己积累版权曲库，把 AI 做成工作流和助手，那就必须能编辑。

成本对比很悬殊。传统方式完整制作一首歌要几万元；用 AI，李岩说现在一个人一天可以做一首，成本基本就是这个人的工资，算力成本按 token 计，量大可以忽略，量小也就几块钱。但端到端模型的修改仍然依赖人工，李岩的设想是训练一个「曲」的模型，觉得第二句不好听，就让模型直接生成 300 个第二句备选。至于怎么定义「更好听」，他的回答是主观就行，谁的主观？创作者的主观。他们也有模型来评价歌曲的一致性和好听程度，但那只能解决底线问题，好听的标准太多，当前模型抓不住，最后还是靠人的音乐素养来判断。

头部稳，中部难受，底部活多了 10:23

曲凯问了一个很多人关心的问题：三五年后音乐人会失业吗？李岩的判断分三层。

头部音乐人永远不会失业，因为 IP 存在。总会有人来问，能不能用你的音色，能不能用你原本这首歌的版权。中部音乐人比较难受，如果没有灵感、不能大量产出更好听的内容，处境会变差。底部反而活更多：一类是给内容做标注，模型训练非常需要；另一类是音乐被真正「固定化」出来，比如现在的歌要收费，但为什么不能批量生产更便宜的版本。

供给放大之后，供需匹配会剧烈变化。李岩用番茄小说做类比：番茄基本没有头部小说，但有无数变种小说，用户看免费内容很爽，阅文则不舒服。两边会长期并存，阅文代表老艺术家，IP 和框架很牛，喜欢孙燕姿的人还是会去那里；番茄再强也做不了仿版。但拉长时间看，老 IP 的生命周期有限，新题材会冒出来。他举了「克苏鲁」这个题材，番茄上的数量远远超过阅文，原因是老式工业的人效不高、数量有限、多样性也受限，这个时代番茄的优势会放大很多。

这套逻辑平移到音乐上：未来出一首好听的歌，宣发流程可能先用 1000 个音色唱 1000 遍，挑出 100 个较好的声音，再生成吉他版、钢琴版、摇滚版，甚至结合甄嬛传、亮剑做内容矩阵。这样产生的宣发力量，会远远大于过去。

版权生意的赚钱方式也会变。李岩认为，当你有大量自制能力之后，收入不一定来自版权许可，更可能来自流媒体播放和内容运营，这跟传统版权商的模式不一样。

已经跑出来的场景：电影解说和营销 16:42

节目里插了一段用 Suno 生成的民谣版《江雪》，就是「孤舟蓑笠翁，独钓寒江雪」那首。曲凯由此感慨，以后的小朋友可能都不背唐诗三百首了，应该有人做一张《唐诗新唱三百首》。

AI 音乐已经跑通的场景里，最显眼的是电影解说。有博主把解说文案放进 AI 生成歌曲，评论区常见的一句是「现在已经这么卷了吗」。李岩说短期看营销是大头：品牌方宣传、卖车，甚至街边卖烤串的商家，都会尝试用音乐做宣发。背后的逻辑是重新理解音乐，它是一种更抓耳朵的沟通方式。短视频之所以成立，就是画面加 BGM；两个人谈正事没必要配乐，但要宣传某个东西，加上 BGM 效果会好很多。百老汇早就有这种形态，《汉密尔顿》就是典型的音乐加叙事。

沿着这个方向，李岩认可「音乐版小说」的可能。他已经看到有人用音乐做电视连续剧解说，从第一集解说到最后一集，全程用音乐，因为音乐比单纯的音频或文字是更好的附属载体。曲凯提到有化学老师用音乐编元素周期表，学生更容易记下来；儿歌也是同样的道理，教小朋友讲礼貌、学知识，这类内容会越来越多。

再往前一步，是日常表达。曲凯设想，微信发一条语音，自动转成带节奏的东西。李岩把短期和长期分开看：短期营销需求更明确，祝福类场景也很合适，送一首歌祝生日快乐、祝脱单；长期空间更大。他给了一个比例：朋友圈里可能只有 1% 用音频或音乐表达，80% 带图，百分之十几带视频。音乐介于图片和视频之间，因为它的制作难度比视频低。

被低估的原因：它像当年的手机摄像头 20:30

曲凯说，AI 生成音乐在所有 AI 生成类别里肯定是最被低估的，成熟度和完善度已经非常好，而且音乐本身是一种表达形式，跟文字完全挂钩，唐诗宋词本来就有乐理。只是这一代人的能力所限，用不上这个工具；一旦它变成可用工具，音乐在生活中的占比会比现在高很多。

李岩用手机摄像头打比方：没有手机摄像头的时候，能拍照的人很少，去照相馆花几十块钱，一年拍几张；有了手机，哪怕不爱拍照，一年也会拍几百兆。现在的 AI 音乐大概相当于百万像素摄像头的阶段，很早期，后面叠加各种滤镜、瘦脸美白之类的功能，才会真正普及。

再往后是「无限曲库」。曲凯梳理了一条线索：上一代是搜索，现在是推荐，下一代是纯生成，用户不只是从零生成一首歌，还能做更强的交互定制，比如要一首周杰伦风格、美声唱法、讲语文课的摇滚。李岩接过话头：如果端侧模型起来，设备不联网也能有无限曲库。音乐模型参数量小，语言大模型至少要 7B 参数才勉强能用，一个 B 级的音乐模型质量已经可以了。

但工具普及不等于人人会用。李岩说，大部分人需要有人教，ChatGPT 如此，Midjourney 已经很好用，真正会用的人远少于会玩游戏的人。所以这里有一个新社区的机会：一端是大量创作者，另一端是大量消费者。前提是一个基础判断，有音乐知识的人做出来的内容，是不是比普通人好，好多少。如果好 50% 甚至一倍，社区一定成立，因为个性化是需求，但个性化的前提是足够好，80 分和 90 分之间，大家会选 90 分。

曲凯提到 Suno 现在到 V3，大家对标 GPT-3.5。李岩认可这个说法，也承认 Suno 很多歌已经非常 OK，下一个版本可能就不需要人再改什么了。但他补了一句冷静的判断：现在 AI 做出来的东西，更像一两个人的小工作室搞出来的小制作，听起来有点意思、挺好听，离封装成今天唱片工业那样的成品还有距离。

五年后：UGC 平台、喊麦模型和夜店歌单 26:12

曲凯让李岩预测五到十年后的音乐行业。李岩拆成两部分。

现有行业里，会重新长出一个极大的 UGC 或 AIGC 音乐平台，作品质量会被用户卷起来，远超当前量级。机会在于用户和 AI 共创，AI 的比例会越来越高，但用户的灵感、创意、想法会有更大的发挥空间。他用摄像头类比：像素更高、画质更清晰，但谁来举着机器、拍哪个角度，仍然是人决定的。内容会多到传统音乐平台上传统 IP 音乐的占比被大大压缩，而且这些内容会跟社交媒体紧紧绑在一起，因为用户对自己的内容有更强的展示和宣推意愿。平台因此变成一个 UGC 制作平台、内容分发平台，加上用户共创的社区。

人的审美非常多样，这是模型容易过拟合的地方。李岩举了一个具体例子：他觉得喊麦是很好的场景，但所有音乐模型都没人做喊麦，连快音自己的模型也没有，曲库里本来有，团队却把喊麦剔掉了。他说这事非常离谱，现在正带团队重新做一个喊麦模型。所有语言表达的场景，都可能被音乐吃掉一部分，可能是 5%，也可能是 10%，就像表情包。

第二部分是 to B。一个夜店想定制自己的歌，老板大概率不会自己做，而是花 5000 块找几个小音乐人定制；以后每个线下场景都会有自己的歌单，而且是真的自己生成。制作过程商家可能自己动一部分手，大部分工作还是会由 to B 服务承接。

曲凯最后总结：在 AI 生成的这么多类型里，图片、文字、视频都不会特别快地替代很多人，音乐领域反而会是变化最剧烈的行业之一，因为音乐内容的深度和多样性现在都不够好，而 AI 恰好能补上多样性。

这期节目给出的判断可以拆成几条带走。音乐行业过去的核心资产是版权和 IP，AI 压低的是制作成本，抬高的是供给数量和多样性，中间层音乐人最先感受到压力。已经跑通的场景是营销、解说、祝福这类目标明确的需求，日常表达和线下场景还在早期。真正值得盯的机会有两类：一是能编辑、能协作的分轨工作流，二是把创作工具和消费社区连起来的产品。曲凯那句话可以当作提醒：短期容易高估它的影响，长期容易低估它。