19世紀(jì)以前，當(dāng)人們聚集在一起時(shí)，總是會(huì)用即時(shí)的最原始的歌聲和樂器，講述生活的故事，傳遞情感和思想。那時(shí)的音樂，是流動(dòng)的，也是瞬間的。

1857年之后,錄音的出現(xiàn)，讓人們擁有了隨時(shí)隨地欣賞優(yōu)秀的音樂作品的條件，在這種形式下，音樂開始變成設(shè)定好的故事，聽眾成了被動(dòng)的接受者。

斗轉(zhuǎn)星移。

時(shí)間來到2023，人工智能正在改變音樂的形態(tài)——通過便捷的操作，普通大眾可以輕松生產(chǎn)出音樂作品。從“play guitar”到“play AI”，音樂創(chuàng)作正變得觸手可及。

資深分析師Mark Mulligan觀察音樂產(chǎn)業(yè)數(shù)十載，不久前，他在博客中寫道：“音樂產(chǎn)業(yè)來到了一個(gè)臨界點(diǎn)，AI將會(huì)改變音樂的未來，如今瓶中的精靈已經(jīng)飛向了廣闊的天空。”

合成的“歌唱?dú)v史”

作為歌迷的你可能不會(huì)想到，今年最火的音樂中，有一首竟然是孫燕姿演唱的“發(fā)如雪”?；蛘邷?zhǔn)確的說，是AI孫燕姿。

突然走紅的另類“發(fā)如雪”，掀起了一陣網(wǎng)絡(luò)創(chuàng)作熱潮，帶動(dòng)AI歌手概念出圈，也讓更多人感受到人工智能在音樂領(lǐng)域的巨大潛力。

不過，說到AI歌手，很多人第一反應(yīng)應(yīng)該是當(dāng)紅虛擬歌姬——初音未來、洛天依。在歌迷感慨于這些無論是聲音和容貌都接近完美的AI歌手時(shí)，絕大多數(shù)人可能并不知道，單純用計(jì)算機(jī)合成音樂這件事，早在上世紀(jì)五十年代就已經(jīng)出現(xiàn)了。根據(jù)不完全統(tǒng)計(jì)，歌聲合成的歷史沿革已經(jīng)跨越了70年。

在歌聲合成漫長(zhǎng)而隱秘的“進(jìn)化”中，AI歌手的出現(xiàn)可謂劃時(shí)代的產(chǎn)品，而要透析這段成長(zhǎng)歷史，有兩個(gè)關(guān)鍵的信息點(diǎn)是必須了解的：

第一，AI歌手涉及的技術(shù)主要有兩大類：歌聲合成（Singing Voice Synthesis，SVS）和歌聲轉(zhuǎn)換（Singing Voice Conversion，SVC），而主要的發(fā)展是在歌聲合成即SVS上。第二，總的來說，歌聲合成可以分為拼接合成和AI合成兩大方向，從發(fā)展過程看，是由前者逐漸向后者演進(jìn)。

被公眾熟知的明星虛擬歌姬——初音未來和洛天依，在技術(shù)上使用的正是拼接合成的方式，并在最初采用的是VOCALOID引擎（軟件）。這類拼接合成引擎依靠手動(dòng)調(diào)校，可調(diào)節(jié)的參數(shù)和調(diào)節(jié)的精準(zhǔn)度，會(huì)直接影響創(chuàng)作效果——完全手動(dòng)調(diào)校對(duì)于新手來說入門難，制作需要花費(fèi)更多精力。

UP主你ADC我輔助表示，由于拼接合成是通過對(duì)不同發(fā)音的錄入、編排和拼接來合成歌聲，具備音域?qū)?、編輯自由度高的?yōu)點(diǎn)，但連貫度會(huì)有所欠缺，“畢竟本質(zhì)上就是一段段的音頻素材”。

從拼接合成到AI合成的轉(zhuǎn)變過程，可以說是一種技術(shù)的革新。與傳統(tǒng)的拼接合成不同，AI合成是使用人工智能技術(shù)深度學(xué)習(xí)人聲樣本的唱法、發(fā)音、聲線、風(fēng)格等，推測(cè)出本人怎么唱進(jìn)而模仿。

2009年，名古屋工業(yè)大學(xué)開發(fā)的Sinsy就使用了隱馬爾科夫模型，而后CeVIO在Sinsy基礎(chǔ)上開發(fā)出輸入音符、文字就能唱歌說話的功能——這是最早使用非拼接方式的歌聲合成引擎。到了SynthesizerV發(fā)布時(shí)，技術(shù)上已經(jīng)開始介入人工神經(jīng)網(wǎng)絡(luò)（模仿人類大腦活動(dòng)的機(jī)器深度學(xué)習(xí)模式），也就是說其在拼接合成的基礎(chǔ)上結(jié)合了人工智能技術(shù)，融合了兩者的優(yōu)勢(shì)。

微軟小冰X studio也是早期AI引擎之一，免費(fèi)使用但目前落后于其他引擎。相比之下，ACE作為完全的后起之秀，性能效果與Synthesizer V同屬第一梯隊(duì)，去年5月，洛天依也宣布與ACE合作推出了ACE引擎聲庫，早期ACE還提供了音樂創(chuàng)作社區(qū)。

AI合成引擎通過人工智能計(jì)算自動(dòng)合成的聲音，往往不需要大改就能使用（也可以直接在計(jì)算結(jié)果的基礎(chǔ)上修改參數(shù)）——這一方面降低了制作成本；另一方面生成的聲音非常自然、流暢、擬真，操作門檻低。

不過UP主@HarryKamski介紹說，AI合成的缺點(diǎn)是音域會(huì)受限，而且因?yàn)楹铣煞绞椒秋@性，會(huì)有“自己的想法”，很多時(shí)候不能完全遵照調(diào)校師的想法。

“AI孫燕姿”背后的歌聲轉(zhuǎn)換

就在SVS歌聲合成在商業(yè)領(lǐng)域大行其道的同時(shí)，各種音樂社區(qū)內(nèi)，隱匿生長(zhǎng)的開源幼苗也在茁壯成長(zhǎng)。并因幾個(gè)月前突然在網(wǎng)絡(luò)爆火的“AI孫燕姿”，將SVC（歌聲轉(zhuǎn)換）猛地推向了主流的道路。

“AI孫燕姿”與商用廣泛的SVS技術(shù)路線不同，采用的是歌聲轉(zhuǎn)換即SVC技術(shù)。兩者的技術(shù)原理和用戶生態(tài)都是不同的，談及兩者的區(qū)別時(shí)，UP主電漿果茶畫了一張圖。

UP主電漿果茶解釋說，不管用SVS AI還是SVC生成音頻，首先都需要采集聲音做一個(gè)AI模型，采集的聲音質(zhì)量越高，模型輸出的音質(zhì)也就越高。有了模型之后，SVS只需要輸入文本和音符就能生成一個(gè)新的音頻，沒有其他干擾的話，這個(gè)音頻的音質(zhì)是不會(huì)變的。SVC模型生成內(nèi)容則需要先輸入一個(gè)既有音頻，如果你往一個(gè)很好的模型輸入一個(gè)糟糕的音頻，那么輸出來的音頻也是糟糕的。

也就是說，“AI孫燕姿”這類AI歌手，本質(zhì)可以理解為AI加持的歌聲變聲器，它是將源音頻的音色、聲線替換為目標(biāo)歌手的，保留原來的歌詞、唱法、音調(diào)等，因此最后的呈現(xiàn)效果，很大程度上取決于源音頻的演唱水平。

相較SVS技術(shù)，SVC出現(xiàn)的時(shí)間并不久。早期日本發(fā)布過一款語音合成軟件Voiceroid，可以將輸入的文本轉(zhuǎn)換成語音朗讀，當(dāng)時(shí)主要應(yīng)用于一些游戲解說、美食教程、伴讀等。但對(duì)于實(shí)時(shí)需求來說，輸入文字并不方便，于是后來就出現(xiàn)了AI變聲器，比如，“塞壬VOICE”——這些當(dāng)時(shí)本質(zhì)上還是商業(yè)的閉源軟件?？梢哉f，直到以VITS（語音合成模型）為基礎(chǔ)的這類開源、免費(fèi)軟件出現(xiàn)，SVC才真正在社區(qū)中興起。

至于大火的“AI孫燕姿”誕生經(jīng)歷，這里要提到一個(gè)人，國內(nèi)歌聲合成愛好者Rcell，他基于VITS、SoftVC等項(xiàng)目開發(fā)了AI語音轉(zhuǎn)換軟件so-vits-svc，“AI孫燕姿”等AI歌手正是基于此制作的。由于so-vits-svc開源免費(fèi)，可以在本地訓(xùn)練，也因此被大家廣泛的使用——so-vits-svc之外，SVC軟件還有RVC、DiffSVC等。

除了“AI孫燕姿”的發(fā)如雪，SVC技術(shù)的興起給個(gè)人的音樂興趣帶來了更多的可能性。

今年3月，UP主你ADC我輔助在B站上傳了一首已故歌手本兮“演唱”的《反方向的鐘》，勾起無數(shù)90后的回憶殺，網(wǎng)友們紛紛在視頻下感慨追憶，留言7000多條。

UP主你ADC我輔助表示，“現(xiàn)在很多網(wǎng)友用SVC來訓(xùn)練各種人物的聲庫，比如動(dòng)漫角色、主播、明星，甚至身邊的親朋好友，只要你想，任何人的聲音都可以被訓(xùn)練，并不限于明星。由于SVC聲庫訓(xùn)練起來不算復(fù)雜，在二創(chuàng)中非常受歡迎?！?/p>

也正是如此，“AI孫燕姿”爆火后，“AI王菲”、“AI周杰倫”、“AI陳奕迅”紛紛上線，有人追求歌曲的適配，有人紀(jì)念去世歌手，也有人劍走偏鋒，讓郭德綱唱起了熱血日漫OP。

每一次有新的人工智能技術(shù)出來，都會(huì)引起一番AI取代人的問題的討論。有人認(rèn)為，AI歌手的本質(zhì)其實(shí)更像鋼琴吉他一樣，是一種樂器，無論是將其打造成虛擬偶像，還是生產(chǎn)力工具，它都不能脫離于人而存在。當(dāng)然那些演唱能力很差的歌手，或許該有一些危機(jī)感。

AI歌手的商業(yè)版圖

不管AI歌手的本質(zhì)是什么，任何一種新產(chǎn)品能否生存的核心都不僅是技術(shù)，更在于能否建立完善的商業(yè)模式。

商業(yè)模式上，SVS打造的歌手主要是和IP產(chǎn)業(yè)、偶像產(chǎn)業(yè)結(jié)合，比如廣告代言、賣周邊、直播、開演唱會(huì)、發(fā)行歌曲等。但虛擬偶像產(chǎn)業(yè)主要靠粉絲經(jīng)濟(jì)，圈子小眾，想吃肉的多，可想而知這門生意并不好做。

最火的初音未來和洛天依都屬于最早吃到螃蟹的，一個(gè)是第一個(gè)在世界范圍爆火；另一個(gè)則是第一個(gè)打開中國市場(chǎng)的，因此吸引了大量粉絲。不過，與表面的火爆背后，AI歌手的成功其實(shí)鳳毛麟角，即使在二次元文化最盛行的日本，真正大獲成功的大概也只有以初音未來為代表的那幾個(gè)。

除了偶像化的商業(yè)模式，另一個(gè)營收方向是聲庫銷售。UP主你ADC我輔助表示，官方發(fā)布的SVS聲庫絕大多數(shù)都是經(jīng)過配音員本人授權(quán)的，像SV AI、CeVIO AI等軟件的AI聲庫，多采用買斷制，以一個(gè)價(jià)格購買后就能終身使用其AI合成服務(wù)。

此外，電漿果茶表示，現(xiàn)在相關(guān)公司也在嘗試拓寬市場(chǎng)邊界，比如跟生產(chǎn)力工具結(jié)合。上個(gè)月，日本AI社宣布將與Unity合作推出A.I.VOICE語音合成聲庫，和基于A.I.VOICE技術(shù)的Unity擴(kuò)展編輯器，讓用戶可以在Unity上直接合成語音內(nèi)容，無需在多個(gè)軟件切換。

相比之下，SVC的商業(yè)路徑更窄，雖然也有商業(yè)化軟件，但在已經(jīng)有很多開源免費(fèi)SVC的情況下，如何突出商業(yè)SVC的優(yōu)勢(shì)，是一個(gè)主要問題。同時(shí)由于制作門檻低，SVC頻道更加混亂，充斥大量低質(zhì)量作品，也引起了一些圈內(nèi)用戶的不滿。另一方面由于音頻的采集未經(jīng)過版權(quán)方同意，SVC的AI歌手對(duì)原歌手以及詞曲者都可能構(gòu)成侵權(quán)。

“灰色地帶”的陰影

版權(quán)爭(zhēng)議是AI歌手面臨的一個(gè)主要現(xiàn)實(shí)問題。

對(duì)于歌手本人和唱片公司來說，面對(duì)不間斷輸出的海量自制歌曲，進(jìn)行授權(quán)或起訴索賠并不可行，最優(yōu)的解決方案或許是將重點(diǎn)放在輸入側(cè)——讓AI工具從預(yù)先授權(quán)的數(shù)據(jù)集中學(xué)習(xí)。這樣唱片公司和出版商也有機(jī)會(huì)從中拓展?fàn)I收，音樂版權(quán)也可能迎來一個(gè)新的商業(yè)模式。

這樣的新商業(yè)模式并非空中樓閣。

根據(jù)近期報(bào)道，谷歌和環(huán)球音樂正在就授權(quán)AI使用藝人的聲音和音樂來創(chuàng)作歌曲進(jìn)行談判。知情人士稱，雙方的討論是圍繞AI技術(shù)在音樂版權(quán)方面達(dá)成合作伙伴關(guān)系，希望開發(fā)一種工具，讓廣大粉絲可以合法地創(chuàng)作AI歌曲，向版權(quán)方付費(fèi)，歌手們可以自由選擇是否加入。目前磋商還處于早期階段，暫時(shí)不會(huì)推出產(chǎn)品。此外據(jù)透露，華納音樂也在與谷歌談判中。

版權(quán)之外，聲音合成還存在其他法律隱患。

聲音具有強(qiáng)烈的人身屬性，更是歌手賴以生存的根本?！奥曇舯Ｗo(hù)”也被寫入《民法典》，根據(jù)《民法典》第1023條相關(guān)規(guī)定：“對(duì)姓名等的許可使用，參照適用肖像許可使用的有關(guān)規(guī)定。對(duì)自然人聲音的保護(hù)，參照適用肖像權(quán)保護(hù)的有關(guān)規(guī)定。”那么未經(jīng)本人允許，通過SVC技術(shù)偽造聲音，無疑是對(duì)其人身權(quán)益的損害。

UP主痕繼痕跡表示，“技術(shù)也可能會(huì)被用于不好的用途，比如某流量演員自身臺(tái)詞功底很弱，通過換聲把配音轉(zhuǎn)變成自己的，或者以后某歌手的歌都不是自己唱的，而是別人唱完變聲成自己的?！贝送膺€可能偽造虛假的錄音、言論，進(jìn)行詐騙或者造謠誹謗他人——今年已有多起使用AI合成語音電詐的案例曝光。

法律和商業(yè)模式都是AI歌手發(fā)展過程中要過的關(guān)，但這并不影響其成為人工智能技術(shù)的一次重大應(yīng)用。AI歌手正在不斷拓展音樂創(chuàng)作的邊界，為音樂文化注入無限的可能性。