把一首生成的普通话抒情歌放给母语者听,看他皱眉的地方在哪。很少是和弦进行,而是歌手下意识吞掉一个音节、在一个多音字上唱错调、或者把一个词拖长到整句不成立的那一刻。
PER(音素错误率)衡量唱出的音频偏离歌词本音的频率。腾讯AI Lab的SongGeneration 2报出的PER是8.55%。作为对照,同一份披露把Suno V5列在12.4%、Mureka v8列在9.96%。这些是厂商在听测与对齐测试里自报的数字,不是第三方榜单,我也按这个标准看待。但方向值得认真对待:一个中国开源权重音乐模型,如今声称的歌词准确率与领先的商业系统处在同一档,而且略优。
这个模型是什么
SongGeneration 2(也称LeVo 2)接收带标签的歌词——[verse]、[chorus]、[bridge]——生成带人声和伴奏的完整歌曲,最长四分半。它处理中文、英文、西班牙文和日文歌词。架构上一个语言模型规划歌曲结构,第二阶段并行预测人声与器乐轨,再加一个基于扩散的音频编解码器。
两个细节比参数量更重要。第一,权重是开放的:大检查点约占22GB显存,跑在一张高端消费卡或租一小时云算力上,不是数据中心。Hugging Face上还有Fast版本,用一点保真度换速度。第二,它接受一段参考片段作为风格提示,而这才是多数在职制作人真实的用法:不是"给我写首歌",而是"照这个感觉,配这些词"。
中文是更难的考题
西方音乐模型训练所用的语言里,重音承载了大部分旋律。普通话把意义放在声调里:同一个音节换个音高就是另一个词。一个把唱段当旋律轮廓、把歌词当音节序列的模型,会产出听起来像唱歌、语义上是乱码的东西。
这就是音素数对中文用户比对英文用户更要紧的原因,也是国内竞争围绕它组织起来的原因。歌曲生成是产品,歌声合成是底下的手艺,而声调住在手艺里。它主张的不是中国模型写得更好,而是它们唱错的字更少——这是一条能发出去的音轨和一条必须重录的音轨之间的差别。
还有一层较少被讨论:多音字。一个有两种读法的字,是模型必须从上下文里解出的抛硬币,而歌词为了押韵和格律会刻意破坏上下文。英文模型处理得很差,因为训练信号稀薄。这类问题只有在意这门语言的人才会去解,这也是一条支持本地模型的理由——与民族主义无关,与数据有关。
开源权重改变了什么,没改变什么
开放检查点的实际后果不是免费音乐,而是一个小工作室可以在自己的曲库上微调、把输出留在自己的机器上、不用为每一秒向境外API付费就能做出产品。对一个每月需要四十分钟配乐的中国游戏工作室,或一个每本书都要一首主题曲的有声书出版方,这是成本结构的真实变化。
它也改变了授权谈判。跑在你所托管模型上的生成歌曲,和在别人服务器上、按可被修改的条款生成的歌,是不同的合同对象。这个区别眼下在采购部门起的作用,比任何质量榜单都大。
开源权重解决不了的,是仍然失效的那部分:钩子。AI能给出编曲、过得去的旋律和干净的人声,它倾向于产出的是一段悦耳且记不住的副歌——旋律上的图库照片。听了大量这类产出的出版方说的是同一件事:主歌没问题,桥段没问题,但没有任何东西让你想再听一遍。
中国市场站在哪里
中国的竞争逻辑已从质量转向获取。网易的天音工作室在推免费的一键写歌模式,版权归用户,条件是加AI标识。腾讯走了反方向,把权重送了出去。两种动作假设同一件事:模型不是护城河,工作流和权利位置才是。
关键要点
- SongGeneration 2报PER 8.55%,同一份披露里Suno V5为12.4%、Mureka v8为9.96%,均属厂商自报。
- 权重开放,22GB显存可跑,支持参考片段做风格提示;一首四分半的歌推理约0.16美元。
- 中文的难点在声调与多音字,这决定了歌能发还是得重录。
诚实的局限
8.55%、12.4%、9.96%都来自腾讯自己的披露及其委托的听测;我无法独立复现,而PER对音频如何切分与对齐很敏感,跨厂商比较只是近似。我没有听过SongGeneration 2与Suno V5在同一份歌词上的受控盲测。所引价格来自一家第三方托管方,会变。我也没有讨论训练数据来源——那是整个品类尚未解决的法律问题。
普通人现在能做什么
- 如果你在为中文作品选音乐模型,用自己写的十行歌词测一遍,自己数唱错的字。二十分钟,胜过任何榜单。
- 如果你在采购生成音乐用于商业用途,用书面确认授权是随你托管的权重走,还是只随你租用的服务走。
- 如果你要在开放检查点上做产品,给微调留预算。基座模型写出的是一首合格的歌,是你的曲库让它听起来像你的。