---
title: "腾讯开源了一个专治「人声和伴奏各走各的」的写歌模型"
date: 2026-11-17
category: AIGC内容
site: 脑机网
canonical: https://aiai.cafe/a/njw-425e69
language: zh-CN
---

# 腾讯开源了一个专治「人声和伴奏各走各的」的写歌模型

> ## 关键要点

## 关键要点

- 腾讯 AI Lab 于 2025 年 6 月开源 SongGeneration，随代码一同发布的论文名为 LeVo，刊于 arXiv，编号 2506.07520。
- 模型同时建模「混合 token」与「人声、伴奏双轨 token」，由两个 decoder-only 结构并行处理，目的是既保住细节又不让两条轨跑偏。
- 论文的主观听测由中国传媒大学音乐与录音艺术学院参与设计；作者称其在客观与主观指标上均优于现有开源方法，与工业级系统「有竞争力」。
- 权重、代码与在线 demo 全部公开，支持中英文流行、嘻哈、古风与电子等风格，以及多语种歌词输入。

## 一段人声抢在鼓点前面
一首歌里，人声比鼓点早了那么一点点。单独听人声，像；单独听伴奏，也像；合在一起，却像两段录音被硬接了起来。

这正是腾讯 AI Lab 想解决的那个具体毛病。难的不是机器会不会写歌，而是写出来的歌能不能从头到尾待在同一间屋子里。

2025 年 6 月，团队把 SongGeneration 开源，同时放出论文、可用权重和一个演示页面。交付本身带着一种少见的坦白：他们谈的不是能不能生成，而是生成的东西会不会散。

## 同一套东西，两个名字
SongGeneration 是开源项目的名字，开发者下载的是它。论文叫《LeVo: High-Quality Song Generation with Multi-Preference Alignment》，2025 年 6 月上传 arXiv。名字在引用文献时是 LeVo，拉代码时是 SongGeneration。

作者名单像个小联合体：清华大学深圳国际研究生院与腾讯 AI Lab 的研究人员，加上武汉大学、香港中文大学（深圳）、上海交通大学和南京大学的合作者。代码放在腾讯 AI Lab 的 GitHub 账号下，演示挂在 Hugging Face。

## 为什么把两条轨道拆开这么难
主流的歌曲生成系统大多要在两件事里选一件。

第一种，把歌声和乐器混成一条音频 token 流去预测。好处是两条轨天然同步，坏处是每条轨能承载的细节被压扁了。

第二种，人声一条、伴奏一条，分开预测。保真度上去了，但两条轨容易越走越远——开头还对得上，副歌就开始互相让路。

LeVo 想两头都要。它的语言模型 LeLM 并行建模两类 token：一类是代表混合音频的 token，一类是分别编码人声与伴奏的双轨 token。两个仅含解码器的 Transformer 分管这两路，再用一种模块化的扩展训练策略，防止两类 token 互相干扰。论文随后用直接偏好优化（DPO）把输出对齐到多种人类偏好上，训练数据由半自动化流程构造。

翻译过来：一只眼看整体是不是一伙的，一只眼看细节够不够，最后一步后训练把它往听众喜欢的方向推。

## 发布包里到底有什么
腾讯方面说，开源版本支持文本控制、多轨合成和风格跟随。列出的场景从短视频配乐、游戏音频，到虚拟人演出和广告。兼容中英文流行、嘻哈、古风与电子，多语种歌词输入与一键生成都在列。

- **权重与代码：** 发布在腾讯 AI Lab 的 GitHub 账号，Hugging Face 上有在线 demo。
- **论文：** arXiv:2506.07520，作者附了音频样例。
- **评测：** 主观测试与中国传媒大学的研究团队合作完成，其音乐与录音艺术学院提供了听测方法。
这不是脚注级的细节。音乐生成的主观打分极容易做坏——找十个同事随便听一遍也能叫主观评测。请一所音乐学院来设计听音实验，是让那些分数具备一点意义的合理做法。

## 「有竞争力」这四个字的分量
论文的说法是：LeVo 在客观与主观指标上均超过现有开源方法，与工业系统相比具备竞争力。

这是作者的原话。「具备竞争力」这个措辞在句子里承担了很重的活——它没有被升级成「超过所有商业产品」，读者也不该替它升级。

对海外读者来说，意义不在胜负，而在可获得性。一个带完整权重、附带论文的歌曲模型，意味着任何国家的开发者都能拆开架构看、用本地素材微调、并且不必按秒付 API 费用。

更难的问题还在后面：生成一段好听的四十秒，和运营一个艺人形象统一、歌词权利清晰、收益可预期的曲库，是两件不同的事。开源一个 checkpoint 解决不了后者。

## 诚实的局限
这篇稿子依据腾讯官方开发者文章、公开的 arXiv 论文与国内科技媒体报道，我没有用发布出来的模型实际生成过歌曲，所有性能表述都来自作者。发布时论文仍标注为在审预印本，同行评审可能改变结论边界。听测方法与具体分数我没有独立复核，也没有用同一组提示词把 SongGeneration 与商业服务对比过。生成音频的授权条款值得单看，本文不判定输出音轨归谁。

## 普通人现在能做什么

- 从腾讯 AI Lab 的 GitHub 仓库拉权重，做一次最简单的 A/B：同一段歌词、同一风格跑两遍。重点听后段人声与伴奏是否脱节——那正是这个模型瞄准的失效模式。
- 如果你在做音频工具，把论文和代码对着读。值得看懂的是双 token 那套设计，不是标题里的跑分。
- 商业使用任何生成音轨之前，先看模型许可证，再看你所在地关于声音肖像和歌词权利的规定。开源权重不等于权利清晰。

---

来源：脑机网（https://aiai.cafe/）｜原文：https://aiai.cafe/a/njw-425e69
本内容仅供参考，不构成投资建议。
