在生成式AI模型的賽道上，谷歌正一路“狂飆”。繼文字生成AI模型Wordcraft、視頻生成工具Imagen Video之後，谷歌將生成式AI的應用場景擴展到了音樂圈。

當地時間1月27日，谷歌發布了新的AI模型——MusicLM，該模型可以從文本甚至圖像中生成高保真音樂，也就是說可以把一段文字、一幅畫轉化爲歌曲，且曲風多樣。

谷歌在相關論文中展示了大量案例，如輸入字幕“雷鬼和電子舞曲的融合，帶有空曠的、超凡脫俗的聲音，引發迷失在太空中的體驗，音樂的設計旨在喚起一種驚奇和敬畏的感覺，同時又適合跳舞”，MusicLM便生成了30秒的電子音樂。

又如以世界名畫《跨越阿爾卑斯山聖伯納隘口的拿破侖》爲“題”，MusicLM生成的音樂莊重典雅，將冬日的凌厲肅殺和英雄主義色彩體現地淋漓盡致。寫實油畫之外，《舞蹈》《吶喊》《格爾尼卡》《星空》等抽象派畫作均可爲題。

MusicLM甚至來個音樂串燒，在故事模式下將不同風格的曲子混雜在一起。即便要求生成5分鐘時長的音樂，MusicLM也不在話下。

另外，MusicLM具備強大的輔助功能，可以規定具體的樂器、地點、流派、年代、音樂家演奏水平等，對生成的音樂質量進行調整，從而讓一段曲子幻化出多個版本。

MusicLM並非第一個生成歌曲的AI模型，同類型產品包括Riffusion、Dance Diffusion等，谷歌自己也發布過AudioML，時下最熱門的聊天機器人“ChatGPT”的研發者OpenAI則推出過Jukebox。

MusicLM有何獨到之處？

它其實是一個分層的序列到序列(Sequence-to-Sequence)模型。根據人工智能科學家Keunwoo Choi的說法，MusicLM結合了MuLan+AudioLM和MuLan+w2b-Bert+Soundstream等多個模型，可謂集大成者。

其中，AudioLM模型可視作MusicLM的前身，MusicLM就是利用了AudioLM的多階段自回歸建模作爲生成條件，可以通過文本描述，以24kHz的頻率生成音樂，並在幾分鐘內保持這個頻率。

相較而言，MusicLM的訓練數據更多。研究團隊引入了首個專門爲文本-音樂生成任務評估數據MusicCaps來解決任務缺乏評估數據的問題。MusicCaps由專業人士共建，涵蓋5500個音樂-文本對。

基於此，谷歌用280000小時的音樂數據集訓練出了MusicLM。

谷歌的實驗表明，MusicLM在音頻質量和對文本描述的遵守方面都優於以前的模型。

不過，MusicLM也有着所有生成式AI共同的風險——技術不完善、素材侵權、道德爭議等。

對於技術問題，比方說當要求MusicLM生成人聲時，技術上可行，但效果不佳，歌詞亂七八糟、意義不明的情況時有發生。MusicLM也會“偷懶”——起生成的音樂中，約有1%直接從訓練集的歌曲中復制。

另外，由AI系統生成的音樂到底算不算原創作品？可以受到版權保護嗎？能不能和“人造音樂”同台競技？相關爭議始終未有一致見解。

這些都是谷歌沒有對外發布MusicLM的原因。“我們承認該模型有盜用創意內容的潛在風險，我們強調，需要在未來开展更多工作來應對這些與音樂生成相關的風險。”谷歌發布的論文寫道。