AI音乐周刊 W.A 019
AI音乐周刊 W.A 019
AI音乐周刊 W.A 019 AI音乐周刊 W.A 019 Modified March 16 这是 GEMA 继去年 11 月在“歌词版权案”中胜诉 OpenAI 后的又一重大法律出击，也将 Suno 进一步推向了全球法律围剿的中心。尽管 Suno 近期交出了“200万付费用户、3亿美元年营收”的傲人商业答卷，并大举招募前唱片业高管试图缓和关系，但其目前仍深陷与环球音乐（UMG）、索尼音乐以及丹麦版权组织 Koda 的重磅诉讼泥潭中。 雅马哈推出 Creator Pass 订阅服务：一站式整合音乐与播客制作工具 3 月 10 日，雅马哈（Yamaha）宣布大举进军订阅服务市场，推出全新的 Creator Pass。该服务将诸多顶尖的音乐制作与播客应用打包整合，旨在为创作者提供极具性价比的一站式工作流解决方案。 由于雅马哈自身的软件产品有限，此次主要联合了 Landr、Output 和 Riverside 等核心合作伙伴。 • 音乐制作生态： 音乐制作套餐内置了 Landr Studio（提供音乐发行、AI 母带处理及 Arturia 等知名厂商插件）与 Output Arcade。高级版更加入了 AI 驱动的 Co Producer，可智能识别并推荐最适配当前音轨的采样。 • 播客专属利器： 播客套餐包含 Riverside Pro（覆盖录制、剪辑与托管）。最顶级的 Podcaster Complete 年度套餐（468美元/年）甚至直接赠送一支雅马哈 AG01 USB 电容麦克风。 Creator Pass 共划分为 7 个层级，起步价为每月 14.99 美元。除了核心工具，订阅者还可享受 DistroKid、Adobe 等合作方的独家折扣。雅马哈透露，未来计划进一步扩充该生态，将加入 Audioshake（AI 分轨提取工具）以及自家的王牌人声合成引擎 Vocaloid（初音未来底层技术）作为附加服务。 AI 和声工作室 Orphere 免费上线，用自然语言定制和弦进行 3 月 10 日，一款名为 Orphere 的全新 AI 和声工作室正式上线，且目前完全免费开放。开发者针对音乐人在编曲时“难以精准把握和弦情感色彩”的痛点，打造了这款由深度音乐理论引擎与 AI 辅助驱动的工具，帮助创作者直观理解每个音阶与和弦背后的听感逻辑。 功能亮点 • 自然语言生成和声： 平台内置了具备深度音乐素养的 AI 助手。用户只需输入直观的描述（如“给我一个更暗黑的和弦”、“来一段自然转调”或“生成某位歌手风格的和弦进行”），AI 即可在数秒内精准呈现。 • 多维度智能筛选： 抛弃死记硬背！创作者可根据“明亮度”、“不协和度”及声部连接等感官属性，在数千种选项中快速过滤，直观对比不同和弦的音乐性格，挑选出最契合当前情绪的色彩。 • 可视化构建与名曲拆解： 提供可视化音序器，让你精准掌控整首歌的和声张力起伏。同时，Orphere 内置了丰富的名曲模板库，直接为你拆解经典电影配乐、流行金曲和古典名作背后的和声奥秘，支持一键保存为个人灵感库。 Orphere 成功将晦涩的乐理转化为实用的创作辅助，不仅是制作人寻找灵感的利器，更是新手学习和声的绝佳平台。 体验地址：https://www.orphere.com/ 本地版“Suno”爆火！纯离线 AI 音乐生成器 LocalMusic 杀入 Mac 免费榜前四 3 月 11 日，一款名为 LocalMusic 的 AI 音乐生成应用在上架 Mac App Store 仅一天后，便强势冲入免费榜第四名！这款被开发者誉为“Mac 用户的本地版 Suno”的黑马产品，主打完全免费、零订阅、纯离线运行，彻底打破了传统 AI 音乐平台依赖云端算力与网络环境的限制。 硬核功能亮点 • 100% Apple Silicon 原生优化： 开发者成功将强大的开源音乐模型 ACE Step 1.5 移植为原生 Swift 代码，告别繁琐的 Python 环境配置。应用深度调用 Metal GPU 算力，只需几秒钟即可在本地硬件上极速生成完整的歌曲与节拍。 • 丰富的一站式工作流： 不仅仅是生成器，LocalMusic 还内置了基于 LoRA 技术的声音风格微调（Personas），并自带音频编辑器与分轨提取（Stem separation）功能，一站式满足创作者的后期编辑需求。 “你的音乐，你的硬件，不受限制。” LocalMusic 凭借其零门槛的部署方式与极佳的本地化性能，正迅速在独立音乐人与爱好者群体中出圈，目前正向免费榜榜首发起全力冲击。 相关链接：https://apps.apple.com/ro/app/localmusic ai music generator/id6759458019?mt=12 ComfyUI AudioX 节点上线：为 AI 视频一键生成专属音效与配乐 3 月 11 日，开源社区推出了全新的自定义节点 ComfyUI AudioX，允许创作者直接在 ComfyUI 工作流中为视频生成高质量的环境音效（Foley）与背景音乐（BGM）。该插件基于香港科技大学音频实验室（HKUSTAudio）的 AudioX 模型打造，是对标 MMAudio 和 HunyuanVideo Foley 的又一本地化音频生成利器。 相关亮点 • 多模态生成任务： 节点全面支持纯视频生成音效（V2A）与配乐（V2M），同时也支持通过文本提示词（Prompt）进行精准的定向引导（TV2A/TV2M），实现高度可控的声画对齐。 • 高质量模型支持： 官方强烈推荐下载并使用搭载 Synchformer 视觉编码器的 AudioX MAF 模型，以获得最佳的音频质量与时间轴同步表现。 • 硬件与部署门槛： 用户现已可通过 ComfyUI Manager 扩展商店一键搜索安装。模型默认最佳处理长度为 10 秒视频（短于 10 秒会自动补帧并在输出时裁剪）。为了保障流畅运行，官方建议配备 16GB 显存的独立显卡（如 RTX 4060 Ti 16G）。 ComfyUI AudioX 的推出，成功为本地化的 AI 视频生成工作流打通了最后关键的“听觉”拼图，让声画一体的创作变得更加便捷。 相关链接：https://github.com/jinxishe/ComfyUI AudioX?tab=readme ov file 论文 🚀 以下是 3.10—3.16 期间发布的相关论文，已整理翻译 LARA Gen：通过潜在情感表征对齐实现音乐生成模型的连续情感控制 摘要： 文本到音乐模型的最新进展已经能够根据文本提示生成连贯的音乐，但细粒度的情感控制问题仍未解决。我们介绍了 LARA Gen，这是一个用于连续情感控制的框架，它通过“潜在情感表征对齐”（LARA）将内部隐藏状态与外部音乐理解模型对齐，从而实现有效的训练。此外，我们基于连续的效价 唤醒（valence arousal）空间设计了一个情感控制模块，将情感属性与文本内容解耦，并绕过了基于文本提示的瓶颈。进一步地，我们建立了一个包含精选测试集和鲁棒情感预测器的基准，促进了对音乐生成中情感可控性的客观评估。大量实验表明，LARA Gen 实现了连续、细粒度的情感控制，并在情感契合度和音乐质量方面显著优于基线模型。 论文链接： https://arxiv.org/abs/2510.05875 LoopLens：在基于循环（Loop）的音乐创作中支持“以搜索为核心的创造” 摘要： 创造力支持工具（CSTs）通常将搜索视为信息检索，然而在电子舞曲制作等实践中，搜索被用作拼贴式创作的创造性媒介。为了填补这一空白，我们提出了 LoopLens，这是一种用于基于循环（loop based）的音乐创作的研究探索工具，它将音频搜索结果可视化，以支持创造性的搜寻与组装。我们在 16 名具有不同音乐领域专业知识的参与者中进行了受试者内用户研究，评估了 LoopLens 在开放式（发散）和目标导向（收敛）任务中的表现。我们的结果揭示了明显的行为分歧：具有领域专业知识的参与者利用多模态线索快速开发一小部分循环素材，而缺乏领域知识的参与者主要依赖听觉印象进行广泛的探索，且常常受限于制定查询词时的有限音乐词汇量。这种行为二分法为理解创造性搜索中“探索与利用”的平衡提供了新的视角，并为未来 CSTs 中支持独立于词汇的发现机制提供了明确的设计启示。 论文链接： https://arxiv.org/abs/2603.08571 EDMFormer：用于音乐结构分割的特定流派自监督学习 摘要： 音乐结构分割是音频分析中的一项关键任务，但现有模型在处理电子舞曲（EDM）时表现不佳。存在这一问题是因为大多数方法依赖于歌词或和声的相似性，这对流行音乐很有效，但对 EDM 却不适用。相反，EDM 的结构是由能量、节奏和音色的变化来定义的，包含诸如 buildup（铺垫/推升）、drop（高潮/爆发）和 breakdown（降温/过渡）等不同的段落。我们引入了 EDMFormer，这是一种 Transformer 模型，它结合了使用 EDM 特定数据集和分类法进行的自监督音频嵌入。我们发布了这个数据集，名为 EDM 98：一组包含 98 首经过专业标注的 EDM 曲目。与现有模型相比，EDMFormer 改进了边界检测和段落标记能力，特别是在 drop 和 buildup 段落上。结果表明，将学习到的表征与特定流派的数据和结构先验相结合对 EDM 是有效的，并且可以应用于其他特定的音乐流派或更广泛的音频领域。 论文链接： https://arxiv.org/abs/2603.08759 音乐分离研究中可重复性的代价：Band Split RNN 的复现研究 摘要： 音乐声源分离是从一首歌曲中分离出各种乐器音轨的任务。尽管近期取得了惊人的进展，但向更复杂架构和训练协议发展的趋势加剧了可重复性问题。Band Split Recurrent Neural Networks (BSRNN) 模型在这方面极具前景，因为它在公开数据集上取得了接近最先进的结果，并且训练所需的资源合理。不幸的是，由于其完整代码未公开，复现它并不容易。在本文中，我们试图通过大量实验尽可能贴近原始论文来复现 BSRNN，这使我们能够对这一可重复性问题进行批判性反思。我们的贡献有三方面。首先，本研究对模型设计和训练管道提出了一些见解，为潜在的未来改进提供了启发。特别是因为我们未能成功复现原始结果，我们探索了额外的变体，最终产生了一个优化的 BSRNN 模型，其性能大幅超越了原版。其次，我们从方法论和实践角度讨论了可重复性问题。我们特别强调，如果完整的管道可用，本可以节省大量的时间和精力成本。第三，我们的代码和预训练模型已公开发布，以促进可重复性研究。我们希望这项研究将有助于在音乐分离社区传播对可重复研究重要性的认识，并帮助推广更透明和可持续的实践。 论文链接： https://arxiv.org/abs/2603.09187 TimberAgent：用于可执行音乐效果控制的 Gram 引导检索 摘要： 数字音频工作站提供了丰富的效果链，但用户的感知意图与底层信号处理参数之间仍存在语义鸿沟。我们研究了基于检索的音频效果控制，其输出是可编辑的插件配置，而不是最终定型的波形。我们的重点是纹理共鸣检索（TRR），这是一种由投影的中层 Wav2Vec2 激活的 Gram 矩阵构建的音频表征。这种设计保留了与纹理相关的共激活结构。我们在一个包含 1,063 个候选预设和 204 个查询的吉他效果基准上评估了 TRR。评估遵循 Protocol A（一种防止训练 测试数据泄漏的交叉验证方案）。我们使用基于物理数字信号处理（DSP）参数范围的最小 最大归一化指标，将 TRR 与 CLAP 和内部检索基线进行比较。消融实验验证了 TRR 的核心设计选择：投影维度、层选择和投影类型。近重复敏感性分析证实了结果对琐碎知识库匹配的鲁棒性。在评估的方法中，TRR 实现了最低的归一化参数误差。一项包含 26 名参与者的听力研究提供了补充的感知证据。我们将这些结果解释为基准证据，表明感知纹理的检索对于可编辑的音频效果控制是有用的，而更广泛的个性化和真实音频鲁棒性主张仍超出了此处呈现的已验证证据的范畴。 论文链接： https://arxiv.org/abs/2603.09332 V2M Zero：零配对时间对齐的视频到音乐生成 摘要： 生成与视频事件在时间上对齐的音乐对于缺乏细粒度时间控制的现有文本到音乐模型来说是一项挑战。我们引入了 V2M Zero，这是一种零配对（zero pair）的视频到音乐生成方法，能够为视频输出时间对齐的音乐。我们的方法受到一个关键观察的启发：时间同步需要匹配变化发生的时间和幅度，而不是变化的内容。虽然音乐和视觉事件在语义上有所不同，但它们表现出共享的时间结构，可以在各自的模态内独立捕获。我们通过使用预训练的音乐和视频编码器，从模态内相似度计算出的事件曲线来捕获这种结构。通过独立测量每个模态内的时间变化，这些曲线提供了跨模态的可比较表征。这实现了一种简单的训练策略：在音乐事件曲线上微调文本到音乐模型，然后在推理时替换为视频事件曲线，而无需进行跨模态训练或使用配对数据。在多个数据集上，V2M Zero 取得了远超配对数据基线模型的显著提升：音频质量提高 5 21%，语义对齐提升 13 15%，时间同步改善 21 52%，舞蹈视频的节拍对齐提高 28%。我们在大规模的众包主观听力测试中也发现了类似的结果。总而言之，我们的结果验证了通过模态内特征进行时间对齐，而不是通过配对的跨模态监督，对于视频配乐生成是行之有效的。 论文链接： https://arxiv.org/abs/2603.11042 参考资料 这是 GEMA 继去年 11 月在“歌词版权案”中胜诉 OpenAI 后的又一重大法律出击，也将 Suno 进一步推向了全球法律围剿的中心。尽管 Suno 近期交出了“200万付费用户、3亿美元年营收”的傲人商业答卷，并大举招募前唱片业高管试图缓和关系，但其目前仍深陷与环球音乐（UMG）、索尼音乐以及丹麦版权组织 Koda 的重磅诉讼泥潭中。 雅马哈推出 Creator Pass 订阅服务：一站式整合音乐与播客制作工具 3 月 10 日，雅马哈（Yamaha）宣布大举进军订阅服务市场，推出全新的 Creator Pass。该服务将诸多顶尖的音乐制作与播客应用打包整合，旨在为创作者提供极具性价比的一站式工作流解决方案。 由于雅马哈自身的软件产品有限，此次主要联合了 Landr、Output 和 Riverside 等核心合作伙伴。 • 音乐制作生态： 音乐制作套餐内置了 Landr Studio（提供音乐发行、AI 母带处理及 Arturia 等知名厂商插件）与 Output Arcade。高级版更加入了 AI 驱动的 Co Producer，可智能识别并推荐最适配当前音轨的采样。 • 播客专属利器： 播客套餐包含 Riverside Pro（覆盖录制、剪辑与托管）。最顶级的 Podcaster Complete 年度套餐（468美元/年）甚至直接赠送一支雅马哈 AG01 USB 电容麦克风。 Creator Pass 共划分为 7 个层级，起步价为每月 14.99 美元。除了核心工具，订阅者还可享受 DistroKid、Adobe 等合作方的独家折扣。雅马哈透露，未来计划进一步扩充该生态，将加入 Audioshake（AI 分轨提取工具）以及自家的王牌人声合成引擎 Vocaloid（初音未来底层技术）作为附加服务。 AI 和声工作室 Orphere 免费上线，用自然语言定制和弦进行 3 月 10 日，一款名为 Orphere 的全新 AI 和声工作室正式上线，且目前完全免费开放。开发者针对音乐人在编曲时“难以精准把握和弦情感色彩”的痛点，打造了这款由深度音乐理论引擎与 AI 辅助驱动的工具，帮助创作者直观理解每个音阶与和弦背后的听感逻辑。 功能亮点 • 自然语言生成和声： 平台内置了具备深度音乐素养的 AI 助手。用户只需输入直观的描述（如“给我一个更暗黑的和弦”、“来一段自然转调”或“生成某位歌手风格的和弦进行”），AI 即可在数秒内精准呈现。 • 多维度智能筛选： 抛弃死记硬背！创作者可根据“明亮度”、“不协和度”及声部连接等感官属性，在数千种选项中快速过滤，直观对比不同和弦的音乐性格，挑选出最契合当前情绪的色彩。 • 可视化构建与名曲拆解： 提供可视化音序器，让你精准掌控整首歌的和声张力起伏。同时，Orphere 内置了丰富的名曲模板库，直接为你拆解经典电影配乐、流行金曲和古典名作背后的和声奥秘，支持一键保存为个人灵感库。 Orphere 成功将晦涩的乐理转化为实用的创作辅助，不仅是制作人寻找灵感的利器，更是新手学习和声的绝佳平台。 体验地址：https://www.orphere.com/ 本地版“Suno”爆火！纯离线 AI 音乐生成器 LocalMusic 杀入 Mac 免费榜前四 3 月 11 日，一款名为 LocalMusic 的 AI 音乐生成应用在上架 Mac App Store 仅一天后，便强势冲入免费榜第四名！这款被开发者誉为“Mac 用户的本地版 Suno”的黑马产品，主打完全免费、零订阅、纯离线运行，彻底打破了传统 AI 音乐平台依赖云端算力与网络环境的限制。 硬核功能亮点 • 100% Apple Silicon 原生优化： 开发者成功将强大的开源音乐模型 ACE Step 1.5 移植为原生 Swift 代码，告别繁琐的 Python 环境配置。应用深度调用 Metal GPU 算力，只需几秒钟即可在本地硬件上极速生成完整的歌曲与节拍。 • 丰富的一站式工作流： 不仅仅是生成器，LocalMusic 还内置了基于 LoRA 技术的声音风格微调（Personas），并自带音频编辑器与分轨提取（Stem separation）功能，一站式满足创作者的后期编辑需求。 “你的音乐，你的硬件，不受限制。” LocalMusic 凭借其零门槛的部署方式与极佳的本地化性能，正迅速在独立音乐人与爱好者群体中出圈，目前正向免费榜榜首发起全力冲击。 相关链接：https://apps.apple.com/ro/app/localmusic ai music generator/id6759458019?mt=12 ComfyUI AudioX 节点上线：为 AI 视频一键生成专属音效与配乐 3 月 11 日，开源社区推出了全新的自定义节点 ComfyUI AudioX，允许创作者直接在 ComfyUI 工作流中为视频生成高质量的环境音效（Foley）与背景音乐（BGM）。该插件基于香港科技大学音频实验室（HKUSTAudio）的 AudioX 模型打造，是对标 MMAudio 和 HunyuanVideo Foley 的又一本地化音频生成利器。 相关亮点 • 多模态生成任务： 节点全面支持纯视频生成音效（V2A）与配乐（V2M），同时也支持通过文本提示词（Prompt）进行精准的定向引导（TV2A/TV2M），实现高度可控的声画对齐。 • 高质量模型支持： 官方强烈推荐下载并使用搭载 Synchformer 视觉编码器的 AudioX MAF 模型，以获得最佳的音频质量与时间轴同步表现。 • 硬件与部署门槛： 用户现已可通过 ComfyUI Manager 扩展商店一键搜索安装。模型默认最佳处理长度为 10 秒视频（短于 10 秒会自动补帧并在输出时裁剪）。为了保障流畅运行，官方建议配备 16GB 显存的独立显卡（如 RTX 4060 Ti 16G）。 ComfyUI AudioX 的推出，成功为本地化的 AI 视频生成工作流打通了最后关键的“听觉”拼图，让声画一体的创作变得更加便捷。 相关链接：https://github.com/jinxishe/ComfyUI AudioX?tab=readme ov file 论文 🚀 以下是 3.10—3.16 期间发布的相关论文，已整理翻译 以下是 3.10—3.16 期间发布的相关论文，已整理翻译 LARA Gen：通过潜在情感表征对齐实现音乐生成模型的连续情感控制 摘要： 文本到音乐模型的最新进展已经能够根据文本提示生成连贯的音乐，但细粒度的情感控制问题仍未解决。我们介绍了 LARA Gen，这是一个用于连续情感控制的框架，它通过“潜在情感表征对齐”（LARA）将内部隐藏状态与外部音乐理解模型对齐，从而实现有效的训练。此外，我们基于连续的效价 唤醒（valence arousal）空间设计了一个情感控制模块，将情感属性与文本内容解耦，并绕过了基于文本提示的瓶颈。进一步地，我们建立了一个包含精选测试集和鲁棒情感预测器的基准，促进了对音乐生成中情感可控性的客观评估。大量实验表明，LARA Gen 实现了连续、细粒度的情感控制，并在情感契合度和音乐质量方面显著优于基线模型。 论文链接： https://arxiv.org/abs/2510.05875 LoopLens：在基于循环（Loop）的音乐创作中支持“以搜索为核心的创造” 摘要： 创造力支持工具（CSTs）通常将搜索视为信息检索，然而在电子舞曲制作等实践中，搜索被用作拼贴式创作的创造性媒介。为了填补这一空白，我们提出了 LoopLens，这是一种用于基于循环（loop based）的音乐创作的研究探索工具，它将音频搜索结果可视化，以支持创造性的搜寻与组装。我们在 16 名具有不同音乐领域专业知识的参与者中进行了受试者内用户研究，评估了 LoopLens 在开放式（发散）和目标导向（收敛）任务中的表现。我们的结果揭示了明显的行为分歧：具有领域专业知识的参与者利用多模态线索快速开发一小部分循环素材，而缺乏领域知识的参与者主要依赖听觉印象进行广泛的探索，且常常受限于制定查询词时的有限音乐词汇量。这种行为二分法为理解创造性搜索中“探索与利用”的平衡提供了新的视角，并为未来 CSTs 中支持独立于词汇的发现机制提供了明确的设计启示。 论文链接： https://arxiv.org/abs/2603.08571 EDMFormer：用于音乐结构分割的特定流派自监督学习 摘要： 音乐结构分割是音频分析中的一项关键任务，但现有模型在处理电子舞曲（EDM）时表现不佳。存在这一问题是因为大多数方法依赖于歌词或和声的相似性，这对流行音乐很有效，但对 EDM 却不适用。相反，EDM 的结构是由能量、节奏和音色的变化来定义的，包含诸如 buildup（铺垫/推升）、drop（高潮/爆发）和 breakdown（降温/过渡）等不同的段落。我们引入了 EDMFormer，这是一种 Transformer 模型，它结合了使用 EDM 特定数据集和分类法进行的自监督音频嵌入。我们发布了这个数据集，名为 EDM 98：一组包含 98 首经过专业标注的 EDM 曲目。与现有模型相比，EDMFormer 改进了边界检测和段落标记能力，特别是在 drop 和 buildup 段落上。结果表明，将学习到的表征与特定流派的数据和结构先验相结合对 EDM 是有效的，并且可以应用于其他特定的音乐流派或更广泛的音频领域。 论文链接： https://arxiv.org/abs/2603.08759 音乐分离研究中可重复性的代价：Band Split RNN 的复现研究 摘要： 音乐声源分离是从一首歌曲中分离出各种乐器音轨的任务。尽管近期取得了惊人的进展，但向更复杂架构和训练协议发展的趋势加剧了可重复性问题。Band Split Recurrent Neural Networks (BSRNN) 模型在这方面极具前景，因为它在公开数据集上取得了接近最先进的结果，并且训练所需的资源合理。不幸的是，由于其完整代码未公开，复现它并不容易。在本文中，我们试图通过大量实验尽可能贴近原始论文来复现 BSRNN，这使我们能够对这一可重复性问题进行批判性反思。我们的贡献有三方面。首先，本研究对模型设计和训练管道提出了一些见解，为潜在的未来改进提供了启发。特别是因为我们未能成功复现原始结果，我们探索了额外的变体，最终产生了一个优化的 BSRNN 模型，其性能大幅超越了原版。其次，我们从方法论和实践角度讨论了可重复性问题。我们特别强调，如果完整的管道可用，本可以节省大量的时间和精力成本。第三，我们的代码和预训练模型已公开发布，以促进可重复性研究。我们希望这项研究将有助于在音乐分离社区传播对可重复研究重要性的认识，并帮助推广更透明和可持续的实践。 论文链接： https://arxiv.org/abs/2603.09187 TimberAgent：用于可执行音乐效果控制的 Gram 引导检索 摘要： 数字音频工作站提供了丰富的效果链，但用户的感知意图与底层信号处理参数之间仍存在语义鸿沟。我们研究了基于检索的音频效果控制，其输出是可编辑的插件配置，而不是最终定型的波形。我们的重点是纹理共鸣检索（TRR），这是一种由投影的中层 Wav2Vec2 激活的 Gram 矩阵构建的音频表征。这种设计保留了与纹理相关的共激活结构。我们在一个包含 1,063 个候选预设和 204 个查询的吉他效果基准上评估了 TRR。评估遵循 Protocol A（一种防止训练 测试数据泄漏的交叉验证方案）。我们使用基于物理数字信号处理（DSP）参数范围的最小 最大归一化指标，将 TRR 与 CLAP 和内部检索基线进行比较。消融实验验证了 TRR 的核心设计选择：投影维度、层选择和投影类型。近重复敏感性分析证实了结果对琐碎知识库匹配的鲁棒性。在评估的方法中，TRR 实现了最低的归一化参数误差。一项包含 26 名参与者的听力研究提供了补充的感知证据。我们将这些结果解释为基准证据，表明感知纹理的检索对于可编辑的音频效果控制是有用的，而更广泛的个性化和真实音频鲁棒性主张仍超出了此处呈现的已验证证据的范畴。 论文链接： https://arxiv.org/abs/2603.09332 V2M Zero：零配对时间对齐的视频到音乐生成 摘要： 生成与视频事件在时间上对齐的音乐对于缺乏细粒度时间控制的现有文本到音乐模型来说是一项挑战。我们引入了 V2M Zero，这是一种零配对（zero pair）的视频到音乐生成方法，能够为视频输出时间对齐的音乐。我们的方法受到一个关键观察的启发：时间同步需要匹配变化发生的时间和幅度，而不是变化的内容。虽然音乐和视觉事件在语义上有所不同，但它们表现出共享的时间结构，可以在各自的模态内独立捕获。我们通过使用预训练的音乐和视频编码器，从模态内相似度计算出的事件曲线来捕获这种结构。通过独立测量每个模态内的时间变化，这些曲线提供了跨模态的可比较表征。这实现了一种简单的训练策略：在音乐事件曲线上微调文本到音乐模型，然后在推理时替换为视频事件曲线，而无需进行跨模态训练或使用配对数据。在多个数据集上，V2M Zero 取得了远超配对数据基线模型的显著提升：音频质量提高 5 21%，语义对齐提升 13 15%，时间同步改善 21 52%，舞蹈视频的节拍对齐提高 28%。我们在大规模的众包主观听力测试中也发现了类似的结果。总而言之，我们的结果验证了通过模态内特征进行时间对齐，而不是通过配对的跨模态监督，对于视频配乐生成是行之有效的。 论文链接： https://arxiv.org/abs/2603.11042 参考资料 https://www.digitalmusicnews.com/2026/03/09/indie artist coalition google lawsuit ai/ https://x.com/jesseengel/status/2031104163309080949?s=20 https://www.musicbusinessworldwide.com/gema vs suno german court hears landmark ai music copyright case/ https://www.theverge.com/entertainment/891159/yamaha creator pass musicians podcasters https://www.linkedin.com/posts/activity 7436752965983645696 rFm0?utm source=share&utm medium=member desktop&rcm=ACoAAEf4sYcB 7kwpHm7WTW6ML5ECD H8EXZk8c https://x.com/AmbsdOP/status/2031737316629213525?s=20 🏆 本文作者：Keen 链接：https://mp.weixin.qq.com/s/dvM96cNEAyB8mYIXpjrJ6g 本文作者：Keen 链接：https://mp.weixin.qq.com/s/dvM96cNEAyB8mYIXpjrJ6g 🚀 本周 AI 音乐资讯速览 ⚖️ 版权风暴蔓延巨头 • 全面起诉谷歌： 独立音乐人联盟发起了针对 AI 商业模式的最全面诉讼，直击其训练与变现链条。 • GEMA 诉 Suno 开庭： 德国 GEMA 诉 Suno 侵权案正式开庭，AI 模型的数据合规问题正面临全球范围的法律围剿。 💻 本地化与开源爆发 • LocalMusic 强势冲榜： 纯离线 AI 生成器凭借原生优化，成功冲入 Mac 免费榜单。 • ComfyUI AudioX 上线： 开源社区推出全新节点，补齐了本地视频配乐的拼图。 • The Infinite Crate 开源： 谷歌顺应趋势，全面开源了将 Lyria 模型接入 DAW（数字音频工作站）的插件。 🔗 创作生态深度整合 • 雅马哈 Creator Pass： 推出全新订阅服务，一站式打包主流音乐创作应用。 • Orphere 和声工作室： 免费 AI 和声工具通过自然语言交互，大幅降低了专业乐理门槛。 本周 AI 音乐资讯速览 ⚖️ 版权风暴蔓延巨头 • 全面起诉谷歌： 独立音乐人联盟发起了针对 AI 商业模式的最全面诉讼，直击其训练与变现链条。 • GEMA 诉 Suno 开庭： 德国 GEMA 诉 Suno 侵权案正式开庭，AI 模型的数据合规问题正面临全球范围的法律围剿。 💻 本地化与开源爆发 • LocalMusic 强势冲榜： 纯离线 AI 生成器凭借原生优化，成功冲入 Mac 免费榜单。 • ComfyUI AudioX 上线： 开源社区推出全新节点，补齐了本地视频配乐的拼图。 • The Infinite Crate 开源： 谷歌顺应趋势，全面开源了将 Lyria 模型接入 DAW（数字音频工作站）的插件。 🔗 创作生态深度整合 • 雅马哈 Creator Pass： 推出全新订阅服务，一站式打包主流音乐创作应用。 • Orphere 和声工作室： 免费 AI 和声工具通过自然语言交互，大幅降低了专业乐理门槛。 独立音乐人联盟起诉谷歌：直击 AI 音乐商业模式的最全面版权诉讼 3 月 9 日，一个由美国多地独立音乐人组成的联盟对科技巨头谷歌（Google）发起了大规模诉讼。原告指控谷歌涉嫌广泛盗窃和分发受版权保护的音乐作品以训练其 AI 模型。该案被称为迄今为止针对 AI 音乐生成商业模式“最广泛、最全面的法律攻击”。 指控核心：垂直整合的“侵权链条” 起诉书指出，谷歌利用其在市场供应链中的“特权地位”，运作了一个垂直整合的系统来洗白侵权内容： • 数据清洗与篡改： 谷歌复制了数百万首受版权保护的作品，并剥离了其合法的版权管理信息（CMI），此举涉嫌违反《数字千年版权法》（DMCA）。 • AI 训练与洗白： 谷歌将这些被剥离版权的数据用于训练 Lyria 3 和新收购的 ProducerAI。当用户生成音乐时，系统会将终端用户标记为新创作者，为其生成虚假的版权信息。 • 分发与变现： 最终，谷歌通过 ContentID 系统的掩护，利用 YouTube 等自有渠道分发这些 AI 作品，并将其背书为“合法”内容以获取利益。 原告律师严厉指出，谷歌深谙 YouTube 及影视广告的版权许可运作机制，却在构建商业 AI 生成器时选择无视规则，且从未提供任何授权同意或退出（Opt out）机制。目前，原告团正寻求集体诉讼认证，要求联邦陪审团就版权侵权、欺诈、非法分发及虚假广告等 16 项违法行为裁定损害赔偿。 谷歌 Magenta 开源 "The Infinite Crate" 插件：将 Lyria AI 模型无缝接入 DAW 3 月 9 日，Google Magenta 团队宣布全面开源其广受好评的 DAW（数字音频工作站）插件 The Infinite Crate。这款 VST/AU 插件成功将强大的 Lyria RealTime 音乐生成模型直接嵌入 Ableton、Logic 等主流宿主软件中，极大简化了音频路由与 MIDI 映射，让制作人能在熟悉的工具中与 AI 实时协作。该项目目前已遵循宽松的 Apache 2.0 协议在 GitHub 开放。 技术架构与亮点 • 混合架构设计： 插件底层采用 JUCE/C++ 编写，专注于处理极低延迟的音频流、计算与 DAW 连接，确保专业级性能；前端 UI 则采用 React/TypeScript（结合 Tailwind 和 Shadcn 等现代 Web 技术），两者通过 Zustand 和 JSON 实现状态同步。 • AI 编程友好： 标准化的 Web 前端框架使得开发者可以轻松借助 Gemini 或 Antigravity 等大语言模型（LLM）编程工具，快速设计、修改或生成全新的交互界面与功能。 自发布以来，The Infinite Crate 已被包括真锅大度（Daito Manabe）在内的众多先锋艺术家应用于创作和东京的现场演出中，并作为顶尖新型音乐工具亮相了 2026 年的 NAMM 乐器展。 团队透露，未来计划进一步升级该插件，增加基于 Magenta RealTime 开源权重模型的本地端侧推理（离线使用）功能，并在长期规划中支持更精细的音频与 MIDI 输入控制，持续赋能 AI 音乐创作社区。 Blog：https://magenta.withgoogle.com/oss infinite crate 德国打响 AI 音乐版权战：GEMA 诉 Suno 侵权案正式开庭，6月宣判 3 月 9 日，德国慕尼黑地方法院就德国音乐版权组织 GEMA 起诉 AI 音乐巨头 Suno 侵权一案举行了口头听证会。GEMA 严厉指控 Suno 未经授权使用、存储并复制受版权保护的知名录音作品用于 AI 模型训练，并出示证据表明，Suno 生成的音频在旋律、和声与节奏上与人类原曲存在“极具误导性的相似”。 案件进展与核心诉求 当日听证会未当庭宣判，最终裁决已定于 2026 年 6 月 12 日。GEMA 首席执行官 Tobias Holzmüller 博士在庭外强调，生成式 AI 的商业模式完全建立在人类的创造力之上，因此“给予创作者适当报酬、保持透明度并尊重版权是不可妥协的底线”。GEMA 法律总顾问进一步指出，只要 AI 公司在欧洲市场提供服务，无论其模型在何地训练，都必须遵守欧洲的版权法规，以防本土创作者被“白嫖”。 行业背景与深远影响