AI音乐周刊 W.A 022

AI音乐周刊 W.A 022 AI音乐周刊 W.A 022 Modified April 6 4 月 2 日，TikTok 旗下的音乐发行与推广平台 SoundOn 宣布，已正式部署内容识别公司 ACRCloud 的全新“衍生作品检测（Derivative Works Detection）”服务，重拳打击未经授权的篡改音频上传。 核心亮点与行业背景 • 破解变体音频检测难题： 在当今的流媒体环境中，通过改变播放速度或音调（Sped up/Slowed down）来规避版权审查的侵权行为日益猖獗。ACRCloud 的新技术通过提取底层音频指纹，能够在这些被大幅篡改的作品流入各大流媒体平台前进行精准识别与拦截。 • 多维反欺诈防线： 这一服务与 TikTok 强大的内部内容扫描基础设施相结合，构建了业内领先的“多信号检测框架”。它覆盖了作品发行前后的全链路审查，大幅降低了未经授权的侵权曲目上架风险。 行业意义 随着整个音乐产业对 DSP（数字服务提供商）平台上泛滥的篡改音频审查越发严格，SoundOn 与 ACRCloud 的联手恰逢其时。此举旨在确保分发至全球流媒体的内容具有绝对的原创性与合法性，为艺术家和版权方守住变现护城河。 海绵音乐 Web 端迎大更新：对话式创作上线，V5.1模型开启内测 4 月 3 日，AI 音乐生成平台海绵音乐 Web 桌面端迎来重大升级，正式上线全新的 Agent 对话功能，并向老用户开放了全新 V5.1 模型的内测权限。 核心功能与升级亮点 • 对话即创作： 用户现在可以直接在首页通过自然语言对话来生成歌曲。全面优化的输入框已支持“歌词 + 提示词”的同步混合输入，彻底打破了以往繁琐的面板设置，让交互更直观，创作流程也变得更加灵活高效。 • V5.1 模型内测： 海绵的 V5.1 模型正在开启内测。据实际试玩反馈，新模型在整体听感上实现了大幅跃升，不仅能够完美驾驭更多元、更复杂的曲风流派融合，还进一步强化了人声表现效果，可以期待下后续的公测。 相关链接：https://www.haimian.com/ 重磅福利！ProducerAI 全面接入 Google AI 订阅计划，付费用户免费解锁高阶音乐创作 4 月 3 日，ProducerAI 官方宣布已正式整合入 Google AI 订阅生态。对于所有 Google AI Plus、Pro 以及 Ultra 的付费订阅用户而言，如今无需支付任何额外费用，即可自动解锁对应级别的 ProducerAI 专属会员特权，一站式畅享原创歌曲生成、音乐视频（MV）制作以及构建自定义创意工具等专业级功能。 会员权益映射规则 通过此次生态打通，Google AI 用户的订阅层级将自动匹配如下 ProducerAI 权益： • 免费用户 (Free)： 对应 ProducerAI Free（免费版） • AI Plus 订阅： 自动升级至 ProducerAI Starter • AI Pro 订阅： 自动升级至 ProducerAI Plus • AI Ultra 订阅： 自动升级至 ProducerAI Member 获取方式 用户只需前往 Google One 订阅相应的 AI 计划，并在登录授权时确保勾选了“Google One 的 OAuth 授权”，即可无缝激活该重磅权益。此次整合进一步降低了专业 AI 音乐制作的门槛，也标志着谷歌生态在创作工具领域的深度捆绑。 民谣音乐人陷“连环噩梦”：遭 AI 声音克隆冒名与恶意版权勒索 4 月 5 日，独立民谣音乐人 Murphy Campbell 近期遭遇了 AI 时代的典型系统性危机，接连遭到 AI 冒名顶替与“版权巨魔”的恶意勒索。 事件始末 今年 1 月，Campbell 惊觉 Spotify 上出现了并未由她发布的歌曲。经查证，有人提取了她在 YouTube 上的公开演唱音频，利用 AI “克隆”后冒名上传至各大流媒体平台。尽管她费尽周折维权并下架了部分假歌，但目前仍有使用她名字的虚假账号在 Spotify 上“逍遥法外”。 更荒谬的是，在此事被媒体曝光的当天，恶意攻击再度升级。一个名为“Murphy Rider”的账号通过发行商 Vydia，向 Campbell 在 YouTube 上的多个视频发起了虚假的 Content ID 版权认领，试图强行瓜分其视频收益。讽刺的是，被指控“侵权”的《In the Pines》等曲目，均是早已进入公有领域（Public Domain）的百年传统民谣。 尽管 Vydia 随后紧急撤销了这些荒谬的索赔并封禁了恶意账号，但这起事件彻底暴露了当下产业的脆弱性。正如 Campbell 所言，生成式 AI、自动化音乐发行机制与版权保护系统之间交织的漏洞，正为恶意滥用提供极大的便利，其背后的系统性危机远比想象中深远。 论文 🚀 以下是 3.31—4.6 期间发布的相关论文，已整理翻译 TokenDance：基于双向 Mamba 的 Token 到 Token 音乐转舞蹈生成 摘要：音乐转舞蹈生成在虚拟现实、舞蹈教育和数字角色动画中有着广泛的应用。然而，现有 3D 舞蹈数据集的有限覆盖范围将当前模型局限于少部分音乐风格和编舞模式，导致对真实世界音乐的泛化能力较差。因此，生成的舞蹈往往过于简单和重复，极大地降低了表现力和真实感。为了解决这个问题，我们提出了 TokenDance，这是一个两阶段的音乐转舞蹈生成框架，通过双模态分词（Tokenization）和高效的 token 级生成明确地解决了这一局限性。在第一阶段，我们使用有限标量量化（Finite Scalar Quantization）对舞蹈和音乐进行离散化，其中舞蹈动作在运动学 动力学约束下被分解为上半身和下半身组件，而音乐则通过专用的码本（codebooks）分解为语义和声学特征，以捕捉特定于编舞的结构。在第二阶段，我们引入了一个基于双向 Mamba 主干的局部 全局 局部（Local Global Local）token 到 token 生成器，从而实现连贯的动作合成、强大的音舞对齐以及高效的非自回归推理。大量实验表明，TokenDance 在生成质量和推理速度上均达到了整体的当前最优（SOTA）性能，突显了其在真实世界音乐转舞蹈应用中的有效性和实用价值。 论文链接： https://arxiv.org/abs/2603.27314 CutClaw：通过音乐同步实现长达数小时视频的智能体化编辑 摘要：CutClaw 是一个自主的多智能体（multi agent）框架，它使用多模态语言模型将长视频素材自动编辑成节奏感强、叙事连贯且音画同步的短视频。在当今的社交媒体中，带有音频对齐的视频内容编辑已经成为一种数字人工艺术。然而，手动视频编辑耗时且重复的本质长期以来一直是电影制作人和专业内容创作者面临的挑战。在本文中，我们介绍了 CutClaw，这是一个旨在将长达数小时的原始素材编辑成有意义短视频的自主多智能体框架，它将多个多模态语言模型（MLLMs）的能力作为一个智能体系统来利用。它能生成带有同步音乐、遵循指令且视觉上具有吸引力的视频。具体而言，我们的方法首先采用层次化的多模态分解，捕捉视觉和音频素材中的细粒度细节和全局结构。然后，为了确保叙事的一致性，一个“剧本作家智能体（Playwriter Agent）”会策划整个叙事流程并构建长期叙事，将视觉场景与音乐的转换锚定在一起。最后，为了构建最终的短视频，“编辑者（Editor）”和“审查者（Reviewer）”智能体通过基于严格的美学和语义标准选择细粒度的视觉内容，协同优化最终的剪辑。我们进行了详细的实验，证明 CutClaw 在生成高质量、节奏对齐的视频方面显著优于现有的最先进基线。 论文链接： https://huggingface.co/papers/2603.29664 HumMusQA：一个由人类编写的音乐理解问答基准数据集 摘要：在大型音频语言模型（LALMs）中评估音乐理解能力需要一个严格定义的基准测试，以真正检验模型是否能够感知和解释音乐，而当前的数据方法往往无法满足这一标准。本文介绍了一种结构严密的音乐评估方法，提出了一个包含 320 个手动编写问题的新数据集，这些问题由受过音乐训练的专家精心策划和验证。我们认为，这种专注的、人工的策划在探究复杂的音频理解能力方面更具优势。为了展示该数据集的应用，我们对六个最先进的 LALM 进行了基准测试，并额外测试了它们对单模态捷径（uni modal shortcuts）的鲁棒性。 论文链接： https://arxiv.org/abs/2603.27877 跨古典与流行曲目的 Tonnetz（音网）调性连贯性历时建模 摘要：不同的音乐传统是如何实现调性连贯性的？迄今为止，大多数计算指标都是从单一维度分析调性连贯性，而多维度的分析尚未得到充分探索。我们提出了一个借鉴 Tonnetz（音网）概念的新模型——我们定义了两个部分独立的指标：调性焦点（tonal focus），即音高内容在调性中心附近的集中度；以及调性连接（tonal connection），即音高内容反映回到该中心的结构化音程路径的程度。通过对超过 2800 首西方古典和流行传统的作品进行分析，我们发现这些传统在二维空间中占据重叠但可区分的区域。流行音乐表现出更高的调性焦点，而古典音乐表现出更高的调性连接。我们的互补指标为不同调性风格之间的差异提供了量化证据，并为计算音乐分析和可控生成提供了可解释的维度。 论文链接： https://arxiv.org/abs/2603.27035 音乐结构分析中深度音频嵌入的无监督评估 摘要：音乐结构分析（MSA）旨在揭示音乐作品的高层组织结构。最先进的方法通常基于监督深度学习，但这些方法受限于对大量标注数据的需求以及固有的结构歧义。在本文中，我们提出在 MSA 任务上对九个开源的通用预训练深度音频模型进行无监督评估。对于每个模型，我们提取小节级别的嵌入（embeddings），并使用三种无监督分割算法（Foote 棋盘核、谱聚类和相关块匹配 (CBM)）对它们进行分割，专门专注于边界检索。我们的结果表明，现代通用深度嵌入通常优于传统的基于频谱图的基线，但并非绝对。此外，我们的无监督边界估计方法通常比最近的线性探测（linear probing）基线产生更强的性能。在评估的技术中，CBM 算法始终表现为最有效的下游分割方法。最后，我们强调了标准评估指标被人工夸大的问题，并主张系统地采用“修剪（trimming）”甚至“双重修剪（double trimming）”标注，以建立更严格的 MSA 评估标准。 论文链接： https://arxiv.org/abs/2603.27218 推进多乐器音乐转录：来自 2025 年 AMT 挑战赛的结果 摘要：本文介绍了 2025 年自动音乐转录（AMT）挑战赛的结果，这是一项旨在基准测试多乐器转录进展的在线竞赛。共有八支队伍提交了有效的解决方案；其中两支队伍超越了基线 MT3 模型。结果突显了转录准确性的进步，同时也指出了在处理复音（polyphony）和音色变化方面仍然存在的困难。最后，我们总结了未来挑战赛的发展方向：更广泛的流派覆盖以及对乐器检测的更强关注。 论文链接： https://arxiv.org/abs/2603.27528 构建用于可解释音乐标记的复合特征 摘要：结合多种音频特征可以提高音乐标记（music tagging）的性能，但常见的基于深度学习的特征融合方法往往缺乏可解释性。为了解决这个问题，我们提出了一种遗传编程（GP）流水线，该流水线通过对基础音乐特征进行数学组合，自动演化出复合特征，从而在保留可解释性的同时捕捉协同交互。这种方法提供了类似于深度特征融合的表示优势，而不会牺牲可解释性。在 MTG Jamendo 和 GTZAN 数据集上的实验表明，在不同抽象级别的基础特征集上，与最先进的系统相比，该方法实现了持续的改进。值得注意的是，大部分性能提升在最初的几百次 GP 评估中就能被观察到，这表明在适度的搜索预算下就可以识别出有效的特征组合。演化出的顶级表达式包括线性、非线性和条件形式，各种低复杂度的解决方案在达到最佳性能的同时，也符合偏好更简单表达式的简约原则。分析这些复合特征进一步揭示了哪些交互和变换往往对标记有益，提供了在黑盒深度模型中无法窥见的见解。 论文链接： https://arxiv.org/abs/2603.28644 生物力学约束下的钢琴和弦综合语料库：生成、分析及其对声部排列和心理声学的影响 摘要：我提出并分析了已知最大的受生物力学约束的开源可演奏钢琴和弦语料库（约 1930 万个条目）。该数据集以前所未有的程度枚举了受生物力学限制（两只手，每只手的跨度为 1.5 个八度）的双手搜索空间。为了展示该语料库的实用性，我们对声部排列（voicing）形状与心理声学目标之间的关系进行了建模。和声性（Harmonicity）被证明是音级身份（pitch class identity）的内在属性：声部排列统计带来的差异可以忽略不计（$\Delta R^2 \approx 0.014\%$， $p \approx 0.13$）。相反，声部排列显著预测了不协和度（dissonance）（$\Delta R^2 \approx 6.75\%$， $p \approx 0.0008$）。关键的是，偏度（skewness）（$\beta \approx +0.145$）在预测粗糙度（roughness）方面的有效性大约是跨度（spread）（$\beta \approx 0.025$）的 $5.8\times$。该分析挑战了教学上对“跨度”的强调：偏度是比跨度更强的不协和度预测因子。这表明，“开放声部排列”的清晰度较少受宽度驱动，而更多受负偏度影响；即通过在底部放置较大的间隙，并允许高音区有更密集的聚集来实现低音区的清晰度。结果表明，该语料库能够支持未来的研究，特别是在生成建模、声部连接拓扑（voice leading topology）和心理声学分析等领域。 4 月 2 日，TikTok 旗下的音乐发行与推广平台 SoundOn 宣布，已正式部署内容识别公司 ACRCloud 的全新“衍生作品检测（Derivative Works Detection）”服务，重拳打击未经授权的篡改音频上传。 核心亮点与行业背景 • 破解变体音频检测难题： 在当今的流媒体环境中，通过改变播放速度或音调（Sped up/Slowed down）来规避版权审查的侵权行为日益猖獗。ACRCloud 的新技术通过提取底层音频指纹，能够在这些被大幅篡改的作品流入各大流媒体平台前进行精准识别与拦截。 • 多维反欺诈防线： 这一服务与 TikTok 强大的内部内容扫描基础设施相结合，构建了业内领先的“多信号检测框架”。它覆盖了作品发行前后的全链路审查，大幅降低了未经授权的侵权曲目上架风险。 行业意义 随着整个音乐产业对 DSP（数字服务提供商）平台上泛滥的篡改音频审查越发严格，SoundOn 与 ACRCloud 的联手恰逢其时。此举旨在确保分发至全球流媒体的内容具有绝对的原创性与合法性，为艺术家和版权方守住变现护城河。 海绵音乐 Web 端迎大更新：对话式创作上线，V5.1模型开启内测 4 月 3 日，AI 音乐生成平台海绵音乐 Web 桌面端迎来重大升级，正式上线全新的 Agent 对话功能，并向老用户开放了全新 V5.1 模型的内测权限。 核心功能与升级亮点 • 对话即创作： 用户现在可以直接在首页通过自然语言对话来生成歌曲。全面优化的输入框已支持“歌词 + 提示词”的同步混合输入，彻底打破了以往繁琐的面板设置，让交互更直观，创作流程也变得更加灵活高效。 • V5.1 模型内测： 海绵的 V5.1 模型正在开启内测。据实际试玩反馈，新模型在整体听感上实现了大幅跃升，不仅能够完美驾驭更多元、更复杂的曲风流派融合，还进一步强化了人声表现效果，可以期待下后续的公测。 相关链接：https://www.haimian.com/ 重磅福利！ProducerAI 全面接入 Google AI 订阅计划，付费用户免费解锁高阶音乐创作 4 月 3 日，ProducerAI 官方宣布已正式整合入 Google AI 订阅生态。对于所有 Google AI Plus、Pro 以及 Ultra 的付费订阅用户而言，如今无需支付任何额外费用，即可自动解锁对应级别的 ProducerAI 专属会员特权，一站式畅享原创歌曲生成、音乐视频（MV）制作以及构建自定义创意工具等专业级功能。 会员权益映射规则 通过此次生态打通，Google AI 用户的订阅层级将自动匹配如下 ProducerAI 权益： • 免费用户 (Free)： 对应 ProducerAI Free（免费版） • AI Plus 订阅： 自动升级至 ProducerAI Starter • AI Pro 订阅： 自动升级至 ProducerAI Plus • AI Ultra 订阅： 自动升级至 ProducerAI Member 获取方式 用户只需前往 Google One 订阅相应的 AI 计划，并在登录授权时确保勾选了“Google One 的 OAuth 授权”，即可无缝激活该重磅权益。此次整合进一步降低了专业 AI 音乐制作的门槛，也标志着谷歌生态在创作工具领域的深度捆绑。 民谣音乐人陷“连环噩梦”：遭 AI 声音克隆冒名与恶意版权勒索 4 月 5 日，独立民谣音乐人 Murphy Campbell 近期遭遇了 AI 时代的典型系统性危机，接连遭到 AI 冒名顶替与“版权巨魔”的恶意勒索。 事件始末 今年 1 月，Campbell 惊觉 Spotify 上出现了并未由她发布的歌曲。经查证，有人提取了她在 YouTube 上的公开演唱音频，利用 AI “克隆”后冒名上传至各大流媒体平台。尽管她费尽周折维权并下架了部分假歌，但目前仍有使用她名字的虚假账号在 Spotify 上“逍遥法外”。 更荒谬的是，在此事被媒体曝光的当天，恶意攻击再度升级。一个名为“Murphy Rider”的账号通过发行商 Vydia，向 Campbell 在 YouTube 上的多个视频发起了虚假的 Content ID 版权认领，试图强行瓜分其视频收益。讽刺的是，被指控“侵权”的《In the Pines》等曲目，均是早已进入公有领域（Public Domain）的百年传统民谣。 尽管 Vydia 随后紧急撤销了这些荒谬的索赔并封禁了恶意账号，但这起事件彻底暴露了当下产业的脆弱性。正如 Campbell 所言，生成式 AI、自动化音乐发行机制与版权保护系统之间交织的漏洞，正为恶意滥用提供极大的便利，其背后的系统性危机远比想象中深远。 论文 🚀 以下是 3.31—4.6 期间发布的相关论文，已整理翻译 以下是 3.31—4.6 期间发布的相关论文，已整理翻译 TokenDance：基于双向 Mamba 的 Token 到 Token 音乐转舞蹈生成 摘要：音乐转舞蹈生成在虚拟现实、舞蹈教育和数字角色动画中有着广泛的应用。然而，现有 3D 舞蹈数据集的有限覆盖范围将当前模型局限于少部分音乐风格和编舞模式，导致对真实世界音乐的泛化能力较差。因此，生成的舞蹈往往过于简单和重复，极大地降低了表现力和真实感。为了解决这个问题，我们提出了 TokenDance，这是一个两阶段的音乐转舞蹈生成框架，通过双模态分词（Tokenization）和高效的 token 级生成明确地解决了这一局限性。在第一阶段，我们使用有限标量量化（Finite Scalar Quantization）对舞蹈和音乐进行离散化，其中舞蹈动作在运动学 动力学约束下被分解为上半身和下半身组件，而音乐则通过专用的码本（codebooks）分解为语义和声学特征，以捕捉特定于编舞的结构。在第二阶段，我们引入了一个基于双向 Mamba 主干的局部 全局 局部（Local Global Local）token 到 token 生成器，从而实现连贯的动作合成、强大的音舞对齐以及高效的非自回归推理。大量实验表明，TokenDance 在生成质量和推理速度上均达到了整体的当前最优（SOTA）性能，突显了其在真实世界音乐转舞蹈应用中的有效性和实用价值。 论文链接： https://arxiv.org/abs/2603.27314 CutClaw：通过音乐同步实现长达数小时视频的智能体化编辑 摘要：CutClaw 是一个自主的多智能体（multi agent）框架，它使用多模态语言模型将长视频素材自动编辑成节奏感强、叙事连贯且音画同步的短视频。在当今的社交媒体中，带有音频对齐的视频内容编辑已经成为一种数字人工艺术。然而，手动视频编辑耗时且重复的本质长期以来一直是电影制作人和专业内容创作者面临的挑战。在本文中，我们介绍了 CutClaw，这是一个旨在将长达数小时的原始素材编辑成有意义短视频的自主多智能体框架，它将多个多模态语言模型（MLLMs）的能力作为一个智能体系统来利用。它能生成带有同步音乐、遵循指令且视觉上具有吸引力的视频。具体而言，我们的方法首先采用层次化的多模态分解，捕捉视觉和音频素材中的细粒度细节和全局结构。然后，为了确保叙事的一致性，一个“剧本作家智能体（Playwriter Agent）”会策划整个叙事流程并构建长期叙事，将视觉场景与音乐的转换锚定在一起。最后，为了构建最终的短视频，“编辑者（Editor）”和“审查者（Reviewer）”智能体通过基于严格的美学和语义标准选择细粒度的视觉内容，协同优化最终的剪辑。我们进行了详细的实验，证明 CutClaw 在生成高质量、节奏对齐的视频方面显著优于现有的最先进基线。 论文链接： https://huggingface.co/papers/2603.29664 HumMusQA：一个由人类编写的音乐理解问答基准数据集 摘要：在大型音频语言模型（LALMs）中评估音乐理解能力需要一个严格定义的基准测试，以真正检验模型是否能够感知和解释音乐，而当前的数据方法往往无法满足这一标准。本文介绍了一种结构严密的音乐评估方法，提出了一个包含 320 个手动编写问题的新数据集，这些问题由受过音乐训练的专家精心策划和验证。我们认为，这种专注的、人工的策划在探究复杂的音频理解能力方面更具优势。为了展示该数据集的应用，我们对六个最先进的 LALM 进行了基准测试，并额外测试了它们对单模态捷径（uni modal shortcuts）的鲁棒性。 论文链接： https://arxiv.org/abs/2603.27877 跨古典与流行曲目的 Tonnetz（音网）调性连贯性历时建模 摘要：不同的音乐传统是如何实现调性连贯性的？迄今为止，大多数计算指标都是从单一维度分析调性连贯性，而多维度的分析尚未得到充分探索。我们提出了一个借鉴 Tonnetz（音网）概念的新模型——我们定义了两个部分独立的指标：调性焦点（tonal focus），即音高内容在调性中心附近的集中度；以及调性连接（tonal connection），即音高内容反映回到该中心的结构化音程路径的程度。通过对超过 2800 首西方古典和流行传统的作品进行分析，我们发现这些传统在二维空间中占据重叠但可区分的区域。流行音乐表现出更高的调性焦点，而古典音乐表现出更高的调性连接。我们的互补指标为不同调性风格之间的差异提供了量化证据，并为计算音乐分析和可控生成提供了可解释的维度。 论文链接： https://arxiv.org/abs/2603.27035 音乐结构分析中深度音频嵌入的无监督评估 摘要：音乐结构分析（MSA）旨在揭示音乐作品的高层组织结构。最先进的方法通常基于监督深度学习，但这些方法受限于对大量标注数据的需求以及固有的结构歧义。在本文中，我们提出在 MSA 任务上对九个开源的通用预训练深度音频模型进行无监督评估。对于每个模型，我们提取小节级别的嵌入（embeddings），并使用三种无监督分割算法（Foote 棋盘核、谱聚类和相关块匹配 (CBM)）对它们进行分割，专门专注于边界检索。我们的结果表明，现代通用深度嵌入通常优于传统的基于频谱图的基线，但并非绝对。此外，我们的无监督边界估计方法通常比最近的线性探测（linear probing）基线产生更强的性能。在评估的技术中，CBM 算法始终表现为最有效的下游分割方法。最后，我们强调了标准评估指标被人工夸大的问题，并主张系统地采用“修剪（trimming）”甚至“双重修剪（double trimming）”标注，以建立更严格的 MSA 评估标准。 论文链接： https://arxiv.org/abs/2603.27218 推进多乐器音乐转录：来自 2025 年 AMT 挑战赛的结果 摘要：本文介绍了 2025 年自动音乐转录（AMT）挑战赛的结果，这是一项旨在基准测试多乐器转录进展的在线竞赛。共有八支队伍提交了有效的解决方案；其中两支队伍超越了基线 MT3 模型。结果突显了转录准确性的进步，同时也指出了在处理复音（polyphony）和音色变化方面仍然存在的困难。最后，我们总结了未来挑战赛的发展方向：更广泛的流派覆盖以及对乐器检测的更强关注。 论文链接： https://arxiv.org/abs/2603.27528 构建用于可解释音乐标记的复合特征 摘要：结合多种音频特征可以提高音乐标记（music tagging）的性能，但常见的基于深度学习的特征融合方法往往缺乏可解释性。为了解决这个问题，我们提出了一种遗传编程（GP）流水线，该流水线通过对基础音乐特征进行数学组合，自动演化出复合特征，从而在保留可解释性的同时捕捉协同交互。这种方法提供了类似于深度特征融合的表示优势，而不会牺牲可解释性。在 MTG Jamendo 和 GTZAN 数据集上的实验表明，在不同抽象级别的基础特征集上，与最先进的系统相比，该方法实现了持续的改进。值得注意的是，大部分性能提升在最初的几百次 GP 评估中就能被观察到，这表明在适度的搜索预算下就可以识别出有效的特征组合。演化出的顶级表达式包括线性、非线性和条件形式，各种低复杂度的解决方案在达到最佳性能的同时，也符合偏好更简单表达式的简约原则。分析这些复合特征进一步揭示了哪些交互和变换往往对标记有益，提供了在黑盒深度模型中无法窥见的见解。 论文链接： https://arxiv.org/abs/2603.28644 生物力学约束下的钢琴和弦综合语料库：生成、分析及其对声部排列和心理声学的影响 摘要：我提出并分析了已知最大的受生物力学约束的开源可演奏钢琴和弦语料库（约 1930 万个条目）。该数据集以前所未有的程度枚举了受生物力学限制（两只手，每只手的跨度为 1.5 个八度）的双手搜索空间。为了展示该语料库的实用性，我们对声部排列（voicing）形状与心理声学目标之间的关系进行了建模。和声性（Harmonicity）被证明是音级身份（pitch class identity）的内在属性：声部排列统计带来的差异可以忽略不计（$\Delta R^2 \approx 0.014\%$， $p \approx 0.13$）。相反，声部排列显著预测了不协和度（dissonance）（$\Delta R^2 \approx 6.75\%$， $p \approx 0.0008$）。关键的是，偏度（skewness）（$\beta \approx +0.145$）在预测粗糙度（roughness）方面的有效性大约是跨度（spread）（$\beta \approx 0.025$）的 $5.8\times$。该分析挑战了教学上对“跨度”的强调：偏度是比跨度更强的不协和度预测因子。这表明，“开放声部排列”的清晰度较少受宽度驱动，而更多受负偏度影响；即通过在底部放置较大的间隙，并允许高音区有更密集的聚集来实现低音区的清晰度。结果表明，该语料库能够支持未来的研究，特别是在生成建模、声部连接拓扑（voice leading topology）和心理声学分析等领域。 论文链接： https://arxiv.org/abs/2603.29710 Woosh：一个音效基础模型 摘要：音频研究社区依赖于开源的生成模型作为构建新方法和建立基线的核心工具。在本报告中，我们介绍了 Woosh，这是 Sony AI 公开发布的音效基础模型，详细说明了其架构、训练过程以及与其他流行的开源模型的评估对比。为了针对音效进行优化，我们提供了：(1) 一个高质量的音频编码器/解码器模型；(2) 一个用于条件化生成的文本 音频对齐模型；连同 (3) 文本到音频和 (4) 视频到音频的生成模型。本次发布中还包含了蒸馏过的文本到音频和视频到音频模型，允许在低资源环境下运行并实现快速推理。我们在公开和私有数据上的评估表明，与 StableAudio Open 和 TangoFlux 等现有的开源替代方案相比，每个模块都展现出了具有竞争力或更好的性能。推理代码和模型权重已开源。 论文链接： https://arxiv.org/abs/2604.01929 使用递归特征机引导自回归音乐生成 摘要：可控的音乐生成仍然是一个重大挑战，现有的方法通常需要重新训练模型或引入可听见的伪影（artifacts）。我们引入了 MusicRFM，这是一个采用递归特征机（RFMs）的框架，通过直接引导冻结的、预训练的音乐模型的内部激活层，实现细粒度、可解释的控制。RFM 分析模型的内部梯度以产生可解释的“概念方向”，即激活空间中对应于音符或和弦等音乐属性的特定轴。我们首先训练轻量级的 RFM 探针以在 MusicGen 的隐藏状态中发现这些方向；然后，在推理期间，我们将它们注入回模型中，以实时引导生成过程，而无需进行每步优化。我们展示了用于这种控制的高级机制，包括动态、时变的调度方法，以及同时强制执行多个音乐属性的方法。我们的方法成功地在控制能力和生成质量之间取得了平衡：我们将生成目标音符的准确率从 0.23 提高到 0.82，而文本提示词的遵循度与未引导的基线相比保持在约 0.02 的差异范围内，证明了其在以极小程度影响提示词保真度的情况下实现了有效控制。我们发布了代码，以鼓励在音乐领域对 RFM 进行进一步探索。 论文链接： https://arxiv.org/abs/2510.19127 参考资料 https://x.com/Ali TongyiLab/status/2038609308750143762?s=20 https://techcrunch.com/2026/04/02/elevenlabs releases a new ai powered music generation app/?utm source=dlvr.it&utm medium=twitter https://musically.com/2026/04/02/us music bodies weigh in to publishers anthropic lawsuit/ https://www.digitalmusicnews.com/2026/04/02/tiktok soundon acrcloud partnership/ https://newsroom.tiktok.com/soundon partners with acrclouds new derivative works detection service?lang=en https://x.com/producer ai/status/2039752959438074241?s=20 https://www.theverge.com/entertainment/907111/murphy campbell folk music ai copyright https://x.com/unlimited ls/status/2040577536136974444?s=20 🏆 本文作者：Keen 链接：https://mp.weixin.qq.com/s/P5H1YjAaHpJyoe8Gv4ko4w 注：文中部分资讯有视频演示，如需观看请到上方原帖 本文作者：Keen 链接：https://mp.weixin.qq.com/s/P5H1YjAaHpJyoe8Gv4ko4w 注：文中部分资讯有视频演示，如需观看请到上方原帖 🚀 本周 AI 音乐资讯速览 🌐 阿里发布 Qwen3.5 Omni：解锁音视频直接编程与极致实时交互 🎧 ElevenLabs 推出 ElevenMusic：一站式 App 上线，全面对标 Suno 与 Udio ⚖️ 美权威机构声援 Anthropic 诉讼：集体发声驳斥 AI 训练“合理使用”谬论 🛡️ TikTok 严控变调侵权：旗下 SoundOn 部署全新衍生音频检测技术 💬 海绵音乐 Web 端大升级：对话式创作上线，V5.1 模型开启内测 🎁 ProducerAI 接入 Google AI：订阅用户免费解锁高阶音乐创作特权 🚨 独立音乐人陷“连环噩梦”：惨遭 AI 声音克隆冒名与恶意版权勒索 本周 AI 音乐资讯速览 🌐 阿里发布 Qwen3.5 Omni：解锁音视频直接编程与极致实时交互 🎧 ElevenLabs 推出 ElevenMusic：一站式 App 上线，全面对标 Suno 与 Udio ⚖️ 美权威机构声援 Anthropic 诉讼：集体发声驳斥 AI 训练“合理使用”谬论 🛡️ TikTok 严控变调侵权：旗下 SoundOn 部署全新衍生音频检测技术 💬 海绵音乐 Web 端大升级：对话式创作上线，V5.1 模型开启内测 🎁 ProducerAI 接入 Google AI：订阅用户免费解锁高阶音乐创作特权 🚨 独立音乐人陷“连环噩梦”：惨遭 AI 声音克隆冒名与恶意版权勒索 迈向全模态 AGI：Qwen3.5 Omni 重磅发布，解锁音视频直接编程与极致实时交互 3 月 30 日，Qwen 团队正式发布新一代全模态大模型 Qwen3.5 Omni。该系列包含 Plus、Flash 和 Light 三个版本，采用混合注意力 MoE 架构，支持高达 256k 的超长上下文，可一次性处理超 10 小时的音频或超 400 秒的 720P 音视频输入。 硬核突破与亮点 • 离线处理刷新 SOTA： Qwen3.5 Omni Plus 在 215 项音视频基准测试中登顶，通用音频理解与对话能力全面超越 Gemini 3.1 Pro。除了能生成带时间戳与人物关系解析的“剧本级”精细字幕外，它还涌现出了惊人的新能力——Audio Visual Vibe Coding（可直接根据音视频指令进行代码编写）。 • 极致的实时交互（Realtime API）： 模型支持更符合人类习惯的“原生语义打断”（智能过滤无意义杂音），并原生集成了联网搜索（WebSearch）、复杂函数调用、全链路语音控制（动态调节音量/语速/情感）及声音克隆功能。 • 多语言与流式稳定性： 独创的 ARIA 技术（自适应速率交织对齐）彻底解决了流式语音交互中的吞音与发音不清问题。搭配其支持的 113 种语言识别与 36 种语言生成，实现了真正自然流畅的拟人化交流。 Blog：https://qwen.ai/blog?id=qwen3.5 omni 对标 Suno 与 Udio！ElevenLabs 正式推出 AI 音乐生成应用 ElevenMusic 4 月 1 日，知名语音 AI 独角兽 ElevenLabs 正式上线了一款名为 ElevenMusic 的 iOS 应用程序。该应用巧妙融合了 AI 音乐生成与流媒体发现功能，标志着公司正全面对标 Suno 与 Udio，加速从单一的语音模型提供商向泛娱乐消费端平台转型。 核心功能与订阅