AI音乐周刊 W.A 013

AI音乐周刊 W.A 013 AI音乐周刊 W.A 013 Modified February 2 1 月 29 日，MiniMax 正式推出 Music 2.5 模型，旨在打破“录音棚”的物理门槛，实现 AI 音乐的专业化跃升。相比上一代，新版本在“段落级强控制”与“物理级高保真”两大维度取得突破性进展。 • Direct the Detail（精准控制）：开放 Intro、Hook、Bridge 等 14 种结构变体标签，支持用户在创作之初就设计情绪曲线与乐器配置，实现如编曲人般的段落级掌控。 • Define the Real（极致保真）： ◦ 华语优化：专为华语流行深度定制，咬字清晰，中英文混搭流畅，旋律更具传播性。 ◦ 拟真音质：还原人声颤音、转音及共鸣切换；自动适配复古、爵士等风格化混音；乐器库扩充至 100+ 种，并解决了声部混叠问题，达到录音室级分层。产品体验： 🔗国内链接：https://www.minimaxi.com/audio/music 🔗国外链接：https://www.minimax.io/audio/music API 接口：https://platform.minimaxi.com/docs/api reference/music generation 小编也做了MiniMax Music 2.5的相关测评刚刚，MiniMax 发布 Music 2.5！我拿这几首“变态”Prompt试了试... 海绵音乐 v5.0 正式发布：咬字更稳了，但生成门槛悄悄变高？ 1 月 29 日，海绵音乐平台正式上线了 v5.0 版本。虽然官方没有给出具体更新内容，但小编第一时间进行了实测，带大家看看核心变化： ✅ 亮点：告别“飘忽感”，质感升级最直观的感受是，新模型生成的歌曲在念词（咬字）方面稳定了许多。不再像旧版本那样听起来“轻飘飘”的，整体声音的厚度和扎实程度都有了明显提升。可以说，v5.0 的成曲质量确实比之前上了一个台阶。 ⚠️ 痛点：人声一致性与配器仍有遗憾在使用过程中，小编也发现了一些待改进的小毛病： • 人声跳戏：角色的一致性还不太稳，偶尔会出现一首歌里人声突然“性转”的情况。 • 配器塑料感：纯音乐方面的提升不算大，乐器质感依然带点“塑料味”，追求高品质编曲的朋友可能还得再等等。 📉 变化：生产力效率有所调整另外值得注意的是，海绵音乐的生成效率变慢了： • 产出缩水：之前一次能生成三首，现在调整为一次两首。 • 速度放缓：整体等待时间比以前长了一些。不过，好在这个工具目前依然维持免费使用，这点还是挺良心的。小编实测了两首新版本曲子，大家可以听听看效果： • 音频一 • 音频二产品体验 🔗链接：https://www.haimian.com/featured 打击 AI 刷量欺诈：Deezer 向行业开放 AI 音乐检测工具 1 月 30 日，流媒体服务商 Deezer 宣布将其内部研发的 AI 音乐检测工具正式向第三方企业开放授权。该工具旨在识别并标记 AI 生成音乐，将其从算法推荐中剔除，以打击日益严重的版税欺诈行为。 Deezer 透露，目前平台每日接收超过 60,000 首 AI 生成歌曲，占总上传量的 39%，较 2025 年 9 月翻了一番。更严峻的是，在 2025 年检测到的 AI 歌曲播放中，高达 85% 被判定为“欺诈性行为”（如机器刷量）。该工具据称拥有 99.8% 的检测准确率，去年已累计识别超 1340 万首 AI 曲目。Deezer CEO Alexis Lanternier 强调，开放该技术旨在保护人类艺术家的权益，确保欺诈性播放被“去货币化”，防止版税池被稀释。 ACE Step 1.5 即将发布：开源音乐生成新巅峰，单卡秒级出歌 No access acestep1.5视频 00:00 根据一位博主消息，ACE Studio 团队将于 2 月 3 日正式开源（MIT 协议）其最新一代音乐基础模型 ACE Step 1.5。该模型不仅在生成质量上宣称处于 Suno v4.5 与 v5 之间，更通过极致的性能优化，将商业级音乐生成能力带入了消费级硬件。 • 极速生成：在 A100 上生成完整歌曲仅需不到 2 秒，在 RTX 3090 上也仅需 10 秒，显存占用低于 4GB。 • 混合架构：创新性地结合了作为“全能规划者”的语言模型（LM）与扩散 Transformer（DiT）。LM 通过思维链（CoT）将简单指令转化为涵盖歌词、元数据的完整歌曲蓝图，并利用内在强化学习实现自我对齐，消除了外部奖励模型的偏见。除了标准的 50+ 语言生成，ACE Step 1.5 还支持轻量级 LoRA 训练（几首歌即可定制风格）以及翻唱、重绘、人声转背景乐（Vocal to BGM）等高级编辑功能，致力于无缝融入专业创作者的工作流。论文下面是 1.26 2.2 期间发布的 AI 音乐相关论文 MIDI RWKV：具有自适应能力的符号音乐填充模型摘要：现有的自动音乐生成工作大多集中在端到端的整曲生成或续写上，作曲家很难对其进行迭代修改。相比之下，将生成模型集成到现有创意工作流中的“计算机辅助作曲”领域仍未被充分探索。本研究致力于解决模型风格适应以及多轨道、长上下文且可控的符号音乐填充（Infilling）任务。作者提出了 MIDI RWKV，这是一个基于 RWKV 7 线性架构的小型基础模型，旨在实现边缘设备上的高效、连贯的音乐共创。研究表明，MIDI RWKV 可以在显存低于 4GB 的设备上运行，并支持一种有效的状态微调方法，能在极少样本的情况下实现风格适应。论文链接： https://arxiv.org/abs/2506.13001 用于自动人声模式分类的数据集摘要：完整声乐技术（CVT）将人声的使用分为四种模式：Neutral（中性）、Curbing（抑制）、Overdrive（过载）和 Edge（边缘）。自动分类这些模式对辅助声乐教学非常有帮助，但此前因缺乏数据进展缓慢。为此，研究团队录制了一个全新的数据集，包含 4 位歌手（其中 3 位拥有超过 5 年 CVT 经验的专业歌手）的 3,752 个独特样本，覆盖全音域。通过 4 个麦克风录制进行自然数据增强，总样本量超过 13,000 个。数据集包含专家标注，基准测试显示 ResNet18 模型在 5 折交叉验证中达到了 81.3% 的平衡准确率。论文链接： https://arxiv.org/abs/2601.18339 在钢琴演奏评估中，音频基础模型优于符号表示摘要：传统的自动钢琴演奏评估依赖于符号（MIDI）表示，这虽然捕捉了音符级信息，却丢失了表现力的声学细节。作者提出使用预训练的音频基础模型（具体为 MuQ 和 MERT）来预测钢琴演奏质量的 19 个感知维度。通过对比来自相同源数据的合成音频与 MIDI，结果显示最佳模型（MuQ + Pianoteq 数据增强）达到了 R² = 0.537，比符号基准（R² = 0.347）提升了 55%。统计分析证实，音频模型在所有 19 个维度上均显著优于符号模型。这表明音频表征本身已足够，音频符号融合带来的收益微乎其微。论文链接： https://arxiv.org/abs/2601.19029 基于预训练嵌入的可解释且感知对齐的音乐相似度计算摘要：为了让音乐检索系统能像人类听众一样判断歌曲相似度，作者研究了基于预训练嵌入的方法。研究发现，预训练的“文本音频”嵌入（如 CLAP 和 MuQ MuLan）在无需微调的情况下，就能在相似度任务上与现有的自监督方法相媲美。为了超越这一基准，作者提出了一种新方法：结合源分离技术与线性优化，利用 ABX 偏好数据对预训练嵌入进行感知对齐。该模型提供了可解释且可控的乐器级权重（Instrument wise weights），允许音乐制作人基于混合歌曲中的特定分轨（如鼓组或人声）来检索 Loop 或采样。论文链接： https://arxiv.org/abs/2601.19109 Pianoroll Event：一种新型的符号音乐乐谱表示法摘要：符号音乐表示是计算音乐学的一个核心挑战。基于网格的表示法虽然保留了时空对应关系，但编码效率低（数据稀疏）；离散事件表示法虽然紧凑，却难以捕捉结构不变性和空间局部性。为此，作者提出了 Pianoroll Event，这是一种结合了结构属性与编码效率的新型编码方案。它设计了四种互补的事件类型：帧事件（边界）、空隙事件（稀疏区）、模式事件（音符模式）和结构事件（元数据）。实验表明，该方法在编码效率上提升了 1.36 倍至 7.16 倍，且在多个自回归架构模型中，其生成质量在定量和定性评估上均优于基线方法。论文链接： https://arxiv.org/abs/2601.19951 Mix2Morph：从噪声混合中学习声音变形 (Morphing) 摘要：作者推出了 Mix2Morph，这是一个文本到音频的扩散模型，经过微调后无需专门的变形数据集即可执行声音变形。通过在高扩散时间步上对“带噪声的替代混合音频”进行微调，Mix2Morph 能生成稳定且感知连贯的变形效果。该研究特别关注“声音注入（Sound infusions）”这一子类任务：即以一种声音为主导（提供时间与结构），将另一种声音的音色和质感融入其中。客观评估与听力测试表明，该模型在生成高质量声音注入方面优于现有基线，为声音设计提供了更可控的工具。论文链接： https://arxiv.org/abs/2601.20426 MIDI LLaMA：用于符号音乐理解的指令跟随多模态大语言模型摘要：尽管多模态大模型（MLLM）在音频音乐理解方面进展迅速，但在符号音乐（Symbolic Music）领域仍是一片空白。本文推出了 MIDI LLaMA，这是首个用于符号音乐理解的指令跟随 MLLM。该方法通过两阶段管道（特征对齐与指令微调）将 MIDI 编码器 MusicBERT 与 Llama 3 8B 连接起来。作者还构建了一个大规模的 MIDI 文本数据集。实验显示，相比于基于 ABC 记谱法训练的基线模型，MIDI LLaMA 在乐曲描述生成和语义问答方面表现出显著优势，在情感识别、创造力和整体偏好的人类评估中也获得了更高评价。刚刚，MiniMax 发布 Music 2.5！我拿这几首“变态”Prompt试了试... 1 月 29 日，MiniMax 正式推出 Music 2.5 模型，旨在打破“录音棚”的物理门槛，实现 AI 音乐的专业化跃升。相比上一代，新版本在“段落级强控制”与“物理级高保真”两大维度取得突破性进展。 • Direct the Detail（精准控制）：开放 Intro、Hook、Bridge 等 14 种结构变体标签，支持用户在创作之初就设计情绪曲线与乐器配置，实现如编曲人般的段落级掌控。 • Define the Real（极致保真）： ◦ 华语优化：专为华语流行深度定制，咬字清晰，中英文混搭流畅，旋律更具传播性。 ◦ 拟真音质：还原人声颤音、转音及共鸣切换；自动适配复古、爵士等风格化混音；乐器库扩充至 100+ 种，并解决了声部混叠问题，达到录音室级分层。 ◦ 华语优化：专为华语流行深度定制，咬字清晰，中英文混搭流畅，旋律更具传播性。 ◦ 拟真音质：还原人声颤音、转音及共鸣切换；自动适配复古、爵士等风格化混音；乐器库扩充至 100+ 种，并解决了声部混叠问题，达到录音室级分层。产品体验： 🔗国内链接：https://www.minimaxi.com/audio/music 🔗国外链接：https://www.minimax.io/audio/music API 接口：https://platform.minimaxi.com/docs/api reference/music generation 小编也做了MiniMax Music 2.5的相关测评刚刚，MiniMax 发布 Music 2.5！我拿这几首“变态”Prompt试了试... 刚刚，MiniMax 发布 Music 2.5！我拿这几首“变态”Prompt试了试... 海绵音乐 v5.0 正式发布：咬字更稳了，但生成门槛悄悄变高？ 1 月 29 日，海绵音乐平台正式上线了 v5.0 版本。虽然官方没有给出具体更新内容，但小编第一时间进行了实测，带大家看看核心变化： ✅ 亮点：告别“飘忽感”，质感升级最直观的感受是，新模型生成的歌曲在念词（咬字）方面稳定了许多。不再像旧版本那样听起来“轻飘飘”的，整体声音的厚度和扎实程度都有了明显提升。可以说，v5.0 的成曲质量确实比之前上了一个台阶。 ⚠️ 痛点：人声一致性与配器仍有遗憾在使用过程中，小编也发现了一些待改进的小毛病： • 人声跳戏：角色的一致性还不太稳，偶尔会出现一首歌里人声突然“性转”的情况。 • 配器塑料感：纯音乐方面的提升不算大，乐器质感依然带点“塑料味”，追求高品质编曲的朋友可能还得再等等。 📉 变化：生产力效率有所调整另外值得注意的是，海绵音乐的生成效率变慢了： • 产出缩水：之前一次能生成三首，现在调整为一次两首。 • 速度放缓：整体等待时间比以前长了一些。不过，好在这个工具目前依然维持免费使用，这点还是挺良心的。小编实测了两首新版本曲子，大家可以听听看效果： • 音频一 • 音频二产品体验 🔗链接：https://www.haimian.com/featured 打击 AI 刷量欺诈：Deezer 向行业开放 AI 音乐检测工具 1 月 30 日，流媒体服务商 Deezer 宣布将其内部研发的 AI 音乐检测工具正式向第三方企业开放授权。该工具旨在识别并标记 AI 生成音乐，将其从算法推荐中剔除，以打击日益严重的版税欺诈行为。 Deezer 透露，目前平台每日接收超过 60,000 首 AI 生成歌曲，占总上传量的 39%，较 2025 年 9 月翻了一番。更严峻的是，在 2025 年检测到的 AI 歌曲播放中，高达 85% 被判定为“欺诈性行为”（如机器刷量）。该工具据称拥有 99.8% 的检测准确率，去年已累计识别超 1340 万首 AI 曲目。Deezer CEO Alexis Lanternier 强调，开放该技术旨在保护人类艺术家的权益，确保欺诈性播放被“去货币化”，防止版税池被稀释。 ACE Step 1.5 即将发布：开源音乐生成新巅峰，单卡秒级出歌 No access acestep1.5视频 00:00 No access acestep1.5视频 00:00 根据一位博主消息，ACE Studio 团队将于 2 月 3 日正式开源（MIT 协议）其最新一代音乐基础模型 ACE Step 1.5。该模型不仅在生成质量上宣称处于 Suno v4.5 与 v5 之间，更通过极致的性能优化，将商业级音乐生成能力带入了消费级硬件。 • 极速生成：在 A100 上生成完整歌曲仅需不到 2 秒，在 RTX 3090 上也仅需 10 秒，显存占用低于 4GB。 • 混合架构：创新性地结合了作为“全能规划者”的语言模型（LM）与扩散 Transformer（DiT）。LM 通过思维链（CoT）将简单指令转化为涵盖歌词、元数据的完整歌曲蓝图，并利用内在强化学习实现自我对齐，消除了外部奖励模型的偏见。除了标准的 50+ 语言生成，ACE Step 1.5 还支持轻量级 LoRA 训练（几首歌即可定制风格）以及翻唱、重绘、人声转背景乐（Vocal to BGM）等高级编辑功能，致力于无缝融入专业创作者的工作流。论文下面是 1.26 2.2 期间发布的 AI 音乐相关论文 MIDI RWKV：具有自适应能力的符号音乐填充模型摘要：现有的自动音乐生成工作大多集中在端到端的整曲生成或续写上，作曲家很难对其进行迭代修改。相比之下，将生成模型集成到现有创意工作流中的“计算机辅助作曲”领域仍未被充分探索。本研究致力于解决模型风格适应以及多轨道、长上下文且可控的符号音乐填充（Infilling）任务。作者提出了 MIDI RWKV，这是一个基于 RWKV 7 线性架构的小型基础模型，旨在实现边缘设备上的高效、连贯的音乐共创。研究表明，MIDI RWKV 可以在显存低于 4GB 的设备上运行，并支持一种有效的状态微调方法，能在极少样本的情况下实现风格适应。论文链接： https://arxiv.org/abs/2506.13001 用于自动人声模式分类的数据集摘要：完整声乐技术（CVT）将人声的使用分为四种模式：Neutral（中性）、Curbing（抑制）、Overdrive（过载）和 Edge（边缘）。自动分类这些模式对辅助声乐教学非常有帮助，但此前因缺乏数据进展缓慢。为此，研究团队录制了一个全新的数据集，包含 4 位歌手（其中 3 位拥有超过 5 年 CVT 经验的专业歌手）的 3,752 个独特样本，覆盖全音域。通过 4 个麦克风录制进行自然数据增强，总样本量超过 13,000 个。数据集包含专家标注，基准测试显示 ResNet18 模型在 5 折交叉验证中达到了 81.3% 的平衡准确率。论文链接： https://arxiv.org/abs/2601.18339 在钢琴演奏评估中，音频基础模型优于符号表示摘要：传统的自动钢琴演奏评估依赖于符号（MIDI）表示，这虽然捕捉了音符级信息，却丢失了表现力的声学细节。作者提出使用预训练的音频基础模型（具体为 MuQ 和 MERT）来预测钢琴演奏质量的 19 个感知维度。通过对比来自相同源数据的合成音频与 MIDI，结果显示最佳模型（MuQ + Pianoteq 数据增强）达到了 R² = 0.537，比符号基准（R² = 0.347）提升了 55%。统计分析证实，音频模型在所有 19 个维度上均显著优于符号模型。这表明音频表征本身已足够，音频符号融合带来的收益微乎其微。论文链接： https://arxiv.org/abs/2601.19029 基于预训练嵌入的可解释且感知对齐的音乐相似度计算摘要：为了让音乐检索系统能像人类听众一样判断歌曲相似度，作者研究了基于预训练嵌入的方法。研究发现，预训练的“文本音频”嵌入（如 CLAP 和 MuQ MuLan）在无需微调的情况下，就能在相似度任务上与现有的自监督方法相媲美。为了超越这一基准，作者提出了一种新方法：结合源分离技术与线性优化，利用 ABX 偏好数据对预训练嵌入进行感知对齐。该模型提供了可解释且可控的乐器级权重（Instrument wise weights），允许音乐制作人基于混合歌曲中的特定分轨（如鼓组或人声）来检索 Loop 或采样。论文链接： https://arxiv.org/abs/2601.19109 Pianoroll Event：一种新型的符号音乐乐谱表示法摘要：符号音乐表示是计算音乐学的一个核心挑战。基于网格的表示法虽然保留了时空对应关系，但编码效率低（数据稀疏）；离散事件表示法虽然紧凑，却难以捕捉结构不变性和空间局部性。为此，作者提出了 Pianoroll Event，这是一种结合了结构属性与编码效率的新型编码方案。它设计了四种互补的事件类型：帧事件（边界）、空隙事件（稀疏区）、模式事件（音符模式）和结构事件（元数据）。实验表明，该方法在编码效率上提升了 1.36 倍至 7.16 倍，且在多个自回归架构模型中，其生成质量在定量和定性评估上均优于基线方法。论文链接： https://arxiv.org/abs/2601.19951 Mix2Morph：从噪声混合中学习声音变形 (Morphing) 摘要：作者推出了 Mix2Morph，这是一个文本到音频的扩散模型，经过微调后无需专门的变形数据集即可执行声音变形。通过在高扩散时间步上对“带噪声的替代混合音频”进行微调，Mix2Morph 能生成稳定且感知连贯的变形效果。该研究特别关注“声音注入（Sound infusions）”这一子类任务：即以一种声音为主导（提供时间与结构），将另一种声音的音色和质感融入其中。客观评估与听力测试表明，该模型在生成高质量声音注入方面优于现有基线，为声音设计提供了更可控的工具。论文链接： https://arxiv.org/abs/2601.20426 MIDI LLaMA：用于符号音乐理解的指令跟随多模态大语言模型摘要：尽管多模态大模型（MLLM）在音频音乐理解方面进展迅速，但在符号音乐（Symbolic Music）领域仍是一片空白。本文推出了 MIDI LLaMA，这是首个用于符号音乐理解的指令跟随 MLLM。该方法通过两阶段管道（特征对齐与指令微调）将 MIDI 编码器 MusicBERT 与 Llama 3 8B 连接起来。作者还构建了一个大规模的 MIDI 文本数据集。实验显示，相比于基于 ABC 记谱法训练的基线模型，MIDI LLaMA 在乐曲描述生成和语义问答方面表现出显著优势，在情感识别、创造力和整体偏好的人类评估中也获得了更高评价。论文链接： https://arxiv.org/abs/2601.21740 音乐抄袭检测：问题定义与基于片段的解决方案摘要：音乐抄袭已成为日益严峻的社会问题。然而，许多现有研究（包括作者此前的工作）并未清晰定义“音乐抄袭检测”这一任务的具体内涵，导致研究进展缓慢且难以应用。本文明确界定了音乐抄袭检测与其他音乐信息检索（MIR）任务的区别，并阐述了需要解决的核心问题。为了支持这一新定义的任务，作者引入了“相似音乐对（Similar Music Pair）”数据集，并提出了一种基于片段转录（Segment transcription）的检测方法作为解决方案。论文链接： https://arxiv.org/abs/2601.21260 预训练大语言模型在符号音乐中能走多远？监督适应与基于偏好适应的受控比较研究摘要：音乐通常与语言有着显著的相似之处，这激发了利用预训练大语言模型（LLMs）进行符号音乐理解和生成的动机。尽管人们对此兴趣日益浓厚，但将经过指令微调（instruction tuned）的 LLM 适配于符号音乐的实际效果仍未得到充分的界定。我们针对基于 ABC 记谱法的生成和理解任务，提出了一项关于微调策略的受控对比研究。我们对比了现成的指令微调基座模型、经过领域适配的变体模型以及一个专门针对音乐的 LLM 基线模型。通过跨越多个符号音乐语料库和评估指标的测试，我们为符号音乐应用中的适配选择提供了一些见解。我们重点强调了“领域适配”与“保留先验信息”之间的权衡，以及用于衡量符号音乐领域适配程度的评估指标所表现出的独特行为。论文链接： https://arxiv.org/abs/2601.22764 参考资料 https://www.musicbusinessworldwide.com/umg concord and abkco sue anthropic for 3bn in what could be single largest non class action copyright case in us history/ https://www.digitalmusicnews.com/2026/01/28/napster ai music creation rollout/ https://www.reddit.com/r/SunoAI/comments/1qop1tm/turn any sound you like into a song with sample/ https://mp.weixin.qq.com/s/p9d1WCjxae1EJhaIJ qReg https://mp.weixin.qq.com/s/hy1RzvAytRSxX63qodEExw https://www.theverge.com/news/870186/deezer ai music detection commercially available https://ace step.github.io/ace step v1.5.github.io/ https://x.com/realmrfakename/status/2017806162645946602?s=20 https://x.com/wildmindai/status/2017657147123728738?s=20 🏆 本文作者：智音Brook 链接：https://mp.weixin.qq.com/s/xZc9eVIn8wVo7rdjYIQ Iw 本文作者：智音Brook 链接：https://mp.weixin.qq.com/s/xZc9eVIn8wVo7rdjYIQ Iw 💫 本周 AI 音乐资讯速览 ⚖️ 版权与商业 • 环球音乐再次重拳出击，向 Anthropic 索赔 30 亿美元； • Deezer 开放检测工具打击 AI 刷量； • Napster 彻底抛弃传统曲库，转型 AI 共创平台。 🎹 神器扎堆 • Suno 上线 Sample 功能，重塑采样玩法； • 国产模型集体爆发——昆仑天工 Mureka V8 携手太合音乐定义“新品类”，MiniMax 2.5 死磕精准控制与高保真，海绵音乐 v5.0 质感升级。 🚀 开源预告 • ACE Step 1.5 即将开源，号称单卡秒级出歌，挑战商业级质量。本周 AI 音乐资讯速览 ⚖️ 版权与商业 • 环球音乐再次重拳出击，向 Anthropic 索赔 30 亿美元； • Deezer 开放检测工具打击 AI 刷量； • Napster 彻底抛弃传统曲库，转型 AI 共创平台。 🎹 神器扎堆 • Suno 上线 Sample 功能，重塑采样玩法； • 国产模型集体爆发——昆仑天工 Mureka V8 携手太合音乐定义“新品类”，MiniMax 2.5 死磕精准控制与高保真，海绵音乐 v5.0 质感升级。 🚀 开源预告 • ACE Step 1.5 即将开源，号称单卡秒级出歌，挑战商业级质量。 UMG 再次起诉 Anthropic：索赔 30 亿美元，指控“无耻”盗用 2 万首歌曲 1 月 28 日，以环球音乐版权集团（UMPG）、Concord 和 ABKCO 为首的音乐出版商联盟，向 AI 巨头 Anthropic 提起第二轮重磅诉讼。原告指控其涉嫌侵犯超过 20,000 首歌曲的版权，并寻求高达 30 亿美元的法定赔偿。原告方称，这可能是美国历史上规模最大的非集体版权诉讼。诉状披露了惊人细节：原告指控 Anthropic 创始人曾亲自通过 BitTorrent 从盗版网站（如 LibGen）非法下载数百万份包含歌词的书籍。原告斥责这种行为是“持续且无耻的”，指控 Anthropic 在明知侵权的情况下，仍利用这些“脏数据”训练 Claude 模型。相比 2023 年仅涉及 500 首作品的首次诉讼，此次行动标志着矛盾的急剧升级。尽管 UMG 已与 Udio、KLAY 等公司达成许可协议，但他们强调 AI 发展必须建立在尊重版权和付费的基础上。 Napster 重磅转型：抛弃传统版权库，All in“共创型”AI 音乐生态 1 月 28 日，昔日 P2P 共享鼻祖、现转型为“具身智能与 Agent AI”创新公司的 Napster，宣布推出彻底重构的移动端 App。此次更新标志着公司战略的根本性转变：全面拥抱 AI，打造一个集音乐、播客与身心健康于一体的 AI 驱动平台。新版 App 不再提供传统唱片公司的授权音乐，也没有固定歌单。取而代之的是一个完全基于 AI 模型构建的宇宙，用户可与虚拟的“Napster Companions”互动，实时“共创”音乐。 Napster CEO John Acunto 宣称：“被动消费的时代已终结。”Napster 旨在打破边界，让粉丝从听众变为创作者，利用 AI 塑造新时代的个性化原声带。该生态还支持网页端、Mac 端以及通过专用硬件 Napster View 进行多维交互。 Suno 重磅新功能：Sample（采样），像制作人一样“玩”音乐！ 1月28日，Suno 正式推出 Sample 功能，这不仅仅是翻唱，而是让你像嘻哈制作人一样，将任何声音“切片”并重构成全新的乐章。 ✨ 核心亮点： • 智能重组：不同于 Cover 的整体模仿，Sample 会“创造性聆听”你的素材（录音、文件或旧曲），提取高光片段（如吉他 Riff 或人声），将其打碎并编织进全新的节奏中。 • 创作秘籍：官方建议截取 30秒至1分钟的长片段，给予 AI 更多自由去挑选和布局；若只需特定音效，则选择 15秒以内的短片段。 • 精准控制：利用 Audio Influence 滑块与风格（Style）对抗——滑块拉得越高，新歌就越保留原素材的特征。目前该功能已向全员开放 Beta 测试，可在 Remix/Edit 功能页使用，无论是废曲利用还是生活噪音，都能变成你的下一首热单！🚀 官方演示教程：https://youtu.be/0PBabFGbSDQ?si=zuuEU4gk4rKTvcHa 昆仑天工 Mureka V8 重磅发布：定义 AI 音乐“新品类”，携手太合共建生态 1 月 28日，昆仑天工正式发布 Mureka V8 音乐大模型，并提出“AI 音乐即新品类”的核心理念。发布会通过展示由 AI 全流程创作的女团 M:RA 作品，宣告 Mureka 已具备生成“可直接发布”级商业音乐的能力。模型基于进阶的 MusiCoT (Music Chain of Thought) 技术，Mureka V8 在音乐结构、人声表现力及混音质感上实现了质的飞跃。模型打破了“一次性生成”的局限，支持创作者通过多轮对话与细节调整，像专业制作人一样打磨作品。在发布会现场，昆仑万维与太合音乐集团签署战略合作，正式将 AI 引入主流音乐产业链。同时，Mureka 宣布面向开发者开放 API 并即将推出专业版 AI Studio，致力于构建全球领先的 AI 音乐平台，打造 AI 时代的“Spotify”。产品体验 🔗国内链接：https://www.mureka.cn/ 🔗国外链接：https://www.mureka.ai/create API接口：https://platform.mureka.cn/ 小编也做了Mureka V8的相关测评真实测评！Mureka V8 大战 Suno、Minimax，结果竟然“全线溃败”？真实测评！Mureka V8 大战 Suno、Minimax，结果竟然“全线溃败”？ MiniMax Music 2.5 发布：从“可控”到“保真”