AI音乐周刊 W.A 014

AI音乐周刊 W.A 014 AI音乐周刊 W.A 014 Modified February 9 2 月 5 日，音乐科技公司 ROLI 正式推出 AI Music Coach（昵称 "Roli"），标志着其音乐学习生态迈入“双向交互”新时代。该功能深度集成了 Airwave 红外相机技术，不仅能识别音符，更能通过机器视觉“看清”用户的手部姿态与演奏细节。 功能亮点 • 视觉纠错： 区别于传统 MIDI 教学，AI 教练能针对“如何弹”提供关于指法与技巧的精准反馈。 • 自然对话： 支持 40 种语言的实时语音交互，用户无需识谱，即可通过对话获得如同真人私教般的定制化指导。 ROLI CEO Roland Lamb 强调，这是用 AI 赋能人类音乐性的反“AI 垃圾”实践。目前，Airwave 用户可申请参与 2 月 5 日开启的封闭测试，公开测试版将于 3 月底正式上线。 Suno Studio 1.2 重磅更新 2月6日，Suno Studio 发布1.2版本，核心功能整理如下： 1️⃣ 去除特效 / 获取干声 (Remove FX / Dry Stems) • 功能：可以直接去除生成音频中的混响（Reverb），获得纯净的“干声”分轨。 • 亮点：系统会生成两个干声版本供选择，非常适合导出到 DAW 里进行专业混音。 2️⃣ 时间伸缩与 Warp 标记 (Time stretching) • 功能：新增类似专业 DAW 的“Warp 标记”，拖拽即可精细调整音频的时机（Timing）和律动。 • 亮点：支持量化（Quantize）功能，一键将音频对齐到 1/4、1/8 等网格，修复节拍不准的问题。 3️⃣ 多拍号支持 (Time Signature) • 功能：打破了仅支持 4/4 拍的限制，现在支持 3/4、6/8 等多种拍号。 • 亮点：网格显示会随拍号改变，创作华尔兹或其他特殊节奏风格更方便了。 4️⃣ 备选版本管理 (Alternates) • 功能：同一轨道内可试听所有备选版本（Takes），未听过的会有红点标记。 • 亮点：遇到满意的可以一键“复制到主轨道”，也可以隐藏不需要的版本，工作台更清爽。 智声悦合旗下AI音乐工具YooHe公测正式开启 2月7日，智声悦合（杭州）科技有限公司旗下全新AI音乐平台YooHe正式开启公测，一站式提供AI音乐创作、生成、编辑与分轨处理服务。 平台首发集成ACE STEP 1.5模型，可精准分离38种独立音轨（人声、鼓、贝斯、吉他、旋律等），远超传统分轨精度。 YooHe定位为音乐制作人、内容创作者、游戏音频团队的效率工具，支持文本生成音乐、风格迁移、伴奏分离、混音辅助等功能，与旗下成熟AI配音产品DubbingX深度联动。 DubbingX会员用户入驻即获YooHe积分与专属克隆位，降低音乐制作门槛。 作为国内领先AI音频公司智声悦合的最新力作，YooHe公测阶段免费开放，旨在让每位用户轻松掌控音乐创作，未来将持续迭代多轨编辑、实时协作、商用授权等高级功能，助力中文音乐内容生态升级。 链接：https://www.yoohe.net/login?inviteCode=ac5e0323 Metamorph 1.1 重磅登场：RVC 自定义模型开启 AutoTune 家族成员 Metamorph 迎来 1.1 版本更新。 核心更新要点： • RVC 模型全兼容： 核心重磅更新！现在你可以直接导入社区 RVC 模型或个人训练模型，并支持自定义模型名称与色彩标签，实现个性化音色库管理。 • 智能音域匹配： 告别违和感。新功能可自动解析源素材，并智能映射至目标模型的黄金音域，确保高低音转换依然自然丝滑。 • 交互逻辑升级： 引入全全局“拖拽”机制，音频样本即拖即用，大幅缩短从灵感到成片的处理路径。 获取方式： Metamorph 正版用户及 AutoTune Unlimited 订阅用户现可免费升级。 链接：https://www.antarestech.com/products/creative vocal effects/metamorph 论文 下面是2月3日 2月9日有关AI音乐方向的论文 利用 Whisper 嵌入进行基于音频的歌词匹配 摘要： 基于音频的歌词匹配是其他基于内容的检索方法的一种有吸引力的替代方案，但现有方法通常面临复现性有限和基线不一致的问题。在这项工作中，我们介绍了 WEALY，这是一个完全可复现的流程，利用 Whisper 解码器嵌入来处理歌词匹配任务。WEALY 建立了稳健且透明的基线，同时探索了整合文本和声学特征的多模态扩展。通过在标准数据集上进行的广泛实验，我们证明 WEALY 达到了与那些缺乏复现性的最先进（SOTA）方法相当的性能。此外，我们还提供了关于语言鲁棒性、损失函数和嵌入策略的消融研究与分析。这项工作为未来的研究提供了一个可靠的基准，并强调了语音技术在音乐信息检索任务中的潜力。 论文：https://arxiv.org/abs/2510.08176 ACE Step 1.5：拓展开源音乐生成的边界 摘要： 我们推出了 ACE Step v1.5，这是一款高效的开源音乐基础模型，旨在将商业级的生成能力带入消费级硬件。在常用的评估指标上，ACE Step v1.5 的质量超越了大多数商业音乐模型，同时保持极快的生成速度——在 A100 上生成一首完整歌曲不到 2 秒，在 RTX 3090 上不到 10 秒。该模型可在显存低于 4GB 的本地设备上运行，并支持轻量级个性化定制：用户仅需几首歌即可通过训练 LoRA 捕捉自己的风格。其核心在于一种新颖的混合架构，语言模型（LM）充当全能规划者：它通过思维链（Chain of Thought）将简单的用户查询转化为涵盖短 Loop 到 10 分钟长曲的综合歌曲蓝图，并合成元数据、歌词和说明以指导扩散 Transformer（DiT）。独特的是，这种对齐是通过仅依赖模型内部机制的内在强化学习实现的，从而消除了外部奖励模型或人类偏好固有的偏差。除了标准合成外，ACE Step v1.5 还统一了精确的风格控制与多样的编辑能力（如翻唱、重绘和人声转背景乐），并严格遵循 50 多种语言的提示词。这为无缝集成到音乐艺术家、制作人和内容创作者工作流中的强大工具铺平了道路。 论文链接： https://arxiv.org/abs/2602.00744 针对音乐扩散模型的成员推理攻击：基于生成流形扰动 摘要： 成员推理攻击（MIAs）用于测试特定音频片段是否被用于训练模型，是审查生成式音乐模型版权合规性的关键工具。然而，基于损失的信号（如重建误差）在实践中与人类感知对齐较弱，导致在取证所需的低误报率（FPR）下分离度较差。我们提出了潜在稳定性对抗探测（LSA Probe），这是一种白盒方法，用于测量反向扩散过程的几何属性：在中间扩散状态下跨越固定感知退化阈值所需的最小时间归一化扰动预算。我们表明，训练数据（成员）位于更稳定的区域，因此表现出显著更高的退化成本。 论文链接： https://arxiv.org/abs/2602.01645 当噪声降低损失时：重新思考音乐大语言模型中基于似然的评估 摘要： 随着音乐大语言模型（LLMs）的兴起，需要稳健的方法来评估输出质量，特别是区分高质量作品与“垃圾音乐”。奇怪的是，我们观察到标准交叉熵损失（核心训练指标）在模型遇到系统性损坏的音乐时经常下降，破坏了其作为独立质量指标的有效性。为了调查这一悖论，我们引入了噪声注入实验，将不同长度的受控噪声信号注入音乐上下文中。我们假设模型损失对这些扰动的正向反应，特别是对短注入的急剧增加（“峰值”区域），可以作为其辨别音乐完整性能力的代理。在音频波形域中使用 MusicGen 模型进行的实验证实，音乐 LLM 对局部、纹理层面的破坏比对全局语义腐败的反应更强烈。除了揭示这种偏差外，我们的结果强调了一个新原则：损失曲线的形状（而非其绝对值）编码了关于生成内容质量（即模型行为）的关键信息。我们设想这种基于轮廓的评估作为一种无标签、模型内在的框架来评估音乐质量——为更具原则性的训练目标和更敏锐的基准测试打开大门。 论文链接： https://arxiv.org/abs/2602.02738 利用音乐元数据 LLM 重新思考音乐描述生成 摘要： 音乐描述生成（Music Captioning），即生成音乐的自然语言描述的任务，对音乐理解和可控音乐生成都很有用。然而，训练描述生成模型通常需要高质量的音乐描述数据，这比元数据（如流派、情绪等）更为稀缺。因此，通常使用大语言模型（LLM）从元数据合成描述来生成训练数据，但这会强加固定的风格化，并将事实信息与自然语言风格纠缠在一起。作为一种更直接的方法，我们提出了基于元数据的描述生成。我们训练一个元数据预测模型来从音频推断详细的音乐元数据，然后在推理时通过预训练的 LLM 将其转换为富有表现力的描述。与基于 LLM 从元数据生成的描述训练的强大端到端基线相比，我们的方法：（1）在更少的训练时间内取得了可比的性能；（2）提供了训练后轻松更改风格化的灵活性，使输出描述能够针对特定的风格和质量要求进行定制；（3）可以通过音频和部分元数据进行提示，从而实现强大的元数据补全或填充——这是组织音乐数据的常见任务。 论文链接： https://arxiv.org/abs/2602.03023 D3PIA：基于主旋律谱生成钢琴伴奏的离散去噪扩散模型 摘要： 在符号音乐领域生成钢琴伴奏是一项具有挑战性的任务，需要根据给定的旋律和和弦约束（如主旋律谱提供的那样）生成完整的钢琴曲。在本文中，我们提出了 D3PIA，一种基于离散扩散的钢琴伴奏生成模型，利用钢琴卷帘表示中主旋律谱与伴奏之间的局部对齐。D3PIA 结合了邻域注意力（Neighborhood Attention, NA）来编码主旋律谱并将其作为条件来预测钢琴伴奏中的音符状态。这种设计通过有效地关注附近的旋律和和弦条件，增强了局部上下文建模。我们使用 POP909 数据集（钢琴伴奏生成的广泛基准）评估了我们的模型。客观评估结果表明，与基于连续扩散和 Transformer 的基线相比，D3PIA 更忠实地保留了和弦条件。此外，主观听力测试表明，D3PIA 生成的伴奏比对比模型在音乐上更连贯。 论文链接： https://arxiv.org/abs/2602.03523 BASS：用于评估音频语言模型音乐结构与语义推理能力的基准 摘要： 音乐理解是一项复杂的任务，通常需要对音频的结构和语义元素进行推理。我们推出了 BASS，旨在评估音频语言模型在四大类中的音乐理解和推理能力：结构分割、歌词转录、音乐学分析和艺术家合作。BASS 包含跨越 12 个任务的 2658 个问题，涉及 1993 首独特歌曲，覆盖 138 小时以上的各种流派和曲目，旨在评估现实场景中的音乐学知识和推理能力。我们评估了 14 个开源和前沿的多模态 LM，发现即使是最先进的模型在结构分割和艺术家合作等更高级别的推理任务上也表现挣扎，而在歌词转录方面表现最佳。我们的分析表明，当前模型有效地利用了语言先验，但在对音乐结构、人声和音乐学属性进行推理方面仍然有限。BASS 提供了一个具有广泛应用（如音乐推荐和搜索）的评估框架，并有潜力指导音频 LM 的发展。 论文链接： https://arxiv.org/abs/2602.04085 广播监控中的 AI 生成音乐检测 摘要： AI 音乐生成器已发展到其输出通常与人类作品无法区分的地步。虽然检测方法已经出现，但它们通常是在具有干净、全长曲目的音乐流媒体背景下设计和验证的。然而，广播音频构成了不同的挑战：音乐以短片段形式出现，经常被主要语音掩盖，现有检测器在这种情况下会失效。在这项工作中，我们介绍了 AI OpenBMAT，这是首个专为广播风格 AI 音乐检测定制的数据集。它包含 3,294 个一分钟的音频片段（54.9 小时），遵循真实电视音频的时长模式和响度关系，结合了人工制作的制作音乐和使用 Suno v3.5 生成的风格匹配续作。我们对 CNN 基线和最先进的 SpectTTTra 模型进行了基准测试，以评估信噪比（SNR）和时长鲁棒性，并在全广播场景中进行了评估。在所有设置中，在流媒体场景中表现出色的模型都遭受了严重的性能下降，当音乐处于背景中或时长较短时，F1 分数降至 60% 以下。这些结果强调了语音掩盖和短音乐长度是 AI 音乐检测面临的关键开放挑战，并将 AI OpenBMAT 定位为开发能够满足工业广播要求的检测器的基准。 论文链接： https://arxiv.org/abs/2602.06823 参考资料 2 月 5 日，音乐科技公司 ROLI 正式推出 AI Music Coach（昵称 "Roli"），标志着其音乐学习生态迈入“双向交互”新时代。该功能深度集成了 Airwave 红外相机技术，不仅能识别音符，更能通过机器视觉“看清”用户的手部姿态与演奏细节。 功能亮点 • 视觉纠错： 区别于传统 MIDI 教学，AI 教练能针对“如何弹”提供关于指法与技巧的精准反馈。 • 自然对话： 支持 40 种语言的实时语音交互，用户无需识谱，即可通过对话获得如同真人私教般的定制化指导。 ROLI CEO Roland Lamb 强调，这是用 AI 赋能人类音乐性的反“AI 垃圾”实践。目前，Airwave 用户可申请参与 2 月 5 日开启的封闭测试，公开测试版将于 3 月底正式上线。 Suno Studio 1.2 重磅更新 2月6日，Suno Studio 发布1.2版本，核心功能整理如下： 1️⃣ 去除特效 / 获取干声 (Remove FX / Dry Stems) • 功能：可以直接去除生成音频中的混响（Reverb），获得纯净的“干声”分轨。 • 亮点：系统会生成两个干声版本供选择，非常适合导出到 DAW 里进行专业混音。 2️⃣ 时间伸缩与 Warp 标记 (Time stretching) • 功能：新增类似专业 DAW 的“Warp 标记”，拖拽即可精细调整音频的时机（Timing）和律动。 • 亮点：支持量化（Quantize）功能，一键将音频对齐到 1/4、1/8 等网格，修复节拍不准的问题。 3️⃣ 多拍号支持 (Time Signature) • 功能：打破了仅支持 4/4 拍的限制，现在支持 3/4、6/8 等多种拍号。 • 亮点：网格显示会随拍号改变，创作华尔兹或其他特殊节奏风格更方便了。 4️⃣ 备选版本管理 (Alternates) • 功能：同一轨道内可试听所有备选版本（Takes），未听过的会有红点标记。 • 亮点：遇到满意的可以一键“复制到主轨道”，也可以隐藏不需要的版本，工作台更清爽。 智声悦合旗下AI音乐工具YooHe公测正式开启 2月7日，智声悦合（杭州）科技有限公司旗下全新AI音乐平台YooHe正式开启公测，一站式提供AI音乐创作、生成、编辑与分轨处理服务。 平台首发集成ACE STEP 1.5模型，可精准分离38种独立音轨（人声、鼓、贝斯、吉他、旋律等），远超传统分轨精度。 YooHe定位为音乐制作人、内容创作者、游戏音频团队的效率工具，支持文本生成音乐、风格迁移、伴奏分离、混音辅助等功能，与旗下成熟AI配音产品DubbingX深度联动。 DubbingX会员用户入驻即获YooHe积分与专属克隆位，降低音乐制作门槛。 作为国内领先AI音频公司智声悦合的最新力作，YooHe公测阶段免费开放，旨在让每位用户轻松掌控音乐创作，未来将持续迭代多轨编辑、实时协作、商用授权等高级功能，助力中文音乐内容生态升级。 链接：https://www.yoohe.net/login?inviteCode=ac5e0323 Metamorph 1.1 重磅登场：RVC 自定义模型开启 AutoTune 家族成员 Metamorph 迎来 1.1 版本更新。 核心更新要点： • RVC 模型全兼容： 核心重磅更新！现在你可以直接导入社区 RVC 模型或个人训练模型，并支持自定义模型名称与色彩标签，实现个性化音色库管理。 • 智能音域匹配： 告别违和感。新功能可自动解析源素材，并智能映射至目标模型的黄金音域，确保高低音转换依然自然丝滑。 • 交互逻辑升级： 引入全全局“拖拽”机制，音频样本即拖即用，大幅缩短从灵感到成片的处理路径。 获取方式： Metamorph 正版用户及 AutoTune Unlimited 订阅用户现可免费升级。 链接：https://www.antarestech.com/products/creative vocal effects/metamorph 论文 下面是2月3日 2月9日有关AI音乐方向的论文 利用 Whisper 嵌入进行基于音频的歌词匹配 摘要： 基于音频的歌词匹配是其他基于内容的检索方法的一种有吸引力的替代方案，但现有方法通常面临复现性有限和基线不一致的问题。在这项工作中，我们介绍了 WEALY，这是一个完全可复现的流程，利用 Whisper 解码器嵌入来处理歌词匹配任务。WEALY 建立了稳健且透明的基线，同时探索了整合文本和声学特征的多模态扩展。通过在标准数据集上进行的广泛实验，我们证明 WEALY 达到了与那些缺乏复现性的最先进（SOTA）方法相当的性能。此外，我们还提供了关于语言鲁棒性、损失函数和嵌入策略的消融研究与分析。这项工作为未来的研究提供了一个可靠的基准，并强调了语音技术在音乐信息检索任务中的潜力。 论文：https://arxiv.org/abs/2510.08176 ACE Step 1.5：拓展开源音乐生成的边界 摘要： 我们推出了 ACE Step v1.5，这是一款高效的开源音乐基础模型，旨在将商业级的生成能力带入消费级硬件。在常用的评估指标上，ACE Step v1.5 的质量超越了大多数商业音乐模型，同时保持极快的生成速度——在 A100 上生成一首完整歌曲不到 2 秒，在 RTX 3090 上不到 10 秒。该模型可在显存低于 4GB 的本地设备上运行，并支持轻量级个性化定制：用户仅需几首歌即可通过训练 LoRA 捕捉自己的风格。其核心在于一种新颖的混合架构，语言模型（LM）充当全能规划者：它通过思维链（Chain of Thought）将简单的用户查询转化为涵盖短 Loop 到 10 分钟长曲的综合歌曲蓝图，并合成元数据、歌词和说明以指导扩散 Transformer（DiT）。独特的是，这种对齐是通过仅依赖模型内部机制的内在强化学习实现的，从而消除了外部奖励模型或人类偏好固有的偏差。除了标准合成外，ACE Step v1.5 还统一了精确的风格控制与多样的编辑能力（如翻唱、重绘和人声转背景乐），并严格遵循 50 多种语言的提示词。这为无缝集成到音乐艺术家、制作人和内容创作者工作流中的强大工具铺平了道路。 论文链接： https://arxiv.org/abs/2602.00744 针对音乐扩散模型的成员推理攻击：基于生成流形扰动 摘要： 成员推理攻击（MIAs）用于测试特定音频片段是否被用于训练模型，是审查生成式音乐模型版权合规性的关键工具。然而，基于损失的信号（如重建误差）在实践中与人类感知对齐较弱，导致在取证所需的低误报率（FPR）下分离度较差。我们提出了潜在稳定性对抗探测（LSA Probe），这是一种白盒方法，用于测量反向扩散过程的几何属性：在中间扩散状态下跨越固定感知退化阈值所需的最小时间归一化扰动预算。我们表明，训练数据（成员）位于更稳定的区域，因此表现出显著更高的退化成本。 论文链接： https://arxiv.org/abs/2602.01645 当噪声降低损失时：重新思考音乐大语言模型中基于似然的评估 摘要： 随着音乐大语言模型（LLMs）的兴起，需要稳健的方法来评估输出质量，特别是区分高质量作品与“垃圾音乐”。奇怪的是，我们观察到标准交叉熵损失（核心训练指标）在模型遇到系统性损坏的音乐时经常下降，破坏了其作为独立质量指标的有效性。为了调查这一悖论，我们引入了噪声注入实验，将不同长度的受控噪声信号注入音乐上下文中。我们假设模型损失对这些扰动的正向反应，特别是对短注入的急剧增加（“峰值”区域），可以作为其辨别音乐完整性能力的代理。在音频波形域中使用 MusicGen 模型进行的实验证实，音乐 LLM 对局部、纹理层面的破坏比对全局语义腐败的反应更强烈。除了揭示这种偏差外，我们的结果强调了一个新原则：损失曲线的形状（而非其绝对值）编码了关于生成内容质量（即模型行为）的关键信息。我们设想这种基于轮廓的评估作为一种无标签、模型内在的框架来评估音乐质量——为更具原则性的训练目标和更敏锐的基准测试打开大门。 论文链接： https://arxiv.org/abs/2602.02738 利用音乐元数据 LLM 重新思考音乐描述生成 摘要： 音乐描述生成（Music Captioning），即生成音乐的自然语言描述的任务，对音乐理解和可控音乐生成都很有用。然而，训练描述生成模型通常需要高质量的音乐描述数据，这比元数据（如流派、情绪等）更为稀缺。因此，通常使用大语言模型（LLM）从元数据合成描述来生成训练数据，但这会强加固定的风格化，并将事实信息与自然语言风格纠缠在一起。作为一种更直接的方法，我们提出了基于元数据的描述生成。我们训练一个元数据预测模型来从音频推断详细的音乐元数据，然后在推理时通过预训练的 LLM 将其转换为富有表现力的描述。与基于 LLM 从元数据生成的描述训练的强大端到端基线相比，我们的方法：（1）在更少的训练时间内取得了可比的性能；（2）提供了训练后轻松更改风格化的灵活性，使输出描述能够针对特定的风格和质量要求进行定制；（3）可以通过音频和部分元数据进行提示，从而实现强大的元数据补全或填充——这是组织音乐数据的常见任务。 论文链接： https://arxiv.org/abs/2602.03023 D3PIA：基于主旋律谱生成钢琴伴奏的离散去噪扩散模型 摘要： 在符号音乐领域生成钢琴伴奏是一项具有挑战性的任务，需要根据给定的旋律和和弦约束（如主旋律谱提供的那样）生成完整的钢琴曲。在本文中，我们提出了 D3PIA，一种基于离散扩散的钢琴伴奏生成模型，利用钢琴卷帘表示中主旋律谱与伴奏之间的局部对齐。D3PIA 结合了邻域注意力（Neighborhood Attention, NA）来编码主旋律谱并将其作为条件来预测钢琴伴奏中的音符状态。这种设计通过有效地关注附近的旋律和和弦条件，增强了局部上下文建模。我们使用 POP909 数据集（钢琴伴奏生成的广泛基准）评估了我们的模型。客观评估结果表明，与基于连续扩散和 Transformer 的基线相比，D3PIA 更忠实地保留了和弦条件。此外，主观听力测试表明，D3PIA 生成的伴奏比对比模型在音乐上更连贯。 论文链接： https://arxiv.org/abs/2602.03523 BASS：用于评估音频语言模型音乐结构与语义推理能力的基准 摘要： 音乐理解是一项复杂的任务，通常需要对音频的结构和语义元素进行推理。我们推出了 BASS，旨在评估音频语言模型在四大类中的音乐理解和推理能力：结构分割、歌词转录、音乐学分析和艺术家合作。BASS 包含跨越 12 个任务的 2658 个问题，涉及 1993 首独特歌曲，覆盖 138 小时以上的各种流派和曲目，旨在评估现实场景中的音乐学知识和推理能力。我们评估了 14 个开源和前沿的多模态 LM，发现即使是最先进的模型在结构分割和艺术家合作等更高级别的推理任务上也表现挣扎，而在歌词转录方面表现最佳。我们的分析表明，当前模型有效地利用了语言先验，但在对音乐结构、人声和音乐学属性进行推理方面仍然有限。BASS 提供了一个具有广泛应用（如音乐推荐和搜索）的评估框架，并有潜力指导音频 LM 的发展。 论文链接： https://arxiv.org/abs/2602.04085 广播监控中的 AI 生成音乐检测 摘要： AI 音乐生成器已发展到其输出通常与人类作品无法区分的地步。虽然检测方法已经出现，但它们通常是在具有干净、全长曲目的音乐流媒体背景下设计和验证的。然而，广播音频构成了不同的挑战：音乐以短片段形式出现，经常被主要语音掩盖，现有检测器在这种情况下会失效。在这项工作中，我们介绍了 AI OpenBMAT，这是首个专为广播风格 AI 音乐检测定制的数据集。它包含 3,294 个一分钟的音频片段（54.9 小时），遵循真实电视音频的时长模式和响度关系，结合了人工制作的制作音乐和使用 Suno v3.5 生成的风格匹配续作。我们对 CNN 基线和最先进的 SpectTTTra 模型进行了基准测试，以评估信噪比（SNR）和时长鲁棒性，并在全广播场景中进行了评估。在所有设置中，在流媒体场景中表现出色的模型都遭受了严重的性能下降，当音乐处于背景中或时长较短时，F1 分数降至 60% 以下。这些结果强调了语音掩盖和短音乐长度是 AI 音乐检测面临的关键开放挑战，并将 AI OpenBMAT 定位为开发能够满足工业广播要求的检测器的基准。 论文链接： https://arxiv.org/abs/2602.06823 参考资料 https://www.audioshake.ai/post/audioshake releases five new music instrument stems https://www.ft.com/content/49f4e2e4 3a68 4842 be67 879409d06aa1 https://www.musicbusinessworldwide.com/apple acquires ai audio startup q ai said to be worth nearly 2bn/ https://magneticmag.com/2026/02/lalal ai launches its first vst plug in for stem splitting/ https://www.musicbusinessworldwide.com/universal and suno are in a pr battle over walled gardens in ai music/ https://youtu.be/QzddQoCKKss?si=Y7ssKcH5D9FEA5BR https://x.com/acemusicAI/status/2018731205546684678?s=20 https://www.latimes.com/b2b/entertainment/story/2026 02 04/musical ai raises 4 5m funding heavybit https://musictech.com/news/music/ai music charts siqa/ https://elevenlabs.io/blog/series d https://roli.com/blog/introducing ai music coach https://youtu.be/oUOWz34VlLA?si=shdFplL7v RcHD2F https://www.dubbingx.com/ https://youtu.be/DQW G 4yZM0?si=O6Xtwu55cUskTLdb 🏆 本文作者：智音Brook 链接：https://mp.weixin.qq.com/s/7iBZNi1QRxgBwmqoDVWr w 本文作者：智音Brook 链接：https://mp.weixin.qq.com/s/7iBZNi1QRxgBwmqoDVWr w 🎹 本周AI音乐资讯速览 💰 资本狂潮 • Apple 斥资 20 亿美元收购 Q.ai 布局无声交互； • ElevenLabs 获 5 亿美元融资，估值破百亿； • Musical AI 融资 450 万美元筑基版权归因。 🛠️ 工具革命 • ACE Step 1.5 开源，实现本地单卡 10 秒生曲； • Suno Studio 1.2 更新，支持干声导出与 Warp 时间伸缩； • LALAL.AI 发布 VST 插件入驻 DAW； • AudioShake 精准拆分吉他/人声； • Metamorph 1.1 全面兼容 RVC。 ⚖️ 生态博弈 • UMG 与 Suno 爆发“围墙花园”公关战，争夺 AI 音乐控制权； • SIQA 发布首个合规榜单拒绝克隆人声； • 智声悦合 YooHe 开启公测，赋能中文内容生态。 本周AI音乐资讯速览 💰 资