英语是重音计时型语言，一个音节可以拉多长都行，无所谓；中文歌词和旋律、节拍之间的对应关系会更难把握。比如爱可以拖成「爱～～」，但要是把「的」「了」「着」这种轻声助词拖得特别长，会巨奇怪。
特别是verse第四句歌词开头那个「塞」的咬字，我很少听到AI国语音乐注意到这个细节，像s、c这种舌尖前音，其实是特别适合用带停顿的短促发音来制造律动的。
那种，用户输入歌词、风格情绪描述与指定歌手，算法模型一次性直接生成长达3分钟、人声与伴奏俱全的完整立体声歌曲，还能同步输出独立的人声分轨与伴奏分轨。
英语里一个词可能有多个音节，而且弱读、连读、吞音不少，比如I wanna know，唱起来可以糊成一串，也能听懂。
根据官方公布的信息，他听着伴奏的律动，感受着鼓点的推进，然后决定——这个气口落在哪里，这个音要怎么咬，这段尾音该收还是该放。
拆开做当然技术难度更低，但总会觉得人声和伴奏之间隔了一层什么东西。各唱各的，没有呼吸感。
传统AI音乐的做法是「事后对拍」。人声和伴奏各自生成完毕，再像两个图层一样硬叠在一起。
这也是为什么，YouTube英文播客基本无自带字幕，但在中文社区，内嵌字幕是必备的。
人声机械生硬、情感表达空洞干瘪，对国风、华语流行、民谣等国民主流曲风适配度极低。
简单来说就是，模型得知道哪个字落在哪个拍子上，哪个字可以拖，哪个字不能乱拖。
这首歌，是我让它以一首我特别喜欢的Jazz Hiphop为灵感，给定歌词，
中文每个字本身带音高走势，四声之别，「妈」和「骂」就是完全不同的两个字。
另一个版本的《关于小羊》我也蛮满意的，大家可以边读文章边当bgm挂着。
说实话，我早已很久没有用「清爽」这个词来形容任何一首AI歌曲了。
现在市面上的主流AI音乐模型，从出生的第一天起就是为英语准备的。
但中文是一个字一个音节，边界很清楚，一旦连得太厉害，基本听不懂。
这也是为什么歌歌AI选择从零开始，为华语音乐重新设计一套技术栈。
AI华语歌，终于能听了！从零预训练十亿参数规模，告别「人机味」
我猜你看到「预训练」这三个字的第一反应，应该和我最开始一样：
上面这些音频丢给身边几位音乐发烧友听了下，得到的评价大多
与此同时，一首AI技术音乐，人声和伴奏是怎么组合起来的？
总而言之就是，基于英语AI音乐模型做本土化，
这首《Coco》的结尾也用了这种手法。
与此同时，这事吧，得先从一个更本质的问题聊起——
从行业角度来看，命名为——《关于小羊》（doge）。
但为了这一句话，他们从零预训练了一个
人工智能技术华语音乐，终于能听了。
让AI音乐，听起来像中国人写的歌。
持续的技术创新正在推动产业升级。
量子位 | 公众号 QbitAI
整理编辑：硅基前哨