结论：端到端生成式Ai音乐（如 Suno、Udio、MusicGen、Lyria）已显著影响罐头音乐/低端音乐制作市场（如淘宝百元编曲），但对B端（如游戏，动漫，电影配乐领域）影响有限。且端到端生成式Ai音乐未来也很难直接影响B端音乐制作架构。未来能够对包括配乐ACG音乐在内的B端音乐市场，产生显著影响的Ai音乐技术，一定能够以midi/干声分轨无缝融入职业音乐人的制作流程当中，并给予制作人最终的混音控制权。当下为代表性的技术就是Synthesizer V能够提供高质量人声干声音轨。但是在乐器/midi生成领域，依然处于非常早期阶段。

我记得在2022年前后，存在一种曲包授权的商业模式。一个曲包里边可能包含几百首音乐，含各类风格。如果一个商业项目（通常是游戏项目）需要使用这个曲包，可以付一个一次性的授权费（通常在几百到几千之间），就可以随意使用这个曲包里的所有音乐。

在2024年suno出现之后，我判断这种商业模式会快速消亡，时至今日确实如此。

与此同时低端音乐制作市场，也在快速被Ai取代，常见于淘宝百元价位的音乐制作。这种制作定位主要是面向C端，比如朋友生日了，给朋友定做一首音乐。谈对象，给对象做首音乐。这种C端的个人音乐制作需求，已经快速被端到端生成式Ai音乐占领。

但是对于B端如动漫游戏配乐来说，生成式Ai能做的事情十分有限，很难满足B端客户（如动漫/电影导演，游戏制作人）对音乐内容的精确把控。

在我工作中常见的修改意见如：新杭，我想要第三小节的旋律音更重，更突出一些。我想要整个副歌的弦乐旋律更干脆一些，不要拉太长的音。

这样在我实际操作中，就会把第三小节的旋律音midi力度调高，以触发音色库中更大力度的采样。然后把整个副歌的弦乐midi缩短，并配合修改cc1，cc11等。

这样的修改需求，在传统人类音乐制作流程中，是非常简单的。但是对于生成式Ai，这种需求基本无法满足。

要了解生成式Ai为什么无法满足这种修改需求，我们要从端到端生成式Ai的底层逻辑触发：

万物皆可token化

从最早的Chatgpt文字模型，到后来sora的视频模型，各种图片生成模型以及suno之后的音频模型。本质上，文字，图片，视频，音频在Ai的视角下，都被Token化，这些Token存在于“隐空间”当中，以高纬的向量形式存在。当生成式Ai在生成内容时，本质上是在预测下一个Token是什么。

比如给Ai一张人物图片，然后告诉Ai，把这个人物变成笑脸时。Ai实际上会先把这张图片Token化，然后在“隐空间”中，找到负责笑脸的“向量”，提升这个向量，然后重新把Token变回图片。

在音频领域里，给Ai一段音乐，然后告诉他，给我变成赛博朋克风格的音乐。Ai依然是把你上传的音乐，先Token化，然后找到和赛博朋克相关的向量，提升，重新变回音乐交付给你。

生成式Ai之所以无法满足修改意见里的：我想要第三小节的旋律音更重，更突出一些。

是因为，在“隐空间”当中，找不到“第三小节”“旋律音”这些概念的向量。之所以能把图片人物变笑，能把音乐变成赛博朋克风格。是因为“笑”，“赛博朋克”是一个没有严格边界的“风格渲染”。

而“第三小节”“旋律音”有明确的空间位置坐标，而这种人类音乐制作领域的空间坐标，在Ai的隐空间中，是及其模糊和不确定的。

Ai可以在隐空间中，把音变重，变突出。但是隐空间中向量变化的影响，通常是全局性的。也就是Ai会把整个音色变重，而不是精确控制第三小节的旋律音。

当了解到端到端生成式Ai的底层逻辑之后，我们可以推断出，这种技术路线，很难融入职业音乐制作的生产流程当中。即使suno对于流行音乐，版权音乐市场，已经产生非常明显的影响，甚至是明显的负面影响。但是对于对内容有着精准要求的B端客户，生成式Ai音乐能产生的帮助和收益都十分有限。

在职业音乐制作领域，Ai辅助音乐创作的终极蓝图：

midi与wav的统一

未来我们创作音乐时，编辑的对象，是一个高维向量的封装体。

里边既含有音频信息，可以播放听到声音。又含有midi信息，可以转换为midi信号，cc事件，供音乐人精确调控。

我们可以从Synthesizer V，来窥探一下这是一个怎样的未来：

当你把midi导入Synthesizer V，填上歌词之后。你在SV里边的操作，实际上就是既在编辑midi，又在编辑音频wav。在SV里边，每一个midi块下边，都可以预览渲染出来的wav波形，midi和wav将紧密融合为一体。在SV里你画的“张力”“力度”等参数，就非常像弦乐编曲的cc1，cc11等参数。

更重要的是，Synthesizer V导出的是干净的人声干声，你可以在这之上做任何操作，比如加混响，EQ，甚至是一些切片剪辑。最终的混音主权仍然在音乐制作人自己手中。

这将无缝融入未来音乐制作人的工作流程当中，目前这项技术在人声合成领域已经相当成熟，但是的器乐领域，依然处于非常早期阶段。

我们有理由推测，这些传统音频巨头，正在布局Ai时代下的新的创作模式与工作流。

对于音乐制作人来说，需要做什么？

关注行业最新的软件，插件开发进程。我们不需要自己开发Ai（毕竟我们可能对于代码也没什么兴趣），只需要关注谁的产品做的好，能辅助我做出我理想中的声音，我就用谁的，给谁付费。

我们是来做音乐，享受音乐的。不是来跟人打架，跟Ai比大小的。

很多人下意识把suno当做一个竞争对手，要跟这些Ai音乐比划比划。实际上没有意义。

未来游戏音乐一个可能的场景：每一个玩家回到自己的家园系统时，游戏引擎调用类似suno这种生成式Ai的API，给不同性格和偏好的玩家，生成个性化定制的家园BGM。这个玩家比较躁动，给他生成个EDM让他在家蹦迪。那个玩家比较文静，给她生成一个优雅的钢琴。而当这些玩家出去打boss，或者推进一个核心剧情时，这个场景则由音乐制作人与游戏制作人合作设计针对这个环境的音乐。

科技的发展，永远是帮助人类更好的生活和创作，而不是把人干死。

理解和拥抱Ai时代，站在变革的正确一方，才是当下每个人要做的事情。