騰訊與清華大學推出第二代「SongGeneration」,錯誤率為 8.55%,對 Suno 的壓力進一步加劇
2026年初,AI音樂領域再次經歷了重大變革。3月9日,由騰訊與清華大學人機語音互動實驗室 共同研發的音樂基礎模型「SongGeneration2」正式發布。 該模型不僅在技術架構上實現了質的飛躍,更在多個核心維度上超越了當前主流的開源模型,其整體品質甚至可與頂尖的商用模型相媲美。

三大突破:告別「塑膠感」的人工智慧音樂
SongGeneration2 的核心優勢源自其底層架構的全面升級,解決了困擾早期 AI 音樂的三大痛點:
高音樂性:有別於基礎的旋律堆疊,該模型能處理複雜的多聲部編曲,並展現出令人驚豔的空間深度。
高歌詞準確度:發音模糊與音高錯亂的現象已成過去。其音素錯誤率(PER)低至 8.55%,顯著優於領先的商用模型 Suno v5 (12.4%),僅次於 MiniMax2.5 。
強大的可控性:無論透過文字描述或音訊提示,它都能精準遵循指示,實現風格與情感的深度客製化。

「雙核心」驅動:大型語言模型(LLM)與擴散模型的夢幻合作
在架構上,SongGeneration2 採用了創新的混合式 LLM-擴散模型架構:
創作大腦(LeLM):負責整體結構規劃與聲樂細節,解決「如何演唱」的難題。
高保真渲染器(Diffusion):在語言模型的引導下,合成極其複雜的聲學細節。
分層表示:首創採用混合與多軌表示的並行建模,在旋律穩定性與音質精細化之間取得平衡。
真正的開源、低門檻:普通電腦也能「寫歌」
最令開發者興奮的是騰訊展現的非凡開放性。擁有 40 億參數的 SongGeneration-v2-large 模型現已完全開源,支援包括中文和英文在內的多語言生成。令人驚嘆的是,它僅需 22GB VRAM 即可在消費級硬體上流暢運行,實現本地化且私密的音樂創作。
為了讓使用者能立即體驗,團隊還於 HuggingFace 上發布了 SongGeneration-v2-Fast 版本,以極微小的音質損失換取超高速生成能力——不到一分鐘即可產出一首完整的歌曲。
根據 SongGeneration2 的表現,AI 音樂已正式從「極客玩具」進化至「商用級應用」的領域。隨著支援 12GB VRAM 的 Medium 模型及自動化評估框架即將開源,人人皆可成為「作曲家」的時代或許終於來臨。
相關文章
DeepMind執行長哈西里斯:我每天睡六個小時,通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪,揭示了他對休息和生產力的非傳統方法。Hassabis 透露,他睡眠時間非常少,將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣,Hassabis 表示:“我目標睡六小時,但我的習慣非同尋常。我可以在白天有效運作。”他強調,睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind(後被谷歌收購),並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期,OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標,導致本週二科技股承壓,但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認,儘管媒體報導負面,他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段,因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力,但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同,競爭對手 Anthropic 獲得了
加州自動駕駛合規:罰單、地理圍欄與 100 萬英里的新時代
Guident 在南佛羅里達州營運一輛 AuveTech 接駁車,並運用其遠端監控技術,管理西棕櫚灘的一條四英里路線以及博卡拉頓的一條一英里路線。| 圖片來源:Guident加州正重新定義無人駕駛車輛的監管格局,從科技產業的「快速行動、打破常規」心態,轉向嚴格的問責制與嚴謹的行駛里程要求。Guident 執行董事長兼執行長哈羅德·布勞恩(Harold Braun)在《機器人報告》(The Robo
相關專題推薦
評論 (0)
0/500
2026年初,AI音樂領域再次經歷了重大變革。3月9日,由

三大突破:告別「塑膠感」的人工智慧音樂
高音樂性:有別於基礎的旋律堆疊,該模型能處理複雜的多聲部編曲,並展現出令人驚豔的空間深度。
高歌詞準確度:發音模糊與音高錯亂的現象已成過去。其音素錯誤率(PER)低至 8.55%,顯著優於領先的商用模型
強大的可控性:無論透過文字描述或音訊提示,它都能精準遵循指示,實現風格與情感的深度客製化。

「雙核心」驅動:大型語言模型(LLM)與擴散模型的夢幻合作
在架構上,
創作大腦(LeLM):負責整體結構規劃與聲樂細節,解決「如何演唱」的難題。
高保真渲染器(Diffusion):在語言模型的引導下,合成極其複雜的聲學細節。
分層表示:首創採用混合與多軌表示的並行建模,在旋律穩定性與音質精細化之間取得平衡。
真正的開源、低門檻:普通電腦也能「寫歌」
最令開發者興奮的是騰訊展現的非凡開放性。擁有 40 億參數的 SongGeneration-v2-large 模型現已完全開源,支援包括中文和英文在內的多語言生成。令人驚嘆的是,它僅需 22GB VRAM 即可在消費級硬體上流暢運行,實現本地化且私密的音樂創作。
為了讓使用者能立即體驗,團隊還於 HuggingFace 上發布了 SongGeneration-v2-Fast 版本,以極微小的音質損失換取超高速生成能力——不到一分鐘即可產出一首完整的歌曲。
根據
DeepMind執行長哈西里斯:我每天睡六個小時,通常在凌晨1點左右感到精力充沛。
Fortune 最近刊登了對谷歌 DeepMind 執行長 Demis Hassabis 的採訪,揭示了他對休息和生產力的非傳統方法。Hassabis 透露,他睡眠時間非常少,將清醒時間劃分為兩個不同的工作階段。關於他的睡眠習慣,Hassabis 表示:“我目標睡六小時,但我的習慣非同尋常。我可以在白天有效運作。”他強調,睡眠少於六小時會對大腦健康產生負面影響。Hassabis 於 2010 年聯合創立了 DeepMind(後被谷歌收購),並因其在蛋白質結構預測方面的開創性工作榮獲 20
儘管營收未達預期,OpenAI 與 Anthropic 仍爭奪市場份額
儘管近期有報導指出 OpenAI 未達營收目標,導致本週二科技股承壓,但私人人工智慧實驗室的投資者仍展現出韌性。資深投資者已確認,儘管媒體報導負面,他們仍不會削減投資。分析師認為當前的 AI 競逐仍處於初期階段,因此排除「贏家通吃」的結果。儘管高昂的運算成本對營收造成壓力,但各實驗室可透過調高訂閱費來提升獲利能力。產業格局正經歷微妙的變化與 OpenAI 不同,競爭對手 Anthropic 獲得了





首頁






