那晚 AI 音樂生成器吐出一段瑪麗亞・凱莉的花腔，我從此不再信任它
那晚將近午夜，我和兩位工程師坐在辦公室裡，喝著一壺難喝的咖啡，對一個熱門的生成式音訊平台進行壓力測試。有家廣告公司委託我們評估，看看在一場全國性廣告活動中使用 AI 生成的音樂是否安全。於是我們有條不紊地對這個工具下提示詞——一種曲風接著一種曲風、一種風格接著一種風格——並記錄下產出的結果。
接著，我的一位工程師 Priya 播放了她用一個簡單提示詞生成的曲子：「輕快的流行抒情歌，女聲主唱，強大的音域。」她沒有提到任何藝人。她沒有要求模仿某人的聲音。但從喇叭裡傳出來的東西，讓我們三個人全都安靜了下來。
那是毫無疑問的。那段花腔——那種層層滑落、轉音起伏的歌唱片段——屬於某一個人。這個工具並沒有「創造」出一種歌唱風格。它是從訓練過程中吞下的種種素材裡，重建出了瑪麗亞・凱莉的招牌唱法。而且它是從一個從未提及她名字的提示詞中做到這一點的。
我轉頭對 Priya 說：「如果我們把這個交給客戶，而 Sony 有人聽到了，被告的不會是我們。是那個客戶會被告。」
就是在那一晚，我不再把生成式 AI 音樂當成一種創作工具，而開始看清它真正的樣貌：一種針對受版權保護素材的壓縮演算法，只是包裝在一個文字輸入框裡罷了。也正是在那一晚，我下定決心要在 Veriprajna 打造出一種根本上截然不同的東西。
改變一切的那場官司
如果你一直沒有關注美國唱片業協會（RIAA）對 Suno 和 Udio 提起的訴訟，那你該關注一下了。這不是一場無關痛癢的騷擾式訴訟。這是音樂產業劃下的底線。
RIAA 指控這些平台從事了工業規模的「串流擷取」——繞過 YouTube 的滾動式密碼加密機制，下載了數百萬份受版權保護的錄音，並將其直接餵入自己的訓練管線。不是偶然的攝入。不是幾首歌漏了進去。數百萬首曲目，被蓄意抓取，它們的表現特徵被量化成向量，好讓模型能夠依需求重建它們。
這套法律論述優雅而具毀滅性：毒樹之果。如果訓練資料是非法取得的，那麼每一項產出都被污染了。使用者是否懷抱無辜意圖，並不重要。產出是否並非逐音符的複製，也不重要。模型之所以學會生成「一首像瑪麗亞・凱莉的歌」，是靠著記憶瑪麗亞・凱莉真實錄音的統計指紋。那不是靈感啟發。那是以文字提示詞為鑰匙的資料解壓縮。
當一個模型無法告訴你它的創作決策從何而來時，它就無法在商業供應鏈中被信任。就這麼簡單。
我在我們研究的互動版本中，寫下了完整的法律與技術剖析，但簡短的版本是這樣的：這些工具的企業使用者，是在租用一場官司。這些平台的服務條款設計的用意，就是一旦提示詞變得具體，便將責任轉嫁回使用者身上。而「具體」的門檻，比你想像的還要低。
為什麼「合理使用」對 AI 音樂行不通？
這是我最常從想使用這些工具的高階主管口中聽到的問題。「訓練不是具有轉化性嗎？不就像一位音樂家在聽收音機嗎？」
不是。而且法院也越來越傾向這麼說。
美國的合理使用取決於四項要素，但真正扼殺 AI 音樂生成器的是第四項：對潛在市場的影響。當一個 AI 工具每月向使用者收取 24 美元，去生成那些直接與它所訓練的授權錄音競爭、並取而代之的曲目時，市場損害就不是理論上的問題了。那正是它的商業模式。
一位聆聽瑪麗亞・凱莉並寫出一首原創歌曲的真人音樂家，是透過多年的親身經歷、身體上的聲樂訓練，以及創意詮釋，才消化了那份影響。而一個攝入她的頻譜圖、學會從雜訊中反向工程還原它的擴散模型，所做的事在本質上截然不同。它把她的作品壓縮進權重之中，並學會在指令下將其解壓縮。
Udio 與環球音樂集團（Universal Music Group）的和解，讓這一點痛苦地具體化了。根據報導，作為交易的一部分，原平台的使用者甚至再也無法下載自己的創作了。一切都被鎖在一座圍牆花園裡。如果你曾在 Udio 上為一場廣告活動製作配樂，那份配樂如今在任何脫離該平台的應用場景中，可能都已在商業上毫無用處。
當我在一場會議上向一位廣告公司的創意總監解釋這一點時，我看著她的臉刷地變白。她有整整六個月的廣告活動音訊，就擱在一個剛剛就一場版權訴訟達成和解的平台上。那些東西一件也匯出不了。
那晚我們爭論的其實是錯的問題
有一陣子，我和我的團隊都執著於錯的問題。我們一直在問：「我們要怎麼讓生成式 AI 音樂更安全？」我們試過提示詞防護欄。我們試過對產出加上指紋標記。我們試過打造分類器，去偵測某段生成曲目何時與某份已知錄音太過相似。
這一切都只是在為一個有缺陷的地基打補丁。
改變我們方向的那場爭論，發生在一塊寫滿架構圖的白板前。我們的一位資深工程師——我姑且叫他 Raj——不斷地反駁我提出的每一項防護措施。「你是在試圖讓一個機率式系統表現得像確定式系統，」他說。「它做不到。擴散的整個重點就是重建訓練資料。你是在要求它去不做那件它被設計出來要做的事。」
他說得對。而且他很沮喪，因為他已經說了好幾個星期，而我一直沒在聽。
問題不在於怎麼讓黑箱式生成更安全。問題在於：我們究竟為什麼要從零開始生成？
我們談過的每一位企業客戶，手上原本就都有音訊素材。他們有試錄的樣本。他們有已授權的罐頭配樂。他們有舊有的曲庫素材。他們並不需要一個模型去憑空幻想出一首歌。他們需要的是一個模型去轉化他們原本就擁有的東西——換一個聲音、把一段混音現代化、抽出一個聲部——而不打斷版權所有權的鏈條。
那個領悟，就是我們如今稱之為「來源分離授權引擎」的誕生。
什麼是來源分離授權引擎？
我們不是要求一個 AI 從文字提示詞去生成音訊——那需要模型去穿越一個由竊取來的版權所建構出的潛在空間——而是要求這個 AI 去做兩件非常具體、非常可稽核的事：
第一，拆解。我們運用深度來源分離，把一份已授權的曲目拆解成組成它的各個聲部：人聲、鼓、貝斯，以及其他一切。這個 AI 並沒有創造出任何東西。它只是把原本就已存在的東西隔離出來，就像外科醫生分離組織層一樣。
接著，轉化。我們運用基於檢索的語音轉換（RVC），去改變那個被隔離出來的聲部上的人聲身分。旋律不變。歌詞不變。演唱表現不變。但那個聲音——音色、質地、顆粒感——來自一個已授權的聲音模型，那是我們用一位簽署了商業授權書的配音員的錄音所訓練出來的。
曲子的作曲來自客戶已授權的輸入。聲音來自我們已授權的模型。每一項成分都有清晰的產權鏈條。沒有一個由抓取來的版權所堆成的潛在空間。沒有機率式的幻想。任何元素的來源，都沒有絲毫謎團。
我們用幻想的魔法，換來了工程的確定性。而企業客戶並不想要魔法——他們想要的是自己能真正擁有的素材。
深度來源分離究竟是怎麼運作的？
當你聽一首完成的歌時，你聽到的是一段複調混合物——人聲、鼓、貝斯、吉他、合成器，全都層層疊在彼此之上。一把貝斯吉他和一顆大鼓都落在 50–200Hz 的範圍。人聲和鋼琴則共享 500Hz–2kHz 的範圍。傳統的音訊濾波器無法在不破壞聲音的情況下把它們拆開。
深度來源分離運用神經網路來解決這個問題。混合的音訊被轉換成一張頻譜圖——本質上就是一張頻率隨時間變化的視覺地圖——而網路則學會為每一個來源生成一張「遮罩」。可以把它想成一張鏤空模板：這張遮罩告訴系統，在哪些時刻的哪些頻率屬於鼓、哪些屬於人聲、哪些屬於其他一切。套用這張遮罩，你就得到一個乾淨、被隔離出來的聲部。
我們運行一組由最頂尖架構組成的集成——用 Hybrid Transformer Demucs 來捕捉長程模式，例如一首歌從頭到尾反覆出現的鼓點；並用 MDX-Net 來取得跨頻帶的頻譜清晰度。運行多個模型並將結果平均，能把「串音滲漏」降到最低，也就是那些惱人的雜音——你會在人聲軌裡聽到若隱若現的鬼影鼓聲。
真正要緊的是這個法律要點：我們是在客戶原本就擁有或已取得授權的曲目上執行這道分離。這個 AI 是一個用於隔離、而非用於發明的工具。所產出的各個聲部，在法律上是從那份已授權的母曲目衍生而來的。
為什麼語音轉換比語音生成更重要？
這正是大多數人的直覺會把他們帶偏的地方。他們以為 AI 音訊令人驚豔之處，在於憑空生成一個聲音。並非如此。真正令人驚豔之處——也是在法律上站得住腳之處——在於把一個聲音轉換成另一個聲音，同時保留這段演唱表現的其餘一切。
RVC 的運作方式，是把唱的是什麼，和由誰來唱解開分離。一個名為 HuBERT 的模型，把原始人聲剝除到只剩純粹的語言與旋律內容——音素、韻律、節奏——同時捨棄掉演唱者的身分。它把這段演唱表現匿名化。
接著就是檢索這一步，這正是關鍵的創新。系統不是讓一個神經網路去猜測目標聲音該聽起來如何（那會產生那種一聽就知道的合成式滑順感），而是搜尋一份預先建立好、記錄了目標聲音實際特徵的索引——呼吸聲、沙啞聲、母音的口型——並把真實的特徵片段注入轉換後的音訊之中。結果聽起來很真實，因為它本來就是真實的。它是由那個已授權聲音的真實樣本所構成的，而不是一個統計上的近似值。
最後，一個 HiFi-GAN 聲碼器合成出波形，它以對抗式方式，對著目標演唱者的真實錄音反覆訓練，直到產出與一段真正的演唱表現難以區分為止。
整件事只需要來自單一演唱者的 30–60 分鐘乾淨音訊，就能訓練出一個聲音模型。拿它跟 Suno 或 Udio 比一比，那些平台需要數百萬份抓取來的曲目才能學會「音樂」。我們的做法是外科手術式的，而它們的做法是工業式的。
黑箱模型沒有的那顆刪除鍵
有件事讓企業法務團隊夜不能寐：如果一位配音員撤回同意，或一份授權協議到期了，你能不能把他們的貢獻從你的 AI 系統中移除？
對於大型的 transformer 模型——也就是驅動 Suno 和 Udio 的那一類——答案實際上是不能。訓練資料被烘焙進了數十億個參數之中。要移除某位特定藝人的影響，需要昂貴的重新訓練，並冒著「災難性遺忘」的風險——模型會失去遠超出你原本想移除範圍的種種能力。
在我們的架構中，每一個聲音都是一個獨立的檔案。大約 50 MB。如果一位配音員說「我不做了」，我們就刪掉那個檔案。分離引擎照常運作。其他每一個聲音模型照常運作。對「被遺忘權」請求的遵循，是即時而外科手術式的。
在黑箱模型裡，「反學習」是一道研究難題。在我們的架構裡，它是一顆刪除鍵。
隨著法規日益收緊，我再怎麼強調這一點的重要性都不為過。歐盟《人工智慧法案》將要求對訓練資料保持透明。能夠展現出你對 AI 管線中每一個組件都握有細緻的掌控，這將不再是一項錦上添花的加分項——它將成為入場的基本門檻。
當有人質疑你的 AI 音訊時，會發生什麼事？
每一個離開我們管線的檔案，都帶著一份 C2PA 憑證清單——一組來自「內容來源與真實性聯盟」（Coalition for Content Provenance and Authenticity）的加密簽章。可以把它想成一張隨檔案一同流通、且無法偽造的數位營養標示。
這份清單記錄了：輸入音訊的雜湊值（證明衍生自一個已授權的來源）、分離模型的雜湊值（證明用了哪個工具）、聲音模型的雜湊值（證明套用了哪個已授權的聲音），以及 Veriprajna 的加密簽章，用以認證整條鏈條的完整性。
如果 YouTube 標記了某段曲目、如果 Spotify 質疑它的版權狀態、如果某個競爭對手指控它是深偽——客戶只要打開這份清單，來源憑證就明明白白在那裡，在數學上可以驗證。沒有模稜兩可。沒有「相信我們就對了」。是加密學上的證明。
關於這條管線與 C2PA 整合的完整技術架構，我已經發表了一篇詳盡的研究論文，深入的程度超過我在這裡所能談的。
「可是這不就是在限制 AI 能做的事嗎？」
人們不斷這樣問我。通常帶著一種語氣，暗示我是在掃興。
我的回答是：我不是在限制 AI。我是在限制責任風險。這兩者是有差別的。
一個能從文字提示詞生成任何歌曲的黑箱式生成器，確實是令人驚豔的技術。我不否認這一點。但一項無法告訴你它的產出從何而來、無法被稽核、無法保證你擁有它所產出之物的驚豔技術——那樣的技術是一個消費者玩具，而不是一件企業級工具。
美國版權局的態度越來越明確：純粹由 AI 生成的作品，很可能無法取得版權保護。打上「做一首爵士歌」並不構成著作。那是一個構想，而不是一種表達。這意味著，如果你的競爭對手盜用了你那段由 AI 生成的廣告短曲、並用在他們自己的廣告裡，你可能根本沒有任何法律救濟途徑。
我們的做法保住了可版權性，因為在最底層有一段由真人創作的引導軌，而每一個步驟又都有由真人主導的轉化。這個 AI 是一件握在創作者手中的工具，而不是創作者本身。這個區別，正是「擁有你的產出」與「祈禱沒人來偷它」之間的差別。
真正的成本方程式
關於經濟帳，我會直說，因為這個領域裡似乎沒有別人願意這麼做。
拿抓取來的資料做訓練是免費的。但法律責任是無上限的——每一件被侵權的作品，法定損害賠償最高可達 15 萬美元。如果你的模型攝入了一萬首歌，自己算算看。
為訓練資料和聲音錄音取得授權，會帶來一筆前期成本。但它把你的責任封頂在零。鏈條中的每一個組件，背後都有一份簽署過的協議。每一項產出，都附上了一份來源憑證清單。
那家一開始委託我們做評估的廣告公司呢？他們算了算這筆帳。相較於單單一件版權侵權索賠，我們這條管線的成本只是一個進位誤差般的零頭。而且，跟那些黑箱平台不同，我們能夠真正保證，那個零頭就是全部的成本——而不是一場官司的頭期款。
「下提示詞然後祈禱」的終結
RIAA 對 Suno 和 Udio 的訴訟，並不是 AI 音訊的終點。它們是那個「沒人過問訓練資料從何而來」的階段的終點。那些和解條款——圍牆花園、下載限制、新的授權平台——確切地告訴你這一切正走向何方。蠻荒西部正在關門。
接下來到來的，正是我們一直在打造的東西：主權式音訊管線，其中每一件產物都有可驗證的源頭，其中模型可以在組件層級被稽核、被更新、被刪除，其中產出是確定式的而非機率式的，而且其中企業客戶真正擁有他們所付費換來的東西。
我想起那晚與 Priya、以及那段瑪麗亞・凱莉花腔片段的次數，比我願意承認的還要多。不是因為它在技術上令人意外——我們早就知道這些模型正在記憶訓練資料。而是因為它讓那份風險變得如此切身可感。那並不是一套抽象的法律論述在我們的喇叭裡播放著。那是某個人畢生的心血，被壓縮進權重、未經許可地被重建出來，隨時準備好交付給一位客戶，而那位客戶對於自己正在散播的是什麼，可能會毫不知情。
你無法在一個無法自我解釋的系統之上建立一門事業。如果你不知道這個模型是用什麼資料訓練出來的，你就不擁有它的產出。你不是在創作。你是在賭博。
在一個充滿合成不確定性的時代，來源就是產品。
我們打造的系統，讓每一個音符都有名字，讓每一個聲音都有合約，讓每一個檔案都帶著證明。那不是對 AI 的一種限制。那是當 AI 準備好面對真實世界時，該有的樣貌。
