01
地铁急刹，金属尖叫，广播响起「请乘客注意扶稳」，人群骚动、孩子哭声、对讲机杂音一层层涌上来···
你甚至能感觉到车厢在晃。
这不是电影原声带。整段声音是用一句 prompt，AI 一次性生成的。
再来听一首歌。先是一段清唱，没有伴奏，就是一个人对着麦克风干唱：
然后，AI 接手了。一句提示词——
一首温暖柔和的 City Pop 男声歌曲，带一点爵士和轻摇滚的感觉，氛围朦胧浪漫
模型直接在这段清唱的基础上，补齐了编曲、和声、节奏和完整制作：
从一段干巴巴的清唱，到一首有呼吸感的完整歌曲。你能听出来这是 AI 做的吗？
说实话，我第一次听的时候也没分出来。
音频大模型，开始比「体系」了
过去两年，语音 AI 赛道非常热闹。
Suno 两天前刚发布了 v6 系列，OpenAI 的 GPT-Realtime-2 今年把实时语音推理能力拉到了 GPT-5 级别，Google 在 I/O 上把 Gemini Live 推到 70+ 语言的流式翻译。
但有一个现象值得注意：几乎所有玩家，都在比单项。
0
评论 (0)