Nhạc AI tiếng Trung đã thực sự 'nghe được': ByteDance tung mô hình tỷ tham số xóa bỏ cảm giác máy móc

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-07-10 12:44:38 Nguồn: QbitAI

ByteDance cũng đã tham gia cuộc chơi.

Jay đưa tin từ Ao Feisi.

QbitAI | Tài khoản chính thức QbitAI.

Nhạc Hoa do AI tạo ra, cuối cùng cũng đã nghe được rồi.

Cảm giác "ngượng ngùng khi nghe tiếng mẹ đẻ", phát âm không rõ ràng, đậm chất "máy móc"...

Không hề.

Hoàn toàn không có những thứ đó.

Bài hát này là tôi yêu cầu nó tạo ra theo phương thức zero-shot, với lời bài hát được cung cấp sẵn và lấy cảm hứng từ một bản Jazz Hiphop mà tôi đặc biệt yêu thích.

Đặt tên là——Về chú cừu nhỏdoge.

Nói thật, quá xuất sắc.

Đặc biệt là cách phát âm chữ "" (sāi) ở đầu câu thứ tư trong đoạn verse, tôi hiếm khi thấy nhạc Hoa do AI tạo ra chú ý đến chi tiết này. Những âm đầu lưỡi trước như s, c thực ra rất phù hợp để tạo nhịp điệu bằng cách phát âm ngắn và có điểm dừng.

Còn cả đoạn chuyển âm ở cuối phần bridge trước đoạn Pre-Hook nữa, tôi đã tua đi tua lại thanh tiến trình không biết bao nhiêu lần...

Tất nhiên, điều khiến tôi ngạc nhiên nhất vẫn là đoạn Hook cuối cùng. Rõ ràng tôi không hề viết lời cho đoạn đó, vậy mà—

Nó tự ngẫu hứng thêm vào một đoạn ngân nga ư??

Đoạn kết của bài Coco này cũng sử dụng thủ pháp tương tự.

Tôi cũng khá hài lòng với một phiên bản khác của Về chú cừu nhỏ, mọi người có thể vừa đọc bài viết vừa để nó chạy làm nhạc nền (bgm) nhé.

Tôi đã cho vài người bạn là tín đồ âm nhạc nghe thử những đoạn âm thanh trên, và đánh giá nhận được đa số chỉ gói gọn trong ba chữ:

Rất "thanh thoát" (fresh).

Nói thật, đã lâu lắm rồi tôi không dùng từ "thanh thoát" để mô tả bất kỳ bài hát nào do AI tạo ra.

Mô hình "thanh thoát" này có tên là Gege AI.

Họ chỉ làm một việc duy nhất—

Khiến cho nhạc AI nghe giống như những bài hát do người Trung Quốc sáng tác.

Làm lại mô hình âm nhạc AI.

Nghe có vẻ đơn giản đúng không?

Nhưng để thực hiện được điều đó, họ đã pre-train (tiền huấn luyện) từ con số 0 một mô hình với hàng tỷ tham số.

Dạng end-to-end, người dùng nhập lời bài hát, mô tả phong cách/cảm xúc và chỉ định ca sĩ, mô hình sẽ trực tiếp tạo ra một bài hát stereo hoàn chỉnh dài tới 3 phút, bao gồm cả giọng hát và nhạc đệm, đồng thời có thể xuất ra riêng biệt track giọng hát và track nhạc đệm.

Tôi đoán phản ứng đầu tiên của bạn khi nhìn thấy ba chữ "pre-train" cũng giống như tôi lúc ban đầu:

Hả? Tại sao không fine-tune (tinh chỉnh) trực tiếp luôn cho rồi??

Chuyện này, phải bắt đầu từ một vấn đề cốt lõi hơn—

Tại sao các AI trước đây lại không hát tốt nhạc tiếng Trung?

Các mô hình âm nhạc AI phổ biến trên thị trường hiện nay, ngay từ ngày đầu ra đời đã được thiết kế cho tiếng Anh.

Nhưng logic hát của tiếng Hán hoàn toàn khác biệt.

1. Thanh điệu cố định.

Mỗi chữ trong tiếng Trung đều mang theo cao độ riêng, sự khác biệt giữa bốn thanh điệu, "mā" (mẹ) và "mà" (mắng) là hai chữ hoàn toàn khác nhau.

2. Ranh giới âm tiết.

Trong tiếng Anh, một từ có thể có nhiều âm tiết, hơn nữa còn có nhiều cách đọc lướt, nối âm và nuốt âm, ví dụ như "I wanna know", khi hát có thể đọc dính vào nhau thành một chuỗi mà vẫn nghe hiểu được.