文章來源：Founder Park

圖片來源：由無界AI生成

昨天，Suno 在 X 上宣布成功完成了 1.25 億美元的 B 輪融資。本輪投資者中，有風險投資公司 Lightspeed Venture Partners，還包括風險投資基金 Founders Collective，以及科技高管和投資者 Nat Friedman。

根據 The Information 的消息來源，本輪融資后 Suno 估值達到 5 億美元。新籌集的資金將用於擴大公司的員工隊伍，截至今年早些時候，公司僅有 12 名員工。

自 8 個月前推出首款產品以來，Suno AI 的用戶群體已迅速增長至超過 1000 萬。微軟公司更是將 Suno 的功能直接整合到了其 Copilot 產品中。

在 Suno 的歌曲排行榜中 ，Stone 是第一首超過 100 萬次收聽的歌曲。如果 AI 音樂在開發一兩年後就能如此流行，難以想象一下五年後它變成什麼樣。

最近，知名科技博主 No Priors 邀請到了 Suno 的聯合創始人兼首席執行官 Mikey Schulman 展開一場精彩的討論。在訪談中，Mikey 分享了與他人合作創辦 Suno 的心路歷程，AI 音樂的難點以及它未來將會如何引爆產業變革。

文章基於 No Priors 對 Mikey Schulman 的訪談編譯，Founder Park 略有增刪。

01

從物理學到 AIGC：

一切源於熱愛？

Sarah：作為一位音樂愛好者，你的轉型之旅相當獨特，從音樂領域跨越到哈佛物理學博士，再到創立數家人工智能企業，能否跟我們分享一下這段歷程？

Mikey：確實，這是一條曲折的路。我玩音樂已經有很長時間了，四歲起學習鋼琴，成長過程中參与了很多樂隊。然而，我意識到雖然我熱愛音樂，但我的專長並不在此。相比之下，物理是更為明智的選擇。我一路求學，從大學到研究生，直到取得物理學博士學位，專註於量子計算的研究。然而，儘管量子計算魅力無限，我內心清楚，它並不是我的終身事業。

Sarah：你是否預想過自己會成為一位理論物理學家？

Mikey：我從來沒有設定過固定的職業路徑，從不限定自己要做什麼或不做什麼。在研究生期間，我接觸到的量子力學研究不僅理論深奧，而且在實踐層面極具挑戰。這一領域在上世紀 50 年代奠定基礎，其中包含許多複雜的低溫微波工程挑戰，這些對於實際應用至關重要，我發現自己在處理這些問題上比一般的物理學家更有天賦。我在這裏找到了自己的優勢，享受着每一個探索的瞬間。

Sarah: 能否談談你是如何從物理學術界轉向創業的？

Mikey: 我的轉折點始於偶然遇見一家名為 Kentro 的小公司，它只有大約 10 名成員，但我立刻被那裡的人和氛圍吸引了。於是，我決定加入他們，成為一名軟件工程師。幸運的是，我入職之後機器學習的機遇便顯現出來，尤其是在 2014 年，有物理學博士學位的我恰好成為了這一新興領域中的一員。我抓住這個機會，快速學習，組建團隊，開發出一些有趣的產品，最終在 2018 年，我們的公司被 S&P Global 收購。

Sarah：你們的起點是基於一個開源模型——Bark。能否分享一下你們最初的靈感來源，以及你們是如何進入音樂生成這片領域的呢？

Mikey：在 Kensho，我們專註於文本處理，直到被 S&P Global 收購后，我們接手了首個音頻相關的項目——將收益電話會議轉錄為文字。你們兩位都閱讀過的收益電話會議記錄，有很大一部分就是 S&P Global 的成果。以往這類工作全靠人工，不僅繁瑣而且費時，但通過自動化，我們顯著提升了效率和處理量，也因此對音頻 AI 產生了濃厚的興趣。雖然我們本身就是音樂愛好者，但恰恰是這樣一個並不那麼吸引人的項目——收益電話會議的音頻轉錄，點燃了我們的熱情。此外，我們觀察到相比於圖像和文本領域，音頻處理技術的發展滯后許多，這一情況在 2020 年尤為明顯，而近年來圖像和文本技術的飛速發展更是加劇了這一差距。

像我之前提到的，我們並沒有一個詳盡的長遠規劃。在開源項目 Bark 的開發過程中，甚至在它發布之前，我們就已經確定語音不是我們的主攻方向。確實，有不少人建議我們投身語音技術領域，他們認為開一個語音公司會更直接，「你會構建一個偉大的 B2B 產品，人們會喜歡它」。但我們太喜歡音樂了。所以我們決定建立一個音樂公司。

02

新一輪產業變革：

既是消費者，也是創作者

Sarah：為何你們決定不專註於語音而是投身音樂？

Mikey：語音雖然迷人，但它缺乏我們所追求的那種創造性的自由度。語音的目的在於準確傳達信息，哪怕稍顯机械或缺乏感情色彩，只要傳達的信息無誤，任務就算完成了。而真正的創造力發生在音頻的一個完全不同的部分，那就是音樂。

Elad：你們在技術實現上有哪些獨到之處，特別是在處理音樂生成上？

Mikey：我們主要採用 Transformer 模型，這得益於我們團隊在文本處理方面的背景，而 Transformer 模型在音樂生成上同樣表現出色。音頻的採樣率極高，每秒達到約 50,000 個樣本點，我們面臨的挑戰在於如何有效地將這種連續信號轉換為可管理的 tokens 集，這是一個需要創新思維的過程。

Sarah：你們如何評估模型生成音樂的質量？

Mikey：音樂的美感是評估的關鍵，這在 AI 領域是一個公認的事實。我們可能在技術指標上達到高準確度，但音樂的感染力和情感表達往往超越了這些量化的標準。音樂評估往往更為主觀，意味着要聽很多東西，並讓人們聽很多東西。在如何評估這些東西的問題上，我們還有很長的路要走，同時這個評估過程也讓我們更深入地理解人類情感。

Elad：你的音樂背景在 Suno 的開發中發揮了怎樣的作用？

Mikey：創辦公司以來，我反而學到了更多關於音樂的新知識，接觸到了之前從沒接觸過的音樂流派。我的音樂背景或許幫助我們避免了模型中的隱性偏見，我們盡量讓模型不受限於傳統的音樂理論框架，就像不要告訴 GPT 這是一個名詞，那是一個動詞，而是讓GPT 自己去理解。如果我告訴我的模型只有 12 種音調，我的模型將只知道如何輸出 12 種音調；如果我告訴我的模型有 50 種不同的樂器，我將永遠無法獲得那種獨特的音色。音樂的無限可能性和多樣性正是我們想要模型能夠自行探索的。

Sarah：在你看來，AI 音樂生成面臨的最大挑戰是什麼？

Mikey：音樂的獨特之處在於它能觸動人心，這是最大的挑戰，因為 AI 音樂的目標正是激發聽眾的情感反應。音樂的多樣性、文化依賴性以及個體差異性都給模型設計帶來了挑戰。

對於那些整天在文本大模型中打轉的人來說，他們很容易想到這樣的事情：「這就是我在法學院入學考試中的表現，我可以用同樣的方法通過律師資格考試。」

這些對我們來說都不存在，就像我做了一首歌，它讓我有了某種感覺，可能是顆粒感的音頻讓我有了某種感覺。我們正在探索如何讓模型不僅能夠生成悅耳的旋律，更重要的是能夠觸動人心。

Elad：Suno 的未來規劃中，你們如何看待普通用戶、專業人士及企業用戶的需求？

Mikey：我想說的是，我們正試圖改變整個世界與音樂的互動方式，併為人們帶來新的體驗。這意味着這是一款消費產品，而不是在 Ableton、Logic 或 Pro Tools 中加入 AI。這適合所有人，比如我媽媽。人們會花大量時間在電腦前享受創作歌曲的樂趣，對於自己的作品，他們感到有創造力和擁有感，並樂於分享它，這與現在的音樂創作方式不同。現在的音樂創作有時很痛苦，但它只為最終產品服務。而我認為，當你向人們開放這一切時，你肯定會關心最終產品，但你也會真正關心這段旅程，關心是否真正享受音樂創作。我做音樂的最大樂趣就是和朋友們一起玩音樂，即興演奏，即使你沒有在錄音。

在商業方面，立刻對產品收費可能並不符合傳統智慧，但這實際上非常重要，因為我們正試圖創造一套並不存在的行為方式，以了解究竟是什麼讓人們願意掏錢，而不僅僅是沿襲現有的 SaaS 定價模式。

Elad：我記得我曾經和一些在 90 年代非常活躍的人交談過，當時網絡瀏覽器真正進入了人們的視野，他們試圖找出適合網頁的商業模式，重點落在了小額支付上，所以每次閱讀《紐約時報》的文章時，你只需支付幾分之一美分的費用。當然，世界最終還是倒向了基於廣告的模式，但和我交談過的那個時代的人中，沒有誰認為廣告模式一定是正確的答案，他們只是覺得這是短期內最容易做的事情。

Mikey：是的。

Sarah: 我記得我們之前討論過創作平台上的一個現象，那就是創作者和觀眾之間的比例通常失衡，並且這種失衡因平台而異。你認為像 Suno 這樣的創新工具能在多大程度上改變這一現狀呢？

Mikey: 我認為，Suno 這樣的平台能夠開啟一個全新的「微創作」時代，我們可以製作我們三個人都會聽的歌曲，因為它捕捉到了我們三個人的某一時刻，就像我們自拍一樣，而現在的音樂中完全沒有這樣的分享動力。Suno 技術的潛力在於，它能模糊創作與消費的界限，使這兩者相互滲透，最終，我們不再區分誰是創作者、誰是消費者，因為所有人都在以自己的方式享受音樂帶來的樂趣。

Elad: 這樣的未來圖景真是令人憧憬，它似乎預示着音樂、音樂產業乃至音樂在社會中的角色都將發生深刻變革。你對五年後這個行業的展望是什麼？

Mikey: 如果我們能夠讓數十億人以新的方式體驗音樂創作，那麼音樂消費的時間和經濟投入都將顯著增長。親自參与創作過程，無疑會加深人們與音樂藝術家之間的情感紐帶。正如数字音頻工作站（DAW）曾經那樣，它降低了音樂製作的門檻，促進了音樂和文化的快速演變。未來，如果你有一副好耳機，你有一雙好耳朵，你願意下功夫學習工具，你就可以在宿舍里做音樂。隨着更多人通過 Suno 這樣的工具輕鬆創作，音樂風格的演變和新音樂的發掘速度將急劇加快。當人們發現製作一張專輯並不需要價值 50 萬美元的 SSL 調音台和 10 名員工時，當有一些 15 歲的年輕人也能被前所未有的發掘出來時，這無疑會是下一場音樂革命。

另外，如果你看看過去十年的音樂，很多變化都是音質上的，因此歌曲的趣味性會稍遜一籌，就像很多数字化的東西一樣。事實上，我很期待相反的結果。人工智能固然能創造出我們從未聽過的聲音，但將這些工具交到人們手中，我們就能解鎖歌曲結構和和弦變化，借鑒不同風格並與其他風格混合，創造出新穎的作品。在我最樂觀的時候，我會在 TikTok 上說， Suno 讓我們每次聽音樂的時間都超過 30 秒。也許我有點天真和樂觀，但我認為這是非常有可能的。