19世紀以前，當人們聚集在一起時，總是會用即時的最原始的歌聲和樂器，講述生活的故事，傳遞情感和思想。那時的音樂，是流動的，也是瞬間的。
1857年之後,錄音的出現，讓人們擁有了隨時隨地欣賞優秀的音樂作品的條件，在這種形式下，音樂開始變成設定好的故事，聽眾成了被動的接受者。
斗轉星移。
時間來到2023，人工智慧正在改變音樂的形態——通過便捷的操作，普通大眾可以輕鬆生產出音樂作品。從「play guitar」到「play AI」，音樂創作正變得觸手可及。
資深分析師Mark Mulligan觀察音樂產業數十載，不久前，他在博客中寫道：「音樂產業來到了一個臨界點，AI將會改變音樂的未來，如今瓶中的精靈已經飛向了廣闊的天空。」
合成的「歌唱歷史」
作為歌迷的你可能不會想到，今年最火的音樂中，有一首竟然是孫燕姿演唱的「發如雪」。或者準確的說，是AI孫燕姿。
突然走紅的另類「發如雪」，掀起了一陣網路創作熱潮，帶動AI歌手概念出圈，也讓更多人感受到人工智慧在音樂領域的巨大潛力。
不過，說到AI歌手，很多人第一反應應該是當紅虛擬歌姬——初音未來、洛天依。在歌迷感慨於這些無論是聲音和容貌都接近完美的AI歌手時，絕大多數人可能並不知道，單純用電腦合成音樂這件事，早在上世紀五十年代就已經出現了。根據不完全統計，歌聲合成的歷史沿革已經跨越了70年。
1951年
程式設計師Christopher Strachey使用艾倫·圖靈的大型電腦製作了歷史上第一首電腦合成的音樂。
1961年
電腦音樂大師Max Mathews與科學家John Kelly等人使用IBM 704電腦完成了第一首由電腦模擬人聲演唱的歌曲《Daisy Bell》。
1982年
為了統一標準，並建立起一種連接電子樂器和電腦的規則，國際樂器製造者協會的十幾家廠商制定了通用合成器接口方案，更名為「音樂設備數字接口(MIDI)」。
2004年
日本雅馬哈株式會社（YAMAHA）授權ZERO-G發售了VOCALOID首個聲庫。
2007年
VOCALOID 2發布，日本CRYPTON FUTURE MEDIA公司依託該技術發布了初音未來。初音未來首次開啟了聲庫 虛擬形象的軟體銷售模式，其意外爆火也激活了以UGC為核心的VOCALOID創作文化。
2009年
名古屋工業大學開發的Sinsy（Singing Voice Synthesis System）語音合成系統發布，使用了隱馬爾科夫模型（HMM），可調教性別參數、顫音強度及變調等參數。
2012年
上海禾念公布洛天依等角色，並宣布第一款中文歌聲庫將以洛天依開發。
2013年
CeVIO Creative Studio發布，基於HTS引擎（語音）/Sinsy引擎（歌唱）製作，輸入音符、文字後既能唱歌，還能模擬人聲說話。
2018年
華侃如發售Synthesizer V editor，結合人工神經網路和採樣拼接合成的混合算法，使用底層語音模型（LLSM）技術實現了高還原度下對聲色的靈活修改。
2019年
時域科技推出了ACE虛擬歌姬，最開始是一款音游。
2020年
• Synthesizer V Studio發布，12月Synthesizer V AI發布，使用基於深度神經網路的歌聲合成技術，生成的歌聲宛如人類歌手。
• X Studio發布，由小冰公司開發，軟體為音樂創作者提供具有不同音色和唱腔的虛擬歌手，它們能迅速讀懂樂譜並演唱出來。
2021年
• ACE開始支持AI歌聲合成，並完成數百萬美元Pre-A輪融資。
• CeVIO AI發行，繼承了前身CeVIO Creative Studio結合歌聲合成與語音合成的特徵，並採用了深度神經網路等AI技術。
• 浙江大學發布了關於diffsinger的論文。diffsinger因其開源免費和高音質的特點迅速吸引了一批忠實用戶。
2022年
• VoiSona首個正式版發布，VoiSona是CeVIO AI的「姊妹版」，由同一家公司開發，分開運營。
• ACE發布電腦端ACE Studio預覽影片，並開啟內測申請。
• ACE宣布為「洛天依ACE AI」聲庫提供技術支持，同年為言和、樂正綾提供AI聲庫。
2023年
• 小冰與網易雲音樂合作發布了新編輯器「網易雲音樂·X Studio」，提供了13名虛擬歌手。
• ACE Studio在直播問答中稱新的歌聲合成模型和代碼重構正在穩步推進中，商業化時機根據工作進度而定。
在歌聲合成漫長而隱秘的「進化」中，AI歌手的出現可謂劃時代的產品，而要透析這段成長歷史，有兩個關鍵的資訊點是必須了解的：
第一，AI歌手涉及的技術主要有兩大類：歌聲合成（Singing Voice Synthesis，SVS）和歌聲轉換（Singing Voice Conversion，SVC），而主要的發展是在歌聲合成即SVS上。第二，總的來說，歌聲合成可以分為拼接合成和AI合成兩大方向，從發展過程看，是由前者逐漸向後者演進。
被公眾熟知的明星虛擬歌姬——初音未來和洛天依，在技術上使用的正是拼接合成的方式，並在最初採用的是VOCALOID引擎（軟體）。這類拼接合成引擎依靠手動調校，可調節的參數和調節的精準度，會直接影響創作效果——完全手動調校對於新手來說入門難，製作需要花費更多精力。
UP主你ADC我輔助表示，由於拼接合成是通過對不同發音的錄入、編排和拼接來合成歌聲，具備音域寬、編輯自由度高的優點，但連貫度會有所欠缺，「畢竟本質上就是一段段的音頻素材」。
從拼接合成到AI合成的轉變過程，可以說是一種技術的革新。與傳統的拼接合成不同，AI合成是使用人工智慧技術深度學習人聲樣本的唱法、發音、聲線、風格等，推測出本人怎麼唱進而模仿。
2009年，名古屋工業大學開發的Sinsy就使用了隱馬爾科夫模型，而後CeVIO在Sinsy基礎上開發出輸入音符、文字就能唱歌說話的功能——這是最早使用非拼接方式的歌聲合成引擎。到了SynthesizerV發布時，技術上已經開始介入人工神經網路（模仿人類大腦活動的機器深度學習模式），也就是說其在拼接合成的基礎上結合了人工智慧技術，融合了兩者的優勢。
微軟小冰X studio也是早期AI引擎之一，免費使用但目前落後於其他引擎。相比之下，ACE作為完全的後起之秀，性能效果與Synthesizer V同屬第一梯隊，去年5月，洛天依也宣布與ACE合作推出了ACE引擎聲庫，早期ACE還提供了音樂創作社區。
AI合成引擎通過人工智慧計算自動合成的聲音，往往不需要大改就能使用（也可以直接在計算結果的基礎上修改參數）——這一方面降低了製作成本；另一方面生成的聲音非常自然、流暢、擬真，操作門檻低。
不過UP主@HarryKamski介紹說，AI合成的缺點是音域會受限，而且因為合成方式非顯性，會有「自己的想法」，很多時候不能完全遵照調校師的想法。
「AI孫燕姿」背後的歌聲轉換
就在SVS歌聲合成在商業領域大行其道的同時，各種音樂社區內，隱匿生長的開源幼苗也在茁壯成長。並因幾個月前突然在網路爆火的「AI孫燕姿」，將SVC（歌聲轉換）猛地推向了主流的道路。
「AI孫燕姿」與商用廣泛的SVS技術路線不同，採用的是歌聲轉換即SVC技術。兩者的技術原理和用戶生態都是不同的，談及兩者的區別時，UP主電漿果茶畫了一張圖。
UP主電漿果茶解釋說，不管用SVS AI還是SVC生成音頻，首先都需要採集聲音做一個AI模型，採集的聲音質量越高，模型輸出的音質也就越高。有了模型之後，SVS只需要輸入文本和音符就能生成一個新的音頻，沒有其他干擾的話，這個音頻的音質是不會變的。SVC模型生成內容則需要先輸入一個既有音頻，如果你往一個很好的模型輸入一個糟糕的音頻，那麼輸出來的音頻也是糟糕的。
也就是說，「AI孫燕姿」這類AI歌手，本質可以理解為AI加持的歌聲變聲器，它是將源音頻的音色、聲線替換為目標歌手的，保留原來的歌詞、唱法、音調等，因此最後的呈現效果，很大程度上取決於源音頻的演唱水平。
相較SVS技術，SVC出現的時間並不久。早期日本發布過一款語音合成軟體Voiceroid，可以將輸入的文本轉換成語音朗讀，當時主要應用於一些遊戲解說、美食教學、伴讀等。但對於實時需求來說，輸入文字並不方便，於是後來就出現了AI變聲器，比如，「塞壬VOICE」——這些當時本質上還是商業的閉源軟體。可以說，直到以VITS（語音合成模型）為基礎的這類開源、免費軟體出現，SVC才真正在社區中興起。
至於大火的「AI孫燕姿」誕生經歷，這裡要提到一個人，國內歌聲合成愛好者Rcell，他基於VITS、SoftVC等項目開發了AI語音轉換軟體so-vits-svc，「AI孫燕姿」等AI歌手正是基於此製作的。由於so-vits-svc開源免費，可以在本地訓練，也因此被大家廣泛的使用——so-vits-svc之外，SVC軟體還有RVC、DiffSVC等。
除了「AI孫燕姿」的發如雪，SVC技術的興起給個人的音樂興趣帶來了更多的可能性。
今年3月，UP主你ADC我輔助在B站上傳了一首已故歌手本兮「演唱」的《反方向的鐘》，勾起無數90後的回憶殺，網友們紛紛在影片下感慨追憶，留言7000多條。
UP主你ADC我輔助表示，「現在很多網友用SVC來訓練各種人物的聲庫，比如動漫角色、主播、明星，甚至身邊的親朋好友，只要你想，任何人的聲音都可以被訓練，並不限於明星。由於SVC聲庫訓練起來不算複雜，在二創中非常受歡迎。」
也正是如此，「AI孫燕姿」爆火後，「AI王菲」、「AI周杰倫」、「AI陳奕迅」紛紛上線，有人追求歌曲的適配，有人紀念去世歌手，也有人劍走偏鋒，讓郭德綱唱起了熱血日漫OP。
每一次有新的人工智慧技術出來，都會引起一番AI取代人的問題的討論。有人認為，AI歌手的本質其實更像鋼琴吉他一樣，是一種樂器，無論是將其打造成虛擬偶像，還是生產力工具，它都不能脫離於人而存在。當然那些演唱能力很差的歌手，或許該有一些危機感。
AI歌手的商業版圖
不管AI歌手的本質是什麼，任何一種新產品能否生存的核心都不僅是技術，更在於能否建立完善的商業模式。
商業模式上，SVS打造的歌手主要是和IP產業、偶像產業結合，比如廣告代言、賣周邊、直播、開演唱會、發行歌曲等。但虛擬偶像產業主要靠粉絲經濟，圈子小眾，想吃肉的多，可想而知這門生意並不好做。
最火的初音未來和洛天依都屬於最早吃到螃蟹的，一個是第一個在世界範圍爆火；另一個則是第一個打開中國市場的，因此吸引了大量粉絲。不過，與表面的火爆背後，AI歌手的成功其實鳳毛麟角，即使在二次元文化最盛行的日本，真正大獲成功的大概也只有以初音未來為代表的那幾個。
除了偶像化的商業模式，另一個營收方向是聲庫銷售。UP主你ADC我輔助表示，官方發布的SVS聲庫絕大多數都是經過配音員本人授權的，像SV AI、CeVIO AI等軟體的AI聲庫，多採用買斷制，以一個價格購買後就能終身使用其AI合成服務。
此外，電漿果茶表示，現在相關公司也在嘗試拓寬市場邊界，比如跟生產力工具結合。上個月，日本AI社宣布將與Unity合作推出A.I.VOICE語音合成聲庫，和基於A.I.VOICE技術的Unity擴展編輯器，讓用戶可以在Unity上直接合成語音內容，無需在多個軟體切換。
相比之下，SVC的商業路徑更窄，雖然也有商業化軟體，但在已經有很多開源免費SVC的情況下，如何突出商業SVC的優勢，是一個主要問題。同時由於製作門檻低，SVC頻道更加混亂，充斥大量低質量作品，也引起了一些圈內用戶的不滿。另一方面由於音頻的採集未經過版權方同意，SVC的AI歌手對原歌手以及詞曲者都可能構成侵權。
「灰色地帶」的陰影
版權爭議是AI歌手面臨的一個主要現實問題。
對於歌手本人和唱片公司來說，面對不間斷輸出的海量自製歌曲，進行授權或起訴索賠並不可行，最優的解決方案或許是將重點放在輸入側——讓AI工具從預先授權的數據集中學習。這樣唱片公司和出版商也有機會從中拓展營收，音樂版權也可能迎來一個新的商業模式。
這樣的新商業模式並非空中樓閣。
根據近期報道，谷歌和環球音樂正在就授權AI使用藝人的聲音和音樂來創作歌曲進行談判。知情人士稱，雙方的討論是圍繞AI技術在音樂版權方面達成合作夥伴關係，希望開發一種工具，讓廣大粉絲可以合法地創作AI歌曲，向版權方付費，歌手們可以自由選擇是否加入。目前磋商還處於早期階段，暫時不會推出產品。此外據透露，華納音樂也在與谷歌談判中。
版權之外，聲音合成還存在其他法律隱患。
聲音具有強烈的人身屬性，更是歌手賴以生存的根本。「聲音保護」也被寫入《民法典》，根據《民法典》第1023條相關規定：「對姓名等的許可使用，參照適用肖像許可使用的有關規定。對自然人聲音的保護，參照適用肖像權保護的有關規定。」那麼未經本人允許，通過SVC技術偽造聲音，無疑是對其人身權益的損害。
UP主痕繼痕跡表示，「技術也可能會被用於不好的用途，比如某流量演員自身台詞功底很弱，通過換聲把配音轉變成自己的，或者以後某歌手的歌都不是自己唱的，而是別人唱完變聲成自己的。」此外還可能偽造虛假的錄音、言論，進行詐騙或者造謠誹謗他人——今年已有多起使用AI合成語音電詐的案例曝光。
法律和商業模式都是AI歌手發展過程中要過的關，但這並不影響其成為人工智慧技術的一次重大應用。AI歌手正在不斷拓展音樂創作的邊界，為音樂文化注入無限的可能性。
相關資料：
諮詢公司MIDiA今年5月發布了報告《AI and the future of music | The future is already here》，在這裡提取幾點關鍵資訊，供大家參考。
• 音樂創作者中有一半人認為AI可以成為製作音樂的有用工具，四分之一的人對此持中立態度。
• AI將使音樂製作工具更普及，推動音樂產出實現量子飛躍。
• 隨著AI加速音樂市場的過度飽和和高度碎片化，創作者和消費者之間界限的模糊，培養粉絲將成為最終的差異化因素。
• AI無需生成出色的音樂就能侵蝕主要唱片公司的市場份額，它只需要生成足夠多的歌曲，每首歌曲都有一次播放。
• 隨著創作者更多的使用AI工具，唱片公司將需要圍繞藝人發展和吸引粉絲重新定位。
• 如果擁抱AI，錄製音樂可能會出現一套全新的授權模式，從授權專有數據集到消費者創作工具。
