作者/柳成枝 编辑/范志辉
来源：音乐先声（ID:nakedmusic）
近期，美国数字研究机构 Space150 进行了一项有趣的试验：基于人工智能（Artificial Intelligence，简称 AI）技术，模仿知名说唱歌手 Travis Scott 的人声和音乐风格，做出了一个说唱机器人"Travis Bott"。
这个试验的目的是为了看 AI 到底能够持续创造出什么。事实上，"Travis Bott"真的创作了一首歌《Jack Park Canny Dope Man》，且歌词和旋律均由自己完成。同时，Space150 还使用基于 AI 的人体图像合成技术"Deepfake"，为这首歌拍摄了 MV。
说实话，与以往的 AI 歌曲不同，这首 AI 歌曲在对真人继续学习后，近乎到底了真人的听感。国外网友在 MV 下面留言道。"better than real trvis（比真人还好）""Pretty amazing, this is only the beginning（太棒了，这仅仅是个开始）"，甚至开始担心 AI 会奴役人类，但自己还是会买票去看。
原理上，Space150 采用附加神经网络技术（Additional Neural Network）创造出旋律和打击乐伴奏，再将 Travis Scott 的歌词输入"文本生成器模型（Text Generator Model）"，两周后，AI"Travis Bott"开始创建了歌词的韵脚（rhymes）。
从效果来看，Travis Bott 模仿 Travis Scott 几乎达到了以假乱真的地步，完全融汇了 Travis Scott 作品以及人物魅力的最主要的外显特征，以至于被调侃可以加入 Spotify 的说唱热门歌单《Rap Caviar》。与此同时，该项目也进一步验证了人工神经网络技术（Artificial Neural Networks）的进步，有助于探索未来 AI 在音乐中的应用价值。
不可否认的是，AI 已经渐渐地嵌入到我们的日常生活中。在"互联网+"以及"工业制造 4.0"的新时代背景下，具备通信、网络与人机交互功能的 AI 作曲覆盖到教育科普、艺术表演和娱乐服务等领域已是大势所趋。而面对 AI 音乐的优异表现，也让我们思考：音乐人在与 AI 音乐的共生中，是否会遭遇到 AlphaGo 式的碾压？
如何克隆 Travis Scott？
事实上，AI 作曲（Algorithmic Composition，也称"算法作曲"）并不稀奇，复制 Travis Scott 也并非难事。
早在 2016 年，索尼旗下的计算机科学实验室（Computer Science Laboratories ，简称 Sony CSL）研究人员哈杰里斯和帕切特就曾开发了一个名为"DeepBach (深度巴赫) "的神经网络。他们利用巴赫创作的 352 部作品目来训练 DeepBach，创作出了 2503 首赞美诗。
而第一个正式获得世界地位的 AI 虚拟作曲家则是由 2016 年诞生的初创公司 Aiva Technologies 推出的 AIVA（Artificial Intelligence Virtual Artist）。它的创作方向主要是古典音乐、影视配乐，发展到现在也逐渐有了其他类型的作品，例如摇滚乐、流行乐等。作为虚拟音乐人，它通过了法国和卢森堡作者权利协会（SACEM）的合法注册，并拥有自己的署名版权。在 AI 领域而言，复制一位或多位音乐人的音乐风格的工作也许早已在进行中。
目前来看，无论是 DeepBach、AIVA 抑或是 Travis Bott，AI 作曲背后都是一种基于人工神经网络的深度学习（Deep Learning）技术。在这种深度学习中，程序员必须搭建一个多层"神经网络"，并在多层的结构中分别加以编程，从而可以处理各种输入和输出点之间的信息。
来源于：2017·菠萝科学奖，人工智能主题解读
譬如说，DeepBach 被输入的是巴赫的 362 部作品，AIVA 被输入的信息是以巴赫、贝多芬、莫扎特等为代表的古典作曲家作品的大数据库，而 Travis Bott 被输入的则是 Travis Scott 的作品、人声以及音效。
在数据输入后，人工神经网络会找到众多被输入作品之间存在的规律，继而形成对音乐风格的理解。但这个音乐风格并不是最终的产物，其主要目的是用来预测，AI 程序会带着它对音乐风格的预测继续运行，而在前方将会遇到下一个验证数据集。这个数据集会告诉它预测的正确与否，正确与错误的回馈都将被 AI 记住，在不断的高速学习中，AI 的预测能力就会越来越强，最终掌握程序员大数据中归总后的曲风，进而能编写出自己的曲子。
而 AI 创作者"Travis Bott"的突破，则在于其不止是输入了 Travis Scott 的作品，更输入了人声及音效，文本与声音的输入与输出在深度学习上又更上了一个台阶。
来源于《I am AI 》系列短纪录片
这种深度学习，看似只是基于人类大脑的神经结构简单模式，但在某种程度上已经可以像人类一般"思考"了。这也使得 AI 能够在数据中理解并塑造高度抽象化的模型，例如旋律中的模型，或者人脸的特征。但从人工智能音乐的发展沿革而言，人工神经网络只是 AI 作曲的主要技术之一，与其他算法相比，有其优点也有其劣势。就优势而言，具有自学能力、联想存储功能、高速寻找优化解的能力是人工神经网络较其他算法最卓越的地方。
来源于：2017·菠萝科学奖，人工智能主题解读
但其劣势也较为明显：1. 著名的"黑匣子"问题，意味着你不知道神经网络将会如何产出结果，更不知道为什么会产生这种结果；2.与认知不同，作曲是更高层次的智能活动；3. 耗时耗力；4. 数据饕餮，相较于传统的机器学习算法，需要更多的数据；5.算力成本较为昂贵。
在实践中，即便是最先进的深度学习算法，要实现真正深度神经网络的成功训练，仍需要数周才能完全训练完毕。而目前 AI 作曲在主要技术上尚不存在最优解，大多采用混合型算法（Hybrid Algorithm）。
如何避免 AI 作曲的版权风险？
与此同时，AI 作曲的整体不足也较为显化。正如前文所言，AI 作曲本质上就是大数据和云计算，AI 音乐产生的过程就是机器根据程序员输入的要素或者是模式，在庞大的资料库中总结提取与之相匹配的特征，而后根据这些特征提取各种资料元素进行新的组合或者是延展。
这里面必然存在一个问题是：这个巨大的数据库如何区分哪些数据是有版权保护的？哪些是公共数据？数据库的搭建者如何保障具有版权数据的权益？使用数据库的主体如何做到不侵权？
很显然，目前的 AI 作曲在某种程度上仍旧无法完成或者说无法自主完成这一任务，版权的规避大多来自于程序员的有意为之。
2017 年，Aiva Technologies 对 AIVA 选择专注古典音乐的解释也正好回应了程序员对于 AI 作曲版权的刻意设计："用来训练 Aiva 的古典音乐数据库不涉及版权问题，因为版权都过期了。"
对于开头的 Travis Bott 而言，其对于 Travis Scott 的学习中，作品库、人物形象的采样必然也要先取得 Travis Scott 的授权，但其学习后生产出的作品又如何避免对 Travis Scott 形成抄袭呢？
这一情况，也是造成目前市场上 AI 作曲质量参差不齐的原因之一，某种程度上来说，抄袭或许很难避免。查重工具 (Plagiarism Checker)以及查重的尺度在这里就显得尤为重要了，但就目前的实践来看，人类音乐人歌曲抄袭判断标准都还在寻求统一化中，何论 AI 作曲？
而即便 AI 作曲经历千辛万苦后终于生产出一个纯原创、不涉及任何侵权的作品，他（她）又将面临到版权认证的问题。
根据我国《著作权法》对于著作权的定义，"著作权是著作权法赋予民事主体对作品及相关客体所享有的权利。"其中，民事主体指公民、法人或非法人组织。AI 在主体身份上就无法获得认可，权利的获得与放弃都变得尤为复杂。如果产生侵权纠纷，将难以解决。
比如，微软小冰独立创作的诗集《阳光失了玻璃窗》，作品一经发布后就出现了很多的盗版以及很多不规范引用。这种通常意义上的侵权，却因为缺失法律规定的缺失，版权的归属也就谁都说不清，侵权也就听之任之了。
但值得一提的是，相较于国内的空白，国外对于 AI 作品的放宽与认可已然成为一种常态，英国、南非、新西兰属于第一批明确认可 AI 版权的国家。而美国、日本、澳大利亚虽然在成文法上并未有明确规定，但在司法实践中都进行了不同程度的尝试。这也是为什么美国在成文法上未对 AI 作品进行认可，但在司法实践中却有胜诉的案例。
但中国因为是成文法国家，判例法并不是法的正式渊源，无法与普通法系（或英美法系）形成法官造法的司法实践，所以从制度上明确 AI 作品才是最根本的。
不可否认的是，受制于多国在 AI 领域以及法律操作上的水平差异，要获得大范围的认可或许仍有待时日。当然，在其中取巧也较为简单，在 AI 生成的作品加入人类艺术家的名字就可以突破这一桎梏。
2018 年 9 月 7 日，AIVA 的纯音乐专辑《艾娲（Vol.3 from artificial composer Aiva）》的做法是：专辑还是 AIVA 的，但每首曲子都会标注"feat. Aiva Sinfonietta Orchestra, Brad Frey"，表明那位音乐监督在"演奏"中的贡献，团队成员就可以将作品进行商用。
总的来说，复制 Travis Scott 对于 AI 来说并非难事，但要处理其中的版权纠纷以及进一步将 AI 技术提升却并非一日之功。
AI 音乐的商业探索
AI 音乐无疑是一个历时已久，但在这几年蓬勃发展的朝阳产业。
1974 年，Rader 系统的出现是带有 AI 作曲系统真正的开始。与现在意义上的 AI 有所不同，其运用了 AI 中可运用规则的部分，使得机器根据旋律、和声生成的规则进行权衡，并且对音符与和声搭配的合适比重进行选择。此后随着对音乐生成系统研究的不断深入，出现了可完成自动低音和声生成的 Snobol 系统，以及可用来生成巴赫风格和声的 Choral 系统（Ebciogln 产品，专家系统）。
1993 年，出现了运用人工神经网络学习模式进行和声生成的 Musact 系统，以及基于人工神经网络和"限制满意度技术"相结合方式，可根据旋律进行巴洛克风格和声生成的 Harmonet 系统。这些都是现代 AI 作曲系统的鼻祖，具有里程碑意义。
当代 AI 作曲系统的开发，大多从 Google 的 Magenta 开始萌芽。Magenta 是 Google 于 2015 年底开源，并用 TensorFlow 机器引擎学习的一种人工智能技术，该项目旨在开发 AI 技术创作出音乐以及其他艺术形式，主要子项目有 NSynth Super、Onsets and Frames 以及 MusicVAE。
此后，各类 AI 系统、产品开始迅速发展。其中，较为有代表性的程序开发有：2017 年 Taryn Southern 专辑《I Am AI》采用的 Amper Music 应用、2018 年 Skygge 录制发行《Hello World》使用的 Flow Machines（Sony 旗下产品）工具，以及 2019 年 OpenAI 开发的一种用于生成音乐作品的深层神经网络 MuseNet。
目前，国外较为成熟的 AI 音乐公司，除了 Google、Sony、Amper Music 外，还包括洛杉矶的 Popgun、伦敦的 Jukedeck 和 AI Musical、旧金山的 Humtap、柏林的 Melodrive、Google 总部山景城的 Groov.A、卢森堡的 AIVA、非盈利性研究公司 OpenAI 以及自称为 "首个建立在人工智能音乐发现基础上的全方位服务唱片公司"Snafu Records 等。其中，Jukedeck 已于 2019 年 7 月被头条收购。
而在国内，AI 音乐也有不少的行业实践。
除了百度、腾讯、阿里、网易云等音乐平台都在不同程度上对 AI 音乐有布局外，高校以及大中型企业也逐渐加入到 AI 音乐的教育、研发中。例如，貌似和音乐搭不上边的平安科技有限公司，接连与中央民族大学、四川音乐学院等高校展开了合作，并在 2018 年 EPFL 瑞士联邦理工学院举办的 AI 作曲国际挑战赛中，赢得了智能作曲领域内首次的 AI 世界作曲大赛冠军。
而由微软(亚洲)互联网工程院人工智能创造力团队负责研发的 AI 音乐技术，已经能够基于和弦、节奏、旋律交叉等多项音乐元素进行内容创作，集作曲、作词、编曲、演唱等多项音乐创作力于一体，相当于一支完整乐队。如今，此项技术已在央视及各省市综艺节目中多次验证，并成功实现了商业化与产业化输出。2018 年 5 月，微软宣布公司旗下人工智能小冰已经掌握了歌词创作和谱曲能力。
另外，2018 年 4 月，嗨翻屋发布的音乐 AI 创作助手"小嗨"在目前已经创作了数张专辑，除了作词作曲，还具备"识曲"功能。而 2019 年 2 月、3 月分别在 IOS 和安卓上线的"鲸鸣"APP，则是一款可以让普通人的"在线合唱"变为可能的音乐类应用。"鲸鸣"APP 使用的是 AI 歌声合成技术，用户只需要录入自己的声音，APP 便可自动修音，并利用 AI 技术将录音者的声音与原唱或者是其他使用者的音色相结合，最终达成合唱效果。
不难发现，AI 在音乐领域的运用已经是各国文化产业的一大重点。在快速发展的同时虽然也存在一定的困境。当然，主要还是围绕算法、版权两个方面。但随着 AI 整体技术水平的提升，用户对作曲系统智能化程度要求的提高，AI 在音乐领域的运用正逐步走出困境，国内发展的趋势也逐渐与国际接轨。
首先，在算法技术层面，混合型算法以及个性化智能音乐定制依然是主流。一方面，由于各种算法在人工智能作曲的使用中都有其自身的优势和不足，目前人工智能作曲的音乐作品风格和体裁比较单一，且可听性不强。在混合型的算法作曲中，各种算法将扬长避短，这些问题能够得到有效解决。
另一方面，由于 AI 作曲从大数据中抽取规则，多产但很容易造成歌曲同质性较高的问题。但个性化智能音乐定制以听众的私人喜好为前提，通过大数据和算法运作后生产出的作品也因个体的差异，更具有原创性。
其次，在版权方面，受制于无法破除的法律困境，AI 技术转向与人类音乐人合作将是短期内突破版权的最直接手段；同时，人类音乐人也会在其中获利，AI 技术对于人类创造力以及音乐人灵感的激发作用会越发凸显。
有报道称，人机配合的创作方式是人类音乐家创作速度的 20 倍。某种程度来说，在提升音乐人的工作效率、降低音乐人与制作方的沟通成本方面，AI 作曲都有着人类协作难以企及的优势。
2018 年 9 月，阿里音乐首席科学家尧问（花名）曾在阿里音乐专场论坛上说道："我觉得任何一个艺术家，总有创意枯竭的时候，他们需要灵感。AI 创作的音乐可能不是整段歌都好听，但中间恰好有一小段和这些艺术家的情绪相符，艺术家就能参考借鉴，作为灵感的迸发点，把这个启发转化到自己的作品里面去，我觉得这对于他们是非常好的帮助。"
随着 AI 技术在深度学习的逐渐深化，对于人类情绪掌握的逐渐熟练，以及法律逐渐完善对计算机作品以及主体的定义，AI 作为人类音乐家的辅助工具这一现状或许也不会持续太久，毕竟技术以及法律都并非是一尘不变的。
结语
从流媒体利用 AI 进行智能推荐去引导听众音乐品味，到科学家基于 AI 打造出 AI 作曲家再一次颠覆音乐行业，人们对于 AI 的发展有些喜忧参半。一方面，AI 的加入能够让音乐行业更加完善，让这个行业的运作更加有效率；另一方面，作为人类制造出来的机器，AI 作曲的销量和品质也许会让很多音乐人汗颜。
长远来看，AI 与人类的音乐人、电台 DJ 的关系或许也不是非此即彼，就像现在的数字音乐与黑胶的对决一样，黑胶的没落是有目共睹，但其价值仍然被大众认可，甚至被小部分人追捧。换句话说，技术的进步以及行业的综合性推进，最大可能会使得 AI 音乐成为音乐创作的一种标准配置。当然，人们对人类音乐人在音乐上的原创性、审美性要求也会越高。
但无论是 AI 音乐或者是人类创作的音乐，从音乐诞生到现在花样百出的音乐产品，其最核心的仍然是提供服务，这个核心不改变，人和音乐的关系也不会被改变。归根结底，人工智能仍来源于人类智慧，与其说让音乐人失业或者是被遭遇到 AlphaGo 式的碾压，不如说是技术带来的行业变迁，而在作品或音乐服务的选择上，听众也有了更多元化的选择。
参考资料：
1. 《ARTIFICIAL INTELLIGENCE MADE A SONG IN THE STYLE OF TRAVIS SCOTT. IT SOUNDS UNNERVINGLY LIKE TRAVIS SCOTT.》，《Music Business Worldwide》，2020 年 2 月 16 日
2. 《艺术家们是如何看待虚拟现实这一未来大势的？》，《SIZE 潮流生活》，2020 年 2 月 16 日
3. 《第一个世界正式的 AI 作曲家 AIVA 是怎样创作音乐的？》，《雷克世界》，2017 年 3 月 17 日
4. 《什么是人工神经网络（ANN）》，《知乎专栏：人工智能图像识别技术与计算机视觉(CV)》，发布于 2018 年 8 月 30 日
5. 李景平：《人工智能深度介入文化产业的问题及风险防范》，《深圳大学学报（人文社会科学版）》，2019 年 9 月第 5 期
6. 贰叁叁 ：《AI 写的歌，应该受到版权保护吗？》，《音乐先声》，2019 年 6 月 14 日
7. 肖欣：《人工智能生成内容版权问题的国际比较研究》，华东政法大学硕士论文，2019 年
8. 《神经网络最大的优点，以及最严重的缺陷》，《csdn 人工智能头条》，2018 年 10 月 12 日
9. 王铉、雷沁颖：《人工智能对中国音乐产业链的渗透与革新》，《现代传播(中国传媒大学学报)》，2019 年 12 期
10. 《博览会 AI 音乐家会像阿法狗那样碾压人类吗？》，《中国音乐财经网》，2018 年 4 月 24 日
11. 田梅、黄智兴、张友刚：《算法作曲中的人工智能技术》，《四川教育学院学报》，2006 年 12 月
排版安林
转载：https://news.cnblogs.com/n/656981/
原文地址：https://www.cnblogs.com/linyinmobayu/p/12425611.html