引言

Suno 一句提示词生成带人声的完整歌曲，让"AI 写歌"第一次真正出圈。但 AI 作曲并不是从 Suno 才开始的——从 1957 年用计算机生成的弦乐四重奏《Illiac Suite》，到 MIDI 时代的规则系统，再到今天的端到端音频大模型，这条路走了快七十年。本文梳理两条主要技术路线：符号音乐生成和端到端音频生成，聊聊它们各自的原理、代表工作和工程落地的现实问题。

符号音乐生成：MIDI 时代的方法

符号路线把音乐表示为离散事件序列：音符、音高、时值、力度、和弦，就像音乐界的"文本"。既然像文本，NLP 的武器自然都能搬过来。

早期方法是马尔可夫链和规则系统，按统计概率接龙下一个音符，生成的旋律听着像那么回事，但缺乏长程结构——开头和结尾毫无呼应。

深度学习阶段，RNN/LSTM 一度是主力，Google 的 Magenta 项目里的 Melody RNN 是经典教学案例。真正的跃升来自 Transformer：Music Transformer 用相对位置注意力捕捉乐句间的重复结构，终于能生成有"起承转合"感的钢琴曲。后来的 MuseNet、PopMAG 等把多轨配器也纳入建模。

符号生成的工程门槛不高，用 pretty_midi 处理数据、拿 GPT 架构训练一个音符序列模型，几百行代码就能跑：

import pretty_midi def midi_to_tokens(midi_path: str) -> list[str]: """把 MIDI 文件转成 token 序列（简化版：音高+时值）""" pm = pretty_midi.PrettyMIDI(midi_path) tokens = [] for note in pm.instruments[0].notes: # 取第一轨 duration = round(note.end - note.start, 2) tokens.append(f"NOTE_{note.pitch}_DUR_{duration}") return tokens def tokens_to_midi(tokens: list[str], out_path: str): pm = pretty_midi.PrettyMIDI() inst = pretty_midi.Instrument(program=0) # 钢琴 t = 0.0 for tok in tokens: _, pitch, _, dur = tok.split("_") pitch, dur = int(pitch), float(dur) inst.notes.append(pretty_midi.Note(80, pitch, t, t + dur)) t += dur pm.instruments.append(inst) pm.write(out_path)

实际项目里 token 设计要细得多：通常引入量化时间步（如每拍 4/8 格）、速度变化事件、和弦标记，BPE 之类的方法也有人在用。

端到端音频生成

符号路线有个绕不过的天花板：MIDI 里没有音色、没有呼吸、没有人声，生成结果要过得去还得靠编曲和音源。端到端路线直接生成波形或频谱，一步到位。

技术演进大致是：WaveNet（2016）用空洞卷积自回归生成波形，音质惊艳但生成速度慢得离谱；随后 GAN 方案（MelGAN、HiFi-GAN）把速度问题解决，但可控性有限；再往后是两条主线——

• 音频编解码 + 语言模型：Encodec、SoundStream 把音频压缩成离散 token，然后像 GPT 一样自回归生成。MusicGen 就是这个思路，结构清晰、训练稳定，开源社区最爱。
• 扩散模型：Stable Audio、Udio 用扩散模型在潜空间生成音频，从噪声逐步去噪出完整音轨，音质和丰富度目前是天花板。Suno 的细节未公开，业界普遍认为也是"编解码器 + 生成模型"的混合架构，并且单独建模了人声。

人声（歌声）是单独的一道难关。歌声合成比普通语音合成多了音高和节奏的强约束——必须卡着旋律唱，VITS 系方案（VITS、so-vits-svc 用于音色转换，DiffSinger 用于从头合成）是开源社区的主力。Suno 类产品的体验优势很大程度就来自把人声建模和伴奏生成联合训练，而不是先作曲再"配音"。

| 路线 | 代表工作 | 输出 | 优势 | 短板 | | --- | --- | --- | --- | --- | | 符号生成 | Music Transformer、PopMAG | MIDI/乐谱 | 结构可控、可编辑 | 无音色人声，依赖音源 | | 自回归音频 | MusicGen、AudioLM | 波形 | 架构成熟、可流式 | 长曲目结构弱 | | 扩散音频 | Stable Audio、Udio | 波形 | 音质最高 | 推理慢、可控性仍在完善 | | 混合方案 | Suno（推测） | 带人声歌曲 | 成品度最高 | 闭源、不可复现 |

控制与编辑：让生成听话

"生成一段音乐"不难，难的是"生成我想要的那段"。可控生成有几个常用抓手：

1. 文本条件：T5/CLAP 编码文本描述，交叉注意力注入生成过程。"忧郁的小调钢琴曲，90 BPM"这类提示词已经是标配。
2. 旋律/和弦条件：哼一段旋律或者给和弦进行，让模型照着展开（MusicGen 的 melody conditioning）。
3. 结构控制：前奏-主歌-副歌的分段标记作为特殊 token，或者用 Suno 式的歌词元标签（[Verse][Chorus]）。
4. 编辑能力：inp