18.3 2025：语音和音乐爆发

2023 年 AI 学会了”看”，2024 年学会了”动”，2025 年学会了”听”和”唱”。这一年，AI 在声音领域取得的突破，不比前两年在图像和视频里的任何突破小。

为什么声音比图像更难

声音是时间的艺术。一张图片你一眼就能看完，一首歌你必须从头听到尾才能判断好不好。AI 生成音乐时，不仅要保证第 3 秒的鼓点好听，还要保证第 3 秒的鼓点和第 30 秒的副歌之间存在合理的音乐结构——和声怎么走、节奏怎么变、情绪怎么起承转合。这比生成一张图片多了至少两个维度：时间结构和情感叙事 ¹。

打个比方：生成图片像写一首五言绝句——四句话，押韵就行。生成音乐像写一部小说——几万字，人物不能写丢、情节不能断裂、开头和结尾得呼应。

2025 年的三场声音革命

Suno：从”输入歌词”到”音乐工作站”。Suno 是 2024 年上线的 AI 音乐生成工具，2025 年真正引爆。早期版本你输入歌词和风格提示（比如”流行摇滚，男声，快节奏”），AI 生成一首完整的歌——有前奏、主歌、副歌、尾奏。2025 年的 V4.5 版本，音频质量逼近专业录音棚水平，支持最长 8 分钟的连贯音乐——这比市面上大多数流行歌曲都长 ²。

更惊人的变化发生在 2025 年下半年。Suno 推出了 Suno Studio——一个浏览器里的”音乐工作站”（DAW，Digital Audio Workstation，你可以理解为一个线上版的专业录音软件）³。你不用再一次性生成整首歌，而是可以：

• 上传你自己哼的一段旋律，AI 帮你配上鼓、贝斯、键盘
• 上传一段伴奏，AI 帮你写旋律和歌词
• 分轨导出——人声、吉他、鼓各自一个文件，给专业混音使用

Suno 不再只是”AI 帮你写歌”，而是”AI 跟你一起做音乐”。你用灵感定义方向，AI 帮你把灵感填满。

ElevenLabs：你的声音变成”数字资产”（2023 年上线，2025 年爆发）。ElevenLabs 是语音克隆技术的领军者。你录一分钟说话的声音，AI 就能用你的声音读任何文本——不只是中文，还包括 73 种语言 ⁴。2025 年推出的 V3 模型加入了情绪标签——在文本里写” [whispers] “（悄悄话）或” [shouts] “（大喊），AI 就会用对应的语气说出来 ⁵。

ElevenLabs 的”专业克隆”模式需要约 30 分钟高质量录音，但效果能做到——你用克隆的声音说一段你从未说过的话，连你家人都听不出区别。2025 年 3 月，ElevenLabs 还和 AudioShake 合作，可以从嘈杂的老旧家庭录像里提取干净的人声，帮 ALS（渐冻症）患者用几十年前的录音”找回”自己的声音。

GPT-4o 实时语音：跟 AI 打电话（2024 年 5 月发布，2025 年普及）。GPT-4o 的语音模式不只是把文字念出来——它是一个原生的”语音到语音”模型。传统语音助手的工作方式是：你的语音 → 转成文字 → AI 处理文字 → 生成回复文字 → 转回语音。每一步都有延迟，加起来通常要 1-3 秒。GPT-4o 直接把语音波形当作模型的输入和输出，跳过中间的文字转换，延迟降到 200-300 毫秒——跟人和人说话的反应速度差不多 ⁶。

更关键的变化是情绪感知。GPT-4o 能从你的语调、节奏和停顿中判断你的情绪——你是着急、困惑还是开心——然后用相应的语气回应你。你说”我心情不好”，它能用温和的语气跟你说话；你说”我有急事”，它会加快语速直奔主题。2025 年的版本还支持”打断”——AI 在说话，你随时插话，它像真人一样停下来听你说。

注意事项

AI 音乐面临的最大争议是版权。Suno 的训练数据是否使用了受版权保护的音乐？2024 年，索尼、环球、华纳三大唱片公司联合起诉 Suno ⁷。截至 2026 年中，部分和解达成（华纳已签署授权协议），但根本性的法律问题——“用版权作品训练 AI 算不算合理使用”——仍在法庭上博弈。

语音克隆的伦理风险同样严峻。如果有人用你的声音说了一段你从未说过的话——比如伪造一段录音来诈骗——防范措施还远未成熟。ElevenLabs 要求在克隆声音前验证身份，但各平台的防护标准参差不齐。

关联

• 18.2 2024：视频和 3D 来了 — 2024 年 AI 学会”动”，2025 年 AI 学会”说”
• 18.4 2026：全能创作 — 图像、视频、语音在 2026 年开始融合
• 18.7 AI创作的核心争议 — 版权争议和深度伪造风险在语音领域尤其突出

---

← 上一节：18.2 2024：视频和 3D 来了 ｜ 下一节：18.4 2026：全能创作 →

注释

1. Suno, “Introducing v4.5”, 2025年5月, https://suno.com/blog/introducing-v4-5 ↩

2. Suno, “Introducing v4.5+”, 2025年7月, https://suno.com/blog/introducing-v4-5 ↩

3. Billboard, “AI Music Giant Suno Launches Generative Audio Workstation”, 2025年9月, https://www.billboard.com/pro/ai-music-company-suno-launches-daw-rival-logic-ableton/ ↩

4. ElevenLabs, “Voice Cloning Deep Dive”, 2025, https://elevenlabs.io/blog/voice-cloning-deep-dive ↩

5. ElevenLabs, “Voice Creation and Cloning”, 2025, https://elevenlabs.io/docs/eleven-api/concepts/voice-cloning ↩

6. OpenAI, “Updates for developers building with voice”, 2025, https://developers.openai.com/blog/updates-audio-models ↩

7. Music Business Worldwide, “Suno launches v4.5+ update”, 2025年7月 ↩