AI 每天生产 1000 万首新歌，Spotify 等平台最终会消亡丨100 个 AI 创业者

留声机毁掉了家庭演奏，但催生了版权，AI 音乐会有新的分发方式。

文丨祝颖丽

编辑丨赵磊

高中时，郭靖只会唱歌，第一次听到别人录的有完整编曲的歌时，整个人像 “被雷劈了一下”。他问对方，能不能教我编曲？对方说，这不是一般人能学会的，不是从小学音乐不可能理解乐理和编曲规律。后来这句话像一个思想钢印，刻在他脑子里。

直到他 gap year 去硅谷，自学英语、高等数学、coding 后，突然意识到，音乐创作或许没有那么难；或许只是这个领域的工具不够好。这变成了他做 AI 音乐的起点。

今年 5 月，郭靖创办的 ACE Studio 年化收入近 2000 万美元，付费用户来自全球，以欧美为主，用他自己的话说 “人均格莱美”。电影音乐之神汉斯·季默、百大 DJ 之首的 Martin Garrix 团队、美国传奇音乐人 Stevie Wonder 、R&B 教父 Teddy Riley 都是 ACE Studio 用户。这个在 Suno 和 Udio 的光环下相对低调的 AI 音乐工具，因为定位严肃的专业创作者，从开始就有不错的商业化成绩。

早些年，郭靖和他的 AI 音乐梦想不太受资本市场的关注。直到 2025 年，随着音乐大模型的上线、收入的增长，以及新产品的规划，这家公司才逐渐被头部投资机构热捧。据我们了解，ACE Studio 即将完成新一轮融资，算上这次，近期两轮融资近 5000 万美金，是目前 AI 音乐赛道融资最多的中国团队。

现在，郭靖的目标已经不只是工具。他认为 AI 带来的音乐供给爆炸会摧毁 Spotify 这类流媒体平台存在的根基，他要做的是下一个形态：一个住在耳朵里的 music agent，知道你的记忆、情绪和品味，会给你放歌，也会给你写歌。如果说 ACE Studio 是 AI 音乐的 “剪映”，之后他的目标是成为音乐类别里的 “抖音”。

创作是强 “human in the loop” 的事情

晚点：一句话介绍一下 ACE Studio。它和 Suno 最大的区别是什么？

郭靖：它是一个面向音乐创作者的 AI 工作站。

和 Suno 的共同点是都拥有自研的基础模型，都是既做模型又做产品的闭环公司，靠产品的用户偏好反馈，构成模型的数据飞轮。差别是 Suno 更傻瓜式，面向小白、爱好者，输入 prompt 输出一首歌，门槛更低；ACE Studio 则是一个 AI 音乐的工作站，一个音乐画布。

我们最早 1.0 的时候，是做歌声合成，用户输入音符和歌词，我们生成一个歌声。2.0 之后，它变成一个通用音乐画布，可以承载完整的词、曲、编曲，也可以承载局部编辑。最近也在加入视频化的功能，让用户通过 AI 制作 music video，或者给已有的视频配乐。我们是希望把音乐创作涉及到的场景做的更全，更深，成为一站式的 AI 音乐创作平台。

晚点：所以差别在可控性吗，相当于一个定位大众，一个定位专业用户？

郭靖：我不太希望用专业和业余去区分用户，更想用严肃和玩票。二三十年前，视频创作非常专业，一台剪片子的电脑可能要 20 万。但今天剪映 PC 端对很多人来说也是专业工具，同时它又有很大的用户规模。

专业这个事情，最后不是门槛划分，而是目的划分。ACE Studio 的门槛其实是可以很低的，它也有一键生成的功能，如果你傻瓜式的用，也能生成很不错的音乐。

但质量不是最稀缺的东西，独特性才是。我们认为 serious user 需要的不止这些。严肃创作者需要可控，需要参与，需要把自己要表达的东西做出来。

晚点：但很多人会觉得，一键生成已经足够了，为什么还需要工作台？

郭靖：“足够好” 这个事情其实不好定义，尤其在创作上。因为创作不是数学题，没有一个终极的 yes or no 的答案。

今天我们感受到的一键生成足够好，其实是 “音乐质量” 好。但是我们思考一下，现在每个人都能一键生成质量很好的音乐了，大家都好，那什么才是更有价值的？严肃的创作者需要做什么，才能脱颖而出？

我认为是 “独特性”，是你想表达什么，你有什么独特的想法。这就是为什么一个人机共创的环境很重要。它可以让用户自由探索、迭代想法，把一个作品持续改到独特。

Claude Code 做一个明确任务，最理想的体验是你完全不用管，token 消耗越多、你参与越少越好。洗衣机也是一样，最好的洗衣机就是你按一下，衣服洗完了，不需要任何用户时长。但创作工具不是这样，创作是强 human in the loop 的事情。你要看自己到底想表达什么，要判断效果是不是你想要的。尤其是在今天，好这个事情已经越来越被解决了，关键是在都好的情况下，你要的是什么。这就是为什么工作台仍然重要。

晚点：ACE Studio 的核心用户是谁？你们一直说用户 “人均格莱美”，这是什么意思？

郭靖：我们开玩笑这么说，当然没有那么夸张。但确实有很多顶级音乐人。比如小马丁 Martin Garrix 的团队，美国 R&B 制作人 Teddy Riley，Stevie Wonder 的团队，Michael Jackson《Thriller》的制作人，都是我们的用户。这些用户一方面会付费，另一方面他们给我们非常好的反馈，这些反馈能帮助我们改进模型和产品。

晚点：但 2.0 之后，用户是不是也开始变得更泛化？

郭靖：对，持续泛化。最早最大的类别是行业里的音乐制作人。他们需要歌手，需要做 demo，所以使用我们。音乐制作人里面又分流行音乐制作人、做影视配乐的人。

现在我们看到很多新的群体。比如音乐教育者，音乐老师和传统音乐制作人已经不是一个画像了。还有合唱团、Beat Maker、Bedroom musician。欧美有很多人把音乐当副业，用自己的音乐变现，给广告、游戏、影视写歌，或者自己发歌赌爆款。

还有一类是泛领域内容创作者。Video Composer 上线后，很多做视频的人需要配乐，也会来用 ACE Studio。

晚点：为什么欧美市场更适合做这个？

郭靖：一个简单数字，欧美所有流媒体平台加起来，注册音乐人大概有 6000 万。中国加起来大概只有 50 万。

你在国内问朋友里有没有音乐人，大家会觉得这个问题很奇怪，好像朋友里有个音乐人是很特别的事情。但在欧美，朋友里有人靠做音乐吃饭，或者赚系统性收入，非常常见。就像你在国内朋友里有设计师一样常见。

不过澄清一下，我们不是不做国内市场，是全球市场一起做。我们的服务器在美国、欧洲还有中国大陆都有，只是全球市场，尤其是欧美 tier1 国家，确实是更广阔的。

晚点：目前的付费情况怎么样？

郭靖：我们现在有五六万付费用户，月收入近 200 万美金。海外没有免费版，主要是年卡和两年卡；国内有月卡。

我们也开始做 Team Plan。前段时间官网上了一个 Enterprise/Education 的入口，如果你有企业、教育或团队需求，可以联系我们。现在已经收到 2000 多个咨询，里面有索尼、拳头游戏，还有很多大中小企业。

晚点：说一下你们商业化的增长吧，现在月收入近 200 万美金，这个曲线是怎么样的？这个增长背后有什么有效的手段吗？

郭靖： 我们是 2025 年 12 月音乐大模型上线后，四五个月翻了几番快速涨到了这个数据。

AI 产品没有自然增长。AI 是一种能力，不是一种网络。它不像社交产品，用户之间天然会形成网络效应。今天所谓的 go viral（短时间内快速传播），很多时候是你的概念火了、演示视频火了，大家跳进来试一下。

所以你必须主动 push，把 feature 告诉真正想用的人。我们做广告、KOL、SEO，也做大量素材测试和归因。2024 年在 HF0 （美国的一个增长加速孵化器）的时候，我们第一次把增长当成一个独立事情来做，像做产品一样做增长。

但长期看，最重要的是形成用户数据反馈闭环。你把用户买进来，亏着买进来也行，但他要能改进你的产品和模型。AI 产品本质是交付 AI 效果，效果越强，增长效率才越高。

晚点：你之前在采访里说，有一个增长策略是直接把定价提高了，然后收入就提高了。但我看社交媒体上也因为定价被用户骂过，这个策略是怎么定的？

郭靖：其实是 A/B test 测出来的。我们发源于最开始做免费的 beta 测试。后来付费时，因为国内定价看起来比较高，所以有很多负面声音。但我们观察到，国内收入也在上涨。大多数付费用户可能都是沉默的。

另外还是参考 Anthropic 的启发，高成本高价格，严肃用户会为好的产品买单，也会提供更好的数据反馈，帮助更快改进模型和产品。

我们也出过很便宜的 tier，后来取消了，大家开始骂，但收入蹭蹭涨。很多时候，社区声音很大，但你要看实际付费和留存。

晚点：这个产品到现在遇到过比较大的波折是什么？

郭靖：会有些老用户对我们 “因爱生恨”。这个圈子跟二次元、创作者很近，本来就对 AI 非常敏感。今天任何一个乙女游戏、二次元游戏，只要敢用 AI，都会被粉丝冲烂。

我们做 AI 歌声的时候，他们觉得这个不是生成式 AI；但当你更明确地做生成式 AI 音乐时，矛盾就出来了。

我们以前有过一个很典型的事情。原先每个 AI 歌手有头像，来自不同创作者，有的很精美，有的像简笔画。Midjourney 火了之后，我们想统一风格，用 Midjourney 重画了一版。上线后，国内海外一片骂声。我们一天内改回去了，但这件事在各种地方被骂了两年。

晚点：音乐人对 AI 的抵触，好像比程序员对 AI coding 的抵触更强。你怎么看这个差异？

郭靖：音乐确实有点不同，但不影响大的趋势。我们上 Video Composer 的时候，有些影视配乐用户会反感，说你这是代替我们的工作。有一个欧洲作曲家也跟我抱怨，但两三个月前，他还很得意地给我分享自己用 AI 视频工具给音乐做 MV，还问我们什么时候上 AI 视频功能。

你会发现，当 AI 视频加持他的工作，他接受；当 AI 配乐冲击他的工作，他反对。很多人可能没有认真想过，自己到底是因为什么抵制。

这件事情在音乐历史上发生过无数次。留声机出来之前，音乐人最主要的赚钱方式之一，是去有钱人家里现场演奏。留声机出来后，他们也会觉得这东西毁掉了生意。但最后它促进了音乐产业，催生了版权。

音乐只有 Scaling Law 不行，需要专有管线和品味

晚点：你们现在是训了自己的音乐模型，为什么有自己的模型很重要啊？不能像很多 AI 工具一样，把别人的模型整合进来吗？

郭靖：音乐这个领域没有别人给你开发好的模型啊。像视频 agent 产品，它可以吃世界的红利，世界上不断有新的图像、视频模型出来，它整合进去就好了。但音乐领域没有这个条件。别人的模型不给你开放 API，也没有成熟的开源模型。你如果不自己做，就永远没有闭环。

晚点：但音乐这一块，你训练模型就是会面临版权的问题。你们是怎么解决这个问题的？

郭靖：我们之前收集了大量歌声和乐器演奏数据。这些数据是实打实购买的，有版权的，或者签约分成、买断的，大概 100 万到 200 万条。

这些最开始都是单轨音频。比如一段小提琴、一段吉他、一段人声。歌曲本质上就是各种单轨音频排列组合出来的。当然中间没有那么简单，还涉及混音、母带、段落结构、标注。

我们组织了一套 synthetic pipeline（合成数据流水线），可以用这些授权基础数据产生大量合成音乐。合成数据不一定都好听，所以我们再用 evaluation model 把音乐性好的筛出来。预训练的目的不是让每一条数据都完美，而是让模型对音乐有比较通用的理解能力。

晚点：那把音乐生成变成了一个多模态语言模型任务，这和上一代专家模型的差别是什么？

郭靖：专家任务就是输入 prompt，输出音频。你可以理解为膝跳反射。

但语言模型任务不一样。它会有 instruction，有 thinking。它会先理解这首歌应该有什么乐器，段落结构是什么，风格是什么，甚至知识渊源是什么，再生成。上一代音乐模型的训练还是有点像本能反应；今天更像训练一个大学生，让他真正学会写音乐。

晚点：这个事情听起来需要很多资源。大厂如果进来，是不是会做得更好？

郭靖：大厂当然可以做，但它要找到关键的人。这有点像马化腾要做移动 IM，关键不是堆多少资源，而是要找到 “张小龙”。

音乐模型不能说 100% 是这样，它毕竟还涉及算力、数据和 scaling law。但里面有相当大比例，是需要一个人或者一支团队对这件事有信仰、有灵性、有综合 know-how。既要懂模型，又要懂音乐。

大家可以观察，在 LLM、视频、图片领域，巨头的优势是很大的。LLM 不用说了，视频现在是 Seedance 断层领先，曾经 Keling、Veo、Sora 都断层领先过，图片是 GPT-image 和 Nano Banana 断层领先的。但音乐模型好像很不同，无论是 Suno，还是我们 ACE，做到世界第一梯队的模型，都是创业公司。这背后的原因可以从预训练、后训练两个维度分析。

首先说预训练，LLM、视频、图片，这些领域的预训练数据规模是远大于音乐的，scaling law 的空间更大，巨头资源优势就更大。而音乐模型的预训练数据集大概上亿首歌，按照每首歌 3 分钟，每秒 25 个 token 这个比较常见的配方，1 亿首歌也就是 450B 的 token 量，算上输入 token，各种任务构建，预训练也就是 1 到 3T 的 token 吞吐，世界上有意义的音乐就那么多。

然后说后训练，LLM、图片、视频的人类反馈往往更广泛、也更明确。比如视频中的物理关系是否正确，人物是否一致。图片是否 follow 用户 prompt 中的 “香蕉在猴子左手”。但是音乐的后训练数据，往往是审美性和音乐性，不严谨的讲，类似乐评人说的话。而且音乐后训练的数据不需要很多，万分之几的占比，就可以达到非常好的效果，多了也没意义。但是，数据的 “品味” 更重要。

所以音乐模型涉及的算力、数据成本虽然也不小，但是它不是一个无脑砸资源就能提升的领域，它不完全是个规模的东西，它太垂直，太需要专有管线，也太需要品味。

晚点：什么叫专有管线？

郭靖：举个例子，标注。图片模型的标注，可能是美学好不好，follow 不 follow instruction，找一些专家或外包公司还能做。但音乐理解模型的标注，有非常深的 know-how。比如我要标这一段，它是一个偏 Funk 风格的原声吉他扫弦肢体。这个东西你去组织资源，会发现短时间交付不出结果，也不是简单堆资源能解决的。

我们最近的标注团队，是十几个伯克利学生常驻，再组织几十个、上百个兼职。打造这个东西，需要大量注意力投入。大厂通常不愿意做这种短时间看不到结果、资源又堆不起来的事。

晚点：你们怎么找到这些懂音乐又懂模型的人？

郭靖：我们很早做虚拟歌姬，误打误撞进入了一个圈子。这个圈子里的人，可能是二次元头像、逛 B 站、喜欢初音未来、会说日语、很宅。他们和 AI 音乐、AI 声学、MIR、DSP、虚拟歌手这些领域高度重合。里面有大量被传统技术领域低估的人。

很多大厂 HR 不知道这些人强，因为他们背景可能不好看，不一定是名校，也不一定有大厂经历。但他们从小就每天十几个小时写代码，像网瘾少年打游戏一样投入。如果这些人在语言模型、视频模型领域，早就被挖走了；但他们恰好在音乐这个领域，市场没有发现他们。

我们因为做了这么多年，在 AI 音频音乐领域，基本上所有人都认识我们，我们也几乎认识所有人。

晚点：现在你们的模型团队是什么规模？

郭靖：模型现在有 8 个人在做，主要还是最早那两个人是主力，其他人偏数据工程、基建，还有音频理解模型。

晚点：你们怎么判断自己做得怎么样，音乐模型好像没有特别权威的 benchmark。

郭靖：音乐确实没有特别好的 benchmark。有一个 benchmark 叫 SongEval，大家都在用，在那个 benchmark 上我们赢过 Suno V5。但坦白说，benchmark 会有偏见，arena 也很容易刷。我们没有特别执着去刷这些。更重要的是用户反馈。顶级音乐人真的在用，而且持续付费、持续反馈，这个对我们更重要。

音乐供给大爆发，依赖版权的平台会衰落

晚点：ACE Studio 是工具，你说接下来要做的是平台，很多做创作者工具的创业者都会这么想。但为什么音乐也会有自己的下一代内容平台？

郭靖：因为音乐的供给正在爆发。AI 出现之前，全人类每天创作的新歌大概 7000 首。AI 出现之后，这个数字变成了 1000 万，而且还在涨。

这个供给爆发会催生两件事。第一，以版权为核心的商业模式会被冲击。第二，音乐需要一种极度个性化的分发，不再是传统流媒体平台依靠歌单、编辑推荐和一点推荐算法。

从我的几个观察来看，AI 音乐可能是第一个诞生下一代内容平台的领域。

首先是内容的 “可消费性”，像我之前说的，AI 音乐已经大踏步跨过 “可听” 这条线了。相比之下，AI 视频、游戏等，还有很远的距离。虽然今天 AI 短剧可看性很强了，但是这里面需要大量人类的策划、剪辑、挑选。而仅仅 AI 短剧，对于视频这个大类来讲，也仅仅是沧海一粟。如果考虑到内容质量、多样性和可看性，今天的 AI 视频可能还不足当年短视频的供给的零头。

另外，新的内容平台一定诞生在新的用户场景上。互联网是眼球经济为主的，它的核心商业模式是广告，耳朵注意力的广告转化率天然低，后续转化行为更麻烦（掏出手机来点）。但是 AI 时代，耳朵经济可能越来越重要，因为人与 AI 的接触点通常是对话，所以有 CUI 的说法。

而且 AI 时代广告不再是核心商业模式了，“忠诚” 才是，AI 有多懂你，有多让你离不开，变成最重要的事。无论是生产力还是娱乐服务，都是这样。耳朵里的东西，天然更直达人的情绪，更容易构建 “忠诚”。住在耳朵里的 AI，可能 CUI 大趋势下的一个新场景。而音乐是这个新场景最完美的选择。

晚点：但为什么不是 Spotify、QQ 音乐、网易云音乐自己做这件事？

郭靖：因为它们的根基是版权。

今天流媒体平台最大的议价方是版权方，比如三大唱片，比如周杰伦。大量 AI 音乐进来后，用户播放量分流到这些没有传统版权分成的歌上，版权方分成变少，就会要求平台给说法。平台动作就会变得极度拧巴：接纳 AI 音乐，会得罪版权方；打压 AI 音乐，又错过新的供给。

短视频早期也类似。最开始快手是 GIF 快手，是个生成工具。用户做出短视频后，想分享到优酷土豆或微博。但老平台的用户场域不对，它们也会打压。最后只能自己做分发，才长成今天的短视频平台。AI 音乐今天也在经历这个阶段。

晚点：你说的这个新产品具体会是什么形态？一个 App 吗？

郭靖：我们今天还在定义它的形态，但我更愿意把它想象成一个住在耳朵里的 agent。

它像一个好朋友，也像一个懂音乐的 DJ。它知道你是谁，有你的长期记忆，知道你最近在看什么、做什么、为什么焦虑。你想听歌，它给你放；你想表达，它给你写一首。它不只是放歌，还可以在间奏里跟你说话，告诉你这首歌背后的故事，或者为什么适合你现在听。

当创作音乐这件事的门槛极低之后，音乐的功能就会发生变化，就像几十年前你不会觉得拍张照片仅仅是因为觉得自己今天很美，想炫耀一下，收获几个赞，因为那时候拍照要去照相馆的。你想想，文字、图片、视频曾经都是奢侈品，现在都变成普通人自我表达的工具了，唯独音乐还没有。所以我们相信在 AI 时代，音乐创作也会变成一个极度个人化的事情，变成普通人表达心情的媒介。

晚点：也是一个双边平台逻辑的产品吗，只是没有广场。

郭靖：对，短期内它还是双边平台。创作是低频的，收听是高频的。你有心情要表达，它给你写一首歌；平时你只是想听，它就根据你的记忆和语境，从别人创作的歌里给你找。

我们过去总觉得平台必须是一个界面，一个货架。但内容无限之后，货架已经不重要了。抖音看起来也没有一个传统货架，它就是 feed 给你。到 agentic 时代，尤其是音频这种产品，用的是耳朵注意力，你还关心界面在哪吗？只要它足够懂你，给你的东西你喜欢，你就不关心它在哪里呈现。

晚点：你怎么判断它是不是一个新的媒介形式，而不是传统音乐 App 加了 AI？

郭靖：核心是它有没有新体验、新场景和新的交互方式。

比如手机相对于电脑是一个新场景，这个场景中有新的交互方式，手指滑动、点击，但看视频的需求还在，而这个新场景新交互方式下，最优解是竖屏快节奏的短视频。移动摄像头让视频供给爆发了可能有十万倍，需要新的分发逻辑（推荐算法），因此抖音这样的新媒介容器诞生了。

如果 AI 生产出来的东西可以完美放入上一代的媒介容器中，那就不会有新平台的机会。Sora 就是典型例子，模型很强，但最后创作者还是拿它做一个短视频，发到 TikTok 上。它本质还是工具。

下一代内容平台的必要条件，是你发明下一代媒介形式。它不一定充分，因为你可能发明了一个很烂的新形式，用户没留存。但如果形式被老平台兼容，那必然会被吞没。

音乐的机会在于，Spotify 们的容器本质还是个有限曲目的曲库 + 编辑推荐逻辑，更像长视频平台。AI 时代，CUI 趋势下，用户的听歌界面会变，交互方式会变（自然语言），供给的量级也在因为 AI 暴增，这些都是 Spotify 这类容器没有触及过的议题。

晚点：你为什么一直对音乐这件事这么执着？

郭靖：我前半生是被专业性吓唬到，后半生是被专业性祛魅。

我小时候很喜欢音乐，高中时我自己弹吉他写歌，后来想编曲、制作，但别人告诉我，编曲不是一般人能学会的，我就接受了。我觉得自己没天赋，不会就是不会。后来上班之后，有一年我 gap year，我在 MIT Open Course 上学高数、coding、machine learning，发现很多东西都是纸老虎，复杂东西是由简单 building blocks 组成的，只是你愿不愿意拆。

那时候我突然想，音乐创作真的那么难吗？还是这个领域的工具不够好？音乐本来是人类最底层、最自然的情绪表达方式，却被现代制作流程包装成很专业、很高深、很艺术的形式。那一刻，我决定改变这件事。

晚点：你中间做过 ACE 虚拟歌姬，做到 20 万 DAU 后被下架。为什么没有清算老公司重新开始？

郭靖：因为我觉得我还没有输，我的愿景也没有变。

我们创办时，pitch deck 里写的就是让普通人用 AI 创作音乐并分享。虽然产品形态一直在变，从 ACE 虚拟歌姬，到 ACE Studio，再到未来的新产品，我一直在做这件事。

老股东投的是这个愿景。尽管中间遇到挫折，我不应该清算掉老股东，重新开一个主体。所以我们一直是同一个主体。中间确实有很多死亡时刻，比如 SVB 爆雷，账上的钱一度全部清零，后来又回来了。但最后都扛下来了。

晚点：你说自己是 “不得不创业的人”，这是什么意思？

郭靖：我没法为别人工作。我以前在游戏行业做增长运营，做得还不错。那时米哈游还只有 20 人左右，挖我去做《崩坏三》的市场负责人。我最后没去，核心原因是我问了一句：我能不能不做增长运营，做游戏策划？他们拒绝了。

现在回头看，这个 moment 很重要。它说明我不是想 sell 一个东西，我是想从底层 build 一个东西。我在大系统里看不到直接触点，看不到我推一下，世界就往我想要的方向走一下。

这个世界上我有很多不能接受的东西，这种感觉像光着膀子穿了一件很扎的毛衣，很刺挠，你就想把它脱下来。音乐这件事也是一样。我没法接受这个世界没有这样的产品，所以只能自己去做。

晚点：如果最后这件事做成，你希望别人怎么描述你们？

郭靖：如果真的做成，今天描述它的词还没有出现。30 年前，你怎么描述抖音？你没有办法描述。今天我们说 music agent、music companion、AI 音乐平台，这些词都只是临时的。如果未来它真的成了一个新的东西，它一定会长成今天还叫不出名字的形态。

题图来源：Ace Studio 创始人郭靖