# 90%的用户每天在写歌，Suno CEO把AI音乐这门生意讲透了 > Training Data No. 92 中文精读 - 原标题：Suno's Mikey Shulman: Everyone Can Make Music Now - 发布日期：2026-05-13 - 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等 - 网页版：https://trainingdata.qiaomu.ai/ep/092-suno-s-mikey-shulman-everyone-can-make-music-now-Jq3BIG.html - 精读字数：约 5210 字（阅读约 12 分钟） > 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。 一家AI音乐公司，每天登录的用户里，有90%会真的动手做一首歌。 放在传统音乐行业，这个数字近乎天方夜谭。全球80亿人，做音乐的永远是极少数，剩下的人只负责听。听歌这件事天然被动，算法推什么就听什么。 把90%做出来的公司叫Suno，CEO米基·舒尔曼（Mikey Shulman）。他最近上了红杉资本的播客Training Data，和主持人索尼娅·黄（Sonya Huang）聊了四十多分钟，从哈佛量子计算博士怎么转行，聊到音乐模型为什么反而要做小，再到按年化算已经3亿美元的收入之后下一步往哪走。信息量很大，挑最值钱的部分拆开讲。 ## 从量子计算到AI音乐：在交叉点上下注 舒尔曼的履历放在消费娱乐公司里相当违和：哈佛物理博士，研究方向是固态自旋量子计算。 他的回答很诚实，自评只是个「还行的物理学家」，联合创始人里有比他强得多的。但物理给了他一条受用至今的方法论：**在两个平时不一起玩的领域交叉处下注，机会巨大**。量子力学加低温微波工程是交叉，音乐加技术也是交叉。30年前一批物理学家转行做量化交易，赚的就是这种交叉的钱。 还有一段绕不开的履历：Kensho，那家后来被标普全球以5.5亿美元收购的金融AI公司。舒尔曼在那里遇到后来的联合创始人，也遇到LangChain创始人哈里森·蔡斯（Harrison Chase）。一群人当时就常在联合创始人的地下室里即兴玩乐队，玩得很开心。但舒尔曼强调，玩乐队只是缘分，当初没人敢碰音乐生成。 他把Kensho的人才密度归功于创始人丹尼尔·纳德勒（Daniel Nadler）：一群非传统背景的年轻人，被一个个说服进来。这家公司走出来的创业者名单长得惊人。 创业起点其实很保守。ChatGPT爆火之前，团队算了一笔账：声音和文本不一样，文本是离散符号，声音连续、冗长、难啃，生成好音乐的算力和模型规模缺口大概有好几个数量级。于是最初选的方向是让机器「听懂」音频，先不碰生成。 结果突破来得比预想早。音频压缩效率的提升远超预期，缺口被填上了。舒尔曼说，这是他经历过最愉快的一次「算错了」。 最早的成品很糙：只能生成12.5秒的片段，还不一定按指定的词唱。但团队自己玩上瘾了，半夜舍不得睡。他们抄了Midjourney的作业，往Discord丢了一个机器人，看有没有人愿意玩。 一堆人玩疯了，哈里森·蔡斯就是头几个用户。当时所有人都劝他们别做音乐，语音技术的商业场景更大、更好赚钱。舒尔曼留了一个特别朴素的判断标准：**自己做的产品，自己熬夜玩到不想睡，那基本就该做这件事**。 ## 核心技术判断：把乐理全扔掉，只留声波 用户输入一句「90年代风格的嘻哈，主题是公路旅行」，系统先用LLM写歌词，再把「90年代嘻哈」展开成模型能理解的风格标签，最后由音乐模型把词和风格合成声音。流程本身很直白。 关键决策在最后一步。**Suno的模型不知道什么是人声，不知道什么是乐器，更不知道十二平均律**。 舒尔曼的原话值得整段引用： > 西方音乐有12个音。如果你告诉模型只有12个音，它就永远只会产出这12个音，你被永久锁死了。如果你告诉它有200种乐器，那它这辈子只能发出这200种声音，你永远等不来下一个Skrillex。所以我们的做法是，扔掉关于音乐的一切已知，从头再来。它只是一段声波，每秒采样48000次，一串连续的32位浮点数。 这条路前期极难，是Suno早期一系列技术突破的来源。走通之后，模型成了一台通用的发声机器，**唯一的限制只剩用户的描述能力和想象力**。 回报立刻显现。模型长出了人类没规划过的东西：带西塔琴的陷阱说唱，加808鼓机的乡村乐，还有微分音音乐，音高落在传统十二音之间、钢琴上根本弹不出来的那种。舒尔曼说，大量作品陌生、怪异，但动听。 模型当然有擅长和不擅长。乡村和流行这类套路相对固定的曲风，Suno做得最好。他给了一个很妙的框架：**在套路化曲风里，AI既抬高了地板，也抬高了天花板；在不擅长的小众曲风里，地板没动，天花板被抬上去了**。代价是Suno会产出大量难听的歌，但用户只要肯多生成几轮，总能捞到惊喜。 ## 音乐不靠堆算力，靠偏好数据 做LLM的人有个默认直觉：算力堆上去，能力就上来。舒尔曼在这期节目里明确反对把这个经验搬到音乐上。 理由有三层。 - Suno的模型其实很小，这是刻意选择。小模型出歌快，出歌快直接决定体验。 - LLM有benchmark，堆算力是爬榜的有效路径；音乐没有标准答案，没有benchmark，算力不知道该往哪儿堆。 - 音乐的本质是对齐人类千差万别的创作口味。两个人对同一首歌的判断，可以完全相反。 那什么在驱动版本迭代？偏好数据。Suno从产品里持续收集用户的偏好信号，再用强化学习喂回模型。舒尔曼强调了一个被低估的点：**偏好数据的规模大到一定程度，那些训练技术本身才成为可能**。没有这个量级，很多方法根本开发不出来。用户每点一次喜欢或不喜欢，都在给研究铺路。用的人越多，模型越强，这是个正循环。 主持人补了一个观察：文本模型用人类反馈要小心谄媚问题，用户说好未必真好；音乐没这个包袱，用户觉得好听就是好听。舒尔曼连说两个「百分百」，称这是Suno真正的优势来源。 版本节奏上也有细节。V5被公认是质变，但升级是非线性的：测试里A模型比B模型的偏好率高10%到15%，上线后的用户增长未必同步反映这个差距，音乐太杂，干扰变量太多。团队其实早就知道V6、V7要做什么，版本号切在哪里几乎是人定的，目的是保持稳定的发布节奏。舒尔曼最怕的局面是憋两年不放东西，号称要搞一个「拯救人类」的大版本。 ## 创作即娱乐：90%的用户在玩，不在发行 聊到用户到底在Suno干什么，舒尔曼的答案很明确。 传统音乐产业的分工是极少数人创作、所有人消费，这种结构天然导向被动。他还补了一个文化观察：过去30年，音乐变得越来越不社交了。 Suno上的图景完全两样：**每天90%的用户会创作点什么，而且创作主要是图自己开心，不是拿去发行**。创作过程本身就是娱乐。这就是他反复说的「创作即娱乐」（creative entertainment）。 他打了两个比方。做饭：餐厅的菜大概率比你好，但人们还是爱自己做，因为做的过程爽，吃完自己做的也爽。写代码：他用Claude Code搭的小工具根本不配上生产环境，但搭的过程开心，用自己搭的东西也开心。 所以他公开说，**音乐行业该向游戏行业学习**，学它怎么抓住注意力、怎么让用户动脑子、怎么设计商业模式。他知道这话在音乐圈犯忌讳，因为音乐是艺术，游戏好像不算。他觉得这种区分站不住脚。 支撑他做这件事的还有一层私人动机：他人生最好的记忆之一，是和朋友们在排练室里磨歌。那种创造带来的充实感，刷一小时手机给不了。他的判断是，未来10到20年，「创作即娱乐」的产品会到处冒出来，因为AI第一次让所有人在几乎所有领域都能创作。 聊到「slop」（AI垃圾内容）这个词，他的反应是这词基本被用滥了。流媒体欺诈该骂，但「用AI做的」只是个实现细节。他前一天刚和五岁的女儿做了两首歌，全球99.999%的人都不会想听，但对他意义巨大。 他给了一个历史参照：当年笔记本音乐制作软件普及，一堆13岁的小孩在卧室里做beat，当时也有人担心内容洪水。回头看那是好事，坏音乐变多的同时，好音乐、新曲风、新星都变多了。 天花板那边有实锤。Suno已经出过冠军单曲，有用户签了唱片公司。他最喜欢的案例叫Xania Monet，一位写了十年诗的诗人，把自己的诗做成歌，找到了全新的声音和听众。另有一个行业实情：**大量上榜歌曲里已经掺了Suno的片段，只是没人声明**。专业人士拿它当工作流里的一个工具，就像当年的自动调音和数字制作。舒尔曼认为，「要么全AI要么全人工」的二分法本身就不成立。 但他也留了一句清醒的话：**最好的音乐永远需要人的引导**。你喜欢一首歌，一半因为声音，一半因为把歌递给你的那个人。工具能造出新声音，新的「传递者」也会出现，但那个人得是人。 ## 产品层的三个反共识 聊产品，舒尔曼先摆了一个前提：消费级AI现在创新严重不足，但普通消费者又最不能容忍粗糙体验。原因很直接，企业软件是老板付钱，消费产品是用户自己掏钱买快乐。 护城河问题上他也不遮掩：**只靠模型，没有多少护城河**。Google已经入场做音乐模型，Suno今天领先，但Google烧得起钱，模型层面大概率追得上。所以产品和体验的投入被整个行业低估了。Suno的公司价值观里甚至写了一条：「我们只是一家音乐公司」，刻意不说自己是科技公司，防止团队为技术而技术。 具体决策上有三个值得记的。 第一，认错认得快。团队2023年底就撤出Discord，上了一个功能单薄的网页版，舒尔曼原以为Discord还能撑一阵。结果5天之内，90%的流量自己迁到了网页版。他说这是他收到过的最响亮的「你错了」信号。 第二，做歌，不做背景音乐。当时同行都在做纯音乐、环境音，Suno押注带人声的完整歌曲。歌是故事，人声才能抓住人。这条路也更难，当时没人做得出来，做出来就是壁垒。 第三，技术上最关键的一步：**为了完整叙事牺牲音质，选自回归，放弃扩散模型**。当年多数技术只能生成10到12秒的片段，竞品的音色则干净得多，Suno的歌听一秒就知道「糙」。团队照样全押完整歌曲，平均三到三分半钟，把故事讲完。舒尔曼强调，这个选择是产品逻辑倒推技术路线：讲故事比音质重要。 ## 和华纳握手，以及下一步 版权是所有AI音乐公司头上的剑。Suno刚和华纳音乐达成了里程碑式的和解加合作。舒尔曼先替唱片公司说了好话：厂牌是世界上文化上最重要的机构之一，懂音乐也懂音乐文化，培养过影响几十亿人的明星。外界等着他说「唱片公司完蛋了」，他说这明显是错的。 他最不想看到的局面是音乐分裂成两个世界，AI音乐一个，传统音乐一个，用户被迫在两套平台之间切换。**未来绝大多数音乐都会含一些AI成分**，分裂没有意义。 和华纳要做的是共建：让粉丝和自己喜欢的艺人一起玩音乐，加深艺人与粉丝的连接。艺人有新玩法，粉丝有新体验，版权方有新收入，而且这种产品在之前根本不可能存在。 他补了一个大背景判断：**数字音乐的消费形态已经25年没变过了，一直是流媒体**。音乐行业欠一次新格式、新体验的革新，Suno想当推动者。 具体形态上，他希望未来12个月内出现一场真正的互动演唱会：观众现场参与，和台上的艺人共同创作。他给几百甚至上千人的观众做演示、现场共同生成一首歌时，形容那个瞬间「近乎宗教体验」。大型集体的吟唱和歌唱本来就存在于宗教场景，凭什么不能出现在科切拉音乐节？ 产品路线图上，未来12个月两个关键词：社交，自我表达。社交指同步或异步地一起创作，比如把一个歌曲模板发给朋友，对方在上面改完发回来，甚至和喜欢的艺人用他们未发表的旧作共同创作。自我表达的招牌功能是用自己的声音唱歌：听到自己的声音出现在歌里，人对这首歌的依恋会强得多；把带着自己声音的歌发给朋友，共鸣也远强于一个再好听但陌生的声音，人耳对声音的敏感是进化刻出来的。另外，Suno的视频功能已经在内测。舒尔曼是看MTV长大的，他想要给歌讲故事的MV，对给短视频垫底的背景画面没兴趣。 至于收入，按年化算Suno已经跑到3亿美元。舒尔曼的回应是：太早了，大多数人还不知道这家公司，产品依然粗糙，空间还很大。 为什么AI浪潮里消费级创业者这么少？主持人索尼娅提问时感慨，连OpenAI都刚关停了Sora，做消费级的人实在太少。两位的答案合起来看很完整。舒尔曼说，消费级更难，企业侧的问题太明显、太好赚，他乐得竞争少一点。索尼娅的版本更扎心：看懂AI怎么自动化现有业务流程，不需要想象力；**看懂AI怎么渗进人类的玩耍和创作，需要真正的创造力**。多数人一听AI音乐，脑子里蹦出来的是「AI版Spotify」，那个东西听起来就很糟糕。 ## 明天就能用上的四件事 收个尾，挑几件明天就能动手的。 - 想体验创作乐趣的，直接去Suno输入一句大白话，比如「给孩子的生日写一首90年代风格的说唱」。第一版不满意就改歌词、改风格再生成。按舒尔曼的说法，好东西藏在第N次生成里，多试几轮。 - 平时写点东西的，把诗、日记、朋友圈文案喂进去做成歌，再开「用自己的声音」功能唱出来。私人素材加自己的声音，是目前被验证最打动人的用法。 - 做产品的，记两个数字：网页版上线5天迁走90%流量，需求真伪要用最便宜的方式先测，Discord机器人就是2023年的MVP；用户如果是自己掏钱的消费者，对粗糙体验的容忍度趋近于零。 - 做AI技术的，先问自己的领域有没有benchmark。有，可以信规模；没有，像音乐这种没有标准答案的领域，偏好数据的飞轮和产品体验的打磨，权重远高于堆算力。 舒尔曼在访谈结尾表达的意思，可以当这个时代消费级创业的注脚：自动化一件已经存在的事，有巨大的商业价值；做一件直到今天都不可能的事，有意思得多。机器人把活都干了之后，人不会想继续刷一小时手机，人会想去做点让自己觉得「我今天创造了东西」的事。