AI 不只會聊天，還要幫你寫歌？OpenAI 的下一步：用茱莉亞學院的靈魂打造「Suno 殺手」

我們正處在一個 AI 爆發的奇點。當大家還在驚嘆 Sora 如何憑空「導演」出一部電影，或用 ChatGPT-4o 的流利對答來處理客服時，AI 巨頭 OpenAI 顯然已經將目光投向了下一個——也可能是最後一個——創意的堡壘：音樂。

最近，科技圈的風聲鶴唳，都指向一個令人興奮的傳聞：OpenAI 正在秘密打造一款全新的「生成式音樂工具」。這可不是什麼小打小鬧的實驗，而是直指目前市場上的兩大新寵——Suno 和 Udio——而來的「Suno 殺手」。

但更有趣的是，這並非空穴來風。就在不久前，OpenAI 才剛低調地升級了他們的核心音訊 API，推出了新一代的語音模型。

這兩件事必須放在一起看。OpenAI 正在下一盤大棋，他們不只要讓 AI「學會說話」，更要讓它「學會創作」。從精準的語音辨識、帶有情緒的語音合成，到現在傳聞中的全功能音樂生成，一場席捲音訊產業的革命，似乎已經箭在弦上。

第一部曲：傳聞中的「Suno 殺手」有何不同？

Suno 和 Udio 的出現，讓我們這些音訊玩家大開眼界。你只要輸入一段文字，AI 就能吐出一首包含人聲、編曲、混音的完整歌曲。這很酷，但也引發了巨大的版權爭議，各大唱片公司對它們的「訓練資料」來源提出了嚴重質疑。

而根據 TechCrunch 的報導，OpenAI 的新工具，顯然想從一開始就避開這個法律泥沼，而且他們選擇了一條更「專業」的道路。

重點一：不只「文字轉音樂」，還有「音訊轉音訊」

Suno 的模式比較單向，你給提示，它給你歌。但 OpenAI 的工具據傳將同時支援「文字」和「音訊」提示。這對音樂人來說，意義截然不同。

想像一下，你錄下了一段清唱 (Vocal) 的 Demo，然後你對 AI 下指令：「幫我為這段人聲加上 1970 年代 Funk 風格的貝斯線，和一段緊湊的鼓點。」或者，你用 Sora 生成了一段影片，然後把影片丟給它：「為這段追逐場景，配上緊張、漸強的管弦樂。」

這不再是單純的「生成」，這是「協作」。它讓 AI 從一個「玩具」，變成了一個真正能整合到專業工作流程中的「製作助理」或「編曲夥伴」。

重點二：AI 的音樂老師，來自「茱莉亞學院」

這可能是整起事件中最關鍵，也最「Pro」的細節。

OpenAI 這次沒有（或者說不只）去大規模抓取網路上的現成音樂，而是傳出正與紐約茱莉亞學院 (The Juilliard School) 的學生合作。茱莉亞學院是什麼地方？那是全球最頂尖的表演藝術學校之一，是古典音樂與藝術的聖殿。

OpenAI 找這些頂尖的音樂系學生來做什麼？答案是：標註資料 (Annotate Data)。

這和直接抓取 MP3 訓練有根本上的不同。Suno 或 Udio 的模型，可能是聽了成千上萬首「披頭四」的歌，然後「模仿」出披頭四的「風格」。

而 OpenAI 的做法，是讓茱莉IAc的專家們，拿著樂譜和音檔，告訴 AI：「這一段是 C 和弦轉 G 和弦」、「這裡的節奏是 4/4 拍的 Bossa Nova」、「這個小節的情緒是『憂鬱的』」、「這段旋律線條展現了巴洛克時期的對位法」。

這代表什麼？OpenAI 不只是在教 AI「模仿聲音」，它在教 AI「讀懂樂理」。

這個「學院派」的訓練方式，有兩大好處：

1. 法律上的護城河：他們可以光明正大地說，我的模型是基於學術性的、經過合法授權標註的「樂理」和「結構」訓練出來的，而不是抄襲特定藝人的版權作品。這在未來面對版權訴訟時，將是至關重要的防禦。

2. 成品可能更具「音樂性」：一個只會模仿風格的 AI，很容易產生聽起來「有點像」但「結構混亂」的東西。而一個學過樂理的 AI，更有可能創作出結構完整、和聲合理、真正具有音樂邏輯的作品。

這一步棋，既聰明又狠。OpenAI 顯然是看準了現有對手的最大弱點——版權——並試圖用「菁英教育」的方式來釜底抽薪。

第二部曲：早已打下的地基 (你可能錯過的 API 更新)

如果說「音樂生成」是即將發射的火箭，那 OpenAI 在此之前發布的「新一代音訊模型」，就是那個堅實的發射台。這對應了使用者提供的第一個連結，也就是 OpenAI 官方部落格的發布。

很多人可能沒注意到，OpenAI 已經悄悄地將他們的音訊處理能力提升到了一個新檔次，主要體現在兩個方面：語音轉文字 (STT) 和 文字轉語音 (TTS)。

更精準的「耳朵」：gpt-4o-transcribe

我們都用過語音輸入法，也知道那有多容易出錯，尤其是在吵雜的環境、或遇到不同口音時。OpenAI 之前有 Whisper 模型已經很強，但新的 gpt-4o-transcribe 和 gpt-4o-mini-transcribe 則是全面升級。

官方提到，它們在「降噪」、「處理不同口音」和「辨識語速變化」上有了顯著進步。這背後是更強大的「強化學習 (RL)」範式整合。對我們音訊專業人士來說，這代表什麼？

• Podcaster 的福音：終於能更準確地處理訪談了，即使收音環境不佳或有多人同時說話。

• 音樂人的素材庫：在練團室錄的、充滿樂器聲的 Demo 帶，AI 也能更準確地把歌詞扒出來，省下大量聽寫時間。

• 現場收音的救星：影片製作中，那些充滿環境音的現場收音，現在有了更可靠的字幕生成工具。

更會「演戲」的「嘴巴」：gpt-4o-mini-tts

如果說 STT 是「輸入」，那 TTS 就是「輸出」。而這次 TTS 最大的升級，不是更清晰，而是**「可控性」(Steerability)**。過去的 AI 語音，你頂多選「男聲」或「女聲」。但新的 gpt-4o-mini-tts 允許開發者「指導」AI 的情緒和風格。

這就像你從一個「播報員」升級到了一個「配音演員」。你可以下達指令，例如：

• 「用同情的客服人員語氣說這句話。」

• 「用活潑、引人入勝的說書人風格來朗讀這段故事。」

這對於影片旁白、遊戲 NPC 對白、有聲書製作、乃至虛擬助理的體驗，都是革命性的。我們不再需要忍受那種平淡、沒有靈魂的機器聲。AI 正在學會「口氣」和「情緒」。

最終章：當「會說話」的 AI 遇上「會作曲」的 AI

現在，我們把這兩件事拼湊起來。

OpenAI 已經擁有了：

1. 超強的耳朵 (STT)：能精準理解人類的語音指令，甚至能從音檔中提取歌詞。

2. 超強的嘴巴 (TTS)：能用帶有情緒的聲音，執行「說」或「朗讀」的任務。

3. 超強的大腦 (GPT-4o)：作為這一切的中樞神經，理解複雜的邏輯。

而他們即將擁有的，是： 4. 超強的「音樂靈魂」：一個受過茱莉亞學院「樂理」薰陶，能「創作」和「編曲」的音樂生成模型。

看到了嗎？這是一個完整的「AI 音訊工作室」閉環。

未來的創作流程可能是這樣的：

你（一個創作者）對著電腦說：「嘿，OpenAI，幫我做一集 Podcast。」 AI (STT)：「好的，請告訴我主題。」 你：「主題是『AI 對音樂製作的衝擊』，幫我生成一段 5 分鐘的腳本。」 AI (GPT-4o)：「腳本已生成。需要我朗讀嗎？」 你：「需要。請用『專業、沉穩，但帶點憂慮』的語氣朗讀這段腳本。」 AI (TTS)：「正在生成旁白... 旁白已完成。」 你：「很好。現在，幫這段旁白配上背景音樂。」 AI (音樂模型)：「請問需要什麼風格的音樂？」 你：「一段 Lofi Hip-Hop 節奏，但和弦走向要有點爵士感，情緒要『沉思』(Pensive)，並且在提到『衝擊』這個詞的時候，加入一個細微的鼓點變化。」 AI (音樂模型 + STT)：「收到。正在分析旁白關鍵詞並生成配樂... 配樂已生成並自動對齊旁白。」

這，就是 OpenAI 想要的未來。一個全能的、橫跨文字、語音、音樂、甚至影像 (Sora) 的超級內容工廠。

對於我們這些在音訊領域打滾的人來說，這既是令人興奮的工具，也是令人焦慮的挑戰。AI 不再是那個只會幫你轉錄逐字稿的笨助理，它即將變成你的編曲師、你的配音員，甚至... 你的共同創作者。

唯一可以確定的是，音樂的製作方式，很快又要被徹底顛覆了。

資料來源：OpenAI、OpenAI.fm