064 · 讓每個人都能做音樂的 Suno
No Priors Ep. 64 | With Suno CEO and Co-Founder Mikey Shulman
Mikey 從量子運算博士一路走到 Suno，談為什麼放棄語音改做音樂、音訊 tokenize 的難處、怎麼評估好不好聽，以及人人都能作曲之後音樂文化會怎麼變。
064 講了什麼
- 為了音樂放棄語音團隊做的第一個音訊專案是財報電話會議的轉錄，從此愛上音訊 AI。很多人勸他們做語音，比較單純、B2B 也好賣；但 Mikey 覺得語音只要正確就好，真正的創意在音樂。
- 模型就是 transformerSuno 不諱言用的就是 transformer，很多功夫開源文字社群已經做好了，自己的創新集中在怎麼 tokenize 音訊：音訊是連續訊號，每秒大約 50,000 個取樣。
- 用耳朵評估團隊常說 Aesthetics matter。音訊的 benchmark 特別爛，最後還是要大量聆聽和 A/B 測試。也刻意不教模型音樂理論：告訴模型只有 12 個音，它就只會輸出 12 個音。
- 做給一般人的消費產品Mikey 說這不是把 AI 加進 Ableton、Logic 或 Pro Tools，而是做給每個人、包括自己媽媽用的產品；越早收費，越看得出大家願意為什麼掏錢。
- 創作和聆聽會混在一起使用者很享受做歌的過程，還自己發明多人玩法。Mikey 預期以後不會再分誰在創作、誰在聽，音樂與文化變化的速度也會更快。
從哪一段開始看15 段
- 00:06開場與現場試聽主持人介紹 Mikey 與 Suno：輸入文字提示就能做出一首含歌詞的歌，並播了一段當天早上生成的歌。
- 01:06從音樂人到物理博士Mikey 四歲開始彈鋼琴，高中大學都在玩樂團，但自認不夠好，轉去念物理博士、研究量子運算。之後誤打誤撞加入一家約 10 人的公司，2014 年開始做 machine learning，2018 年公司被 S&P Global 收購。
- 03:46從轉錄到音樂收購後的第一個音訊專案是轉錄財報電話會議。Mikey 說 2020 年的音訊比圖像和文字落後很多。團隊開源了 Bark，但發布前就決定不做語音，因為語音裡沒有他們要的創意。
- 05:35技術路線主持人問架構與 scaling laws。Mikey 說就是 transformer，創新集中在 tokenize 音訊，因為音訊每秒大約 50,000 個取樣，沒辦法直接切成 token。
- 06:54怎麼評估品質不能只看指標，要用耳朵聽；全公司都愛音樂，所以大量聆聽和 A/B 測試反而好玩。
- 09:15不教模型音樂理論刻意不把偏見放進模型，學文字模型的 next token prediction 讓它自己學。Mikey 也說創業之後聽到很多原本不知道的曲風和混搭。
- 10:03音樂 AI 難在哪立體聲、位元率這類問題好描述；真正難的是瞄準情緒，而情緒又隨文化、年齡、族群而不同，沒有像律師考試那樣的客觀分數。
- 11:24消費者產品與收費主持人提到免費方案一天最多 10 首，另有訂閱。Mikey 說目標是改變全世界跟音樂互動的方式，也坦承現在大家的 SaaS 式定價都做得很粗糙。主持人拿 90 年代網頁在微支付與廣告之間的選擇類比，認為商業模式還沒定。
- 14:32意料之外的用法大家喜歡有創作感、擁有感、想分享。Mikey 說使用者在乎的不只成品，過程本身就好玩，像朋友一起 jam；還有人自己發明多人玩法：輪流寫詞、你寫主歌我寫副歌、互相回一首歌。
- 17:26創作者與聽眾的比例Sarah 提到創作平台上做的人遠少於聽的人。Mikey 認為 Suno 會打開小圈子裡的微型分享：做一首只有三個人會聽的歌，記錄那個當下，就像自拍。
- 18:30現場做一首歌主持人和 Mikey 現場挑曲風，選了 sitar trap 加夏威夷 R&B，生成之後當場試聽。
- 21:19改歌名與創作消費的界線加了改歌名這個小功能後，歌一上 trending 頁，使用者就把自己的名字放進標題。Mikey 預期以後不會再區分「我在創作」還是「我在聽」。
- 22:49五年後的音樂Mikey 說如果判斷對，大家花在音樂上的時間和金錢都會大增；也不認為大家會和喜歡的藝人疏遠。Mikey 也拿 DAW 舉例：工具普及讓音樂和文化變得更快。
- 24:57數位化與新的音樂結構主持人接著說，當年做專輯不再需要 $500,000 的 SSL 混音台和 10 人團隊，Suno 則把組裝再簡化一個量級。Mikey 期待解鎖的不只是新音色，還有新的歌曲結構、和弦變化與曲風混搭。
- 27:17播放最受歡迎的歌Mikey 播了展示頁最上面、播放次數很高的一首歌。主持人點出人聲、音樂、歌詞全是機器生成，Mikey 補充模型甚至不知道有「人聲」這個概念，對它來說全都是聲音。
值得記的話5 句
if I tell my model there are only 12 tones my model will only know how to output 12 tones
如果我告訴模型只有 12 個音，它就只會輸出 12 個音09:30this is a consumer product this is not sprinkling AI into Ableton or logic or Pro Tools
這是消費產品，不是在 Ableton、Logic 或 Pro Tools 裡撒一點 AI11:55people will really enjoy making music regardless of the final product
不管成品怎樣，大家會很享受做音樂這件事本身15:53we'll have a lot of lean in consumption we'll have a lot of lean out creation
我們會有很多投入的聆聽，也會有很多輕鬆隨興的創作22:19get us listening to stuff for more than 30 seconds at a time
讓我們願意一次聽超過 30 秒。Mikey 說這是自己最樂觀的時候，希望把音樂「去 TikTok 化」27:02
名詞與人物8 個
- Suno
- Mikey 共同創辦的 AI 音樂生成工具，輸入文字提示就能做出含歌詞的歌。
- Mikey Shulman
- Suno 共同創辦人兼 CEO，物理博士出身，研究過量子運算。
- Bark
- Suno 團隊早期開源的音訊模型。
- S&P Global
- 2018 年收購 Mikey 前一家公司，團隊在那裡做了財報電話會議的轉錄。
- transformer
- Suno 使用的模型架構，Mikey 說很多功夫開源文字社群已經做好了。
- tokenize
- 把連續的音訊訊號轉成可以處理的 token，Suno 的創新多半花在這裡。
- Aesthetics matter
- Suno 內部常說的一句話：評估音樂模型要用耳朵，不能只看指標。
- DAW
- digital audio workstation。Mikey 拿它當前例：有了它，在宿舍就能做音樂。
提到但沒有展開
- 主持人列了幾種可能的商業模式：訂閱、廣告、置入、微支付、在 marketplace 轉賣讓創作者分成，甚至像「下一代 Spotify」；Mikey 則認為現在的 SaaS 式定價只是上一批做 SaaS 的人和投資人留下的習慣。
- 主持人拿 Midjourney 早期類比：大家覺得它贏在品味，而不是有更好的 eval function，跟 Suno 強調美感是同一件事。