上周大模型圈子有个很魔幻的场面，傅盛、孙宇晨、特朗普家族，三个八竿子打不着的人，开始扎堆做大模型中转站的生意。

说明了一个问题，现在AI模型的供给侧，依旧是没有看起来的那么成熟。

大多数人只关注到LLM，其实AI音乐的情况更野蛮，更荒谬。。

Suno，全球用户量最大的AI音乐产品，融了2.5亿美金，月活千万级别。但直到今天，它都没有开放官方API。Udio，也没有。

一条冷知识：

几乎所有头部AI音乐产品，都不卖API。

我也是最近调研这个选题才知道的。

这意味着什么？全球想在自己产品里接AI音乐能力的企业，只剩一条路：灰产中转。没有SLA（服务等级协议，不承诺服务质量）、没有售后、生成质量开盲盒，出了问题找不到人。

所以AI音乐在B端一直很尴尬。C端卷上天了，各种产品月活都在涨。但B端始终没真正跑起来。

最近这个局面出现了裂口。

北美一个增长很猛的AI音乐创作平台Sondo，之前也吃灰产，今年初却做了个反直觉的动作：接入Mureka，替换Suno。哪怕单价贵出一截，也要把灰产全砍了。

一家精打细算的增长期公司，却主动选更贵的方案。光是这个决定本身，已经能说明问题了。

据介绍，Sondo全量切换到Mureka后，双方的合作体量增长超过70%。Sondo的音乐核心业务翻倍增长。

快歌，国内头部AI音乐生成应用，也选择了Mureka，其海外版未来也会选择Mureka。另有一家海外头部AI  artist平台，接入后消耗规模翻了6倍。

三家企业，诉求各不相同—Sondo要质量，快歌要中文，海外平台要合规，都同时做了同一个动作，切换模型API。

所以，这里面有一个问题值得追问：凭什么是Mureka？

◈MusiCoT：从猜音符到读懂整首歌

CoT，Chain-of-Thought，思维链，是大模型领域这两年最重要的概念之一，核心就一句话，让AI先想再答，不要上来就蒙。加上“Let's think step by step”一句提示，模型的推理能力就能跳一个台阶，因为它强制把模型的思考过程摊开了。

这个思路在文本领域已经被验证得很充分了。Mureka做的事情是把它搬到了音乐里。

之前AI音乐的生成方式，本质上是猜下一个音符。模型写完第一个音，根据概率猜第二个，再猜第三个，一路猜到结尾。这个过程没有规划、没有全局观，运气差走到一半副歌直接崩掉。

MusiCoT做的事，是让AI在写第一个音符之前，先想清楚整首歌。

它同时建模四个维度的关系：歌词段落在哪里切分、每段歌词的语义重心落在哪个词、音乐结构怎么对应、声音表达怎么配合情绪走向。这四条线不是分开处理的，是协同推演的——技术路线叫作多尺度多维度CoT。

这个范式的变化直接体现在了V9的五项升级上，而且每一项都精准对应企业生产中最头疼的问题：

• 段落级文本控制——歌词的情绪重心能准确落在你想让它爆发的位置。以前是歌词被唱出来了，现在是歌词在对的段落被准确表达了。

• 混音与音质——人声和伴奏的层次分开，接近母带级，不是糊成一团的廉价感。

• 人声表达——演唱变得克制，减少了莫名其妙的飙高音和杂音干扰。听起来像一个真人在唱，而不是AI在炫技。

• 生成效率——推理链路优化之后，试错成本下降。企业不用再花大量时间反复抽卡。

• 生成多样性——同一个方向下能探索更多可能性，不会生成五次出来五首差不多的歌。

这五项升级叠在一起的效果是：从生成之后人工二次处理，变成了生成即可发布。 

所以Sondo对Mureka的评价是：

“人声效果更具真人感，可以直接对接产研团队。”

老版本V7.6的评价是“差强人意”，新版本V8的评价是“可以直接对接产研团队”。

转变是在今年1月份，Mureka V8上线之后。Sondo内部做了一轮覆盖多场景的A/B测试，Mureka稳定胜出，所以渐渐拿到了音乐模型调用量的绝对大头，现在是全量切换。

不是Sondo突然降低了标准，是Mureka的输出质量超过了生产线的及格线。AI生成的素材不用人工再过一道了，是流水线的一环。

榜单成绩也在验证这个结论。今年3月，搭载MusiCoT框架的Mureka V8在Artificial Analysis Music Arena上拿下人声和器乐双榜第一，综合超越Suno、Udio、Google Lyria等一众主流竞品。

随后，V9在外部音乐专家的主观盲评中，四个评测维度领先。

如果把Mureka从V1到V9的演进串起来看，有一条不太被注意到的技术复利曲线：

• 2024年2月，V1（SkyMusic）：中国首发端到端音乐生成模型，验证技术路线能跑通；

• 2025年3月，V6+O1：MusiCoT框架上线，首次达到SOTA；

• 2026年1月，V8：面向真实创作场景的整体跃迁——从「能生成」到「能发布」；

• 2026年3月，V9：从「能写出来」到「能按你想的方式写出来」。

从技术关键节点看，每一步都在推动同一件事情：让AI音乐变得可控、可信任、可量产。

◈生产力上手实测

为了验证这套作曲家大脑的能力，我盘了盘它，我先给它喂了《心愿便利贴》的歌词：

以《心愿便利贴》的歌词为基础创作新的歌

整体旋律的走向、分词的逻辑感，完全没有那种廉价的机械生硬。这不是随机生成，这是懂乐理的表现。

紧接着，我加大了难度：多语种切换。

在多语种切换下，Mureka 的转调和卡点依然非常自然，韵律之间没有违和感。

如果要选出 Mureka V9 最让我兴奋的功能，那一定是【多音轨分离】。

以前 AI 音乐最大的痛点是一锅粥—人声和乐器糊在一起，后期想调个均衡或者换个鼓点，门儿都没有。

而 Mureka V9 彻底解决了这个焦虑。为了测试，我假装了一回音乐总监：

开头要钢琴铺底，主歌推进，高潮必须加一串清脆的风铃提亮，结尾用悠扬的小提琴拉满情绪。

放在以前，这种复杂的结构调整对 AI 来说简直是不可能的事儿。但在 Mureka 里，我是这样做的：

1. 分结构拆解

   我不是让它直接生成一首完整的歌，而是按照我的设想，拆分成 Intro、主歌、带风铃的副歌、小提琴尾奏这几个独立的结构设定。

2. 精准控制

   针对每一轨，我提出了非常具体的要求（比如“这里风铃要脆”、“那里弦乐要悠扬”）。

比如我上传了一首参考曲子，或者直接描述：“Intro 要极简钢琴”、“副歌必须加入清脆风铃”、“尾奏的小提琴要悠扬且情绪饱满”。

1. 后期组装

   把这些生成好的独立音轨导入Mureka内置的 DAW（数字音频工作站），手动微调切入的时间点、对齐节拍、校准音量细节。

以前生成的曲子如果不满意，你只能重抽，但在 Mureka 的工作流里，你可以像拿着卡尺一样去校准：

• 移调（Transpose）

   觉得伴奏分离的伴奏调不合适，可以升高或者降低。

• 节奏控制（Tempo & Speed）

   可以直接锁定节奏，而不用担心加速后声音变细；

• 一键分轨（Extract Stems）

  变成了一个可以反复打磨、真正能导入 DAW 的专业工具。

这种“确定性”，才是它能跨过生产可用门槛的真正原因。它不再让你在AI的控制下碰运气，而是给了你一个工业级的生产标准。

◈结语

说回开头的问题。

AI的供给侧为什么看起来成熟、实际上很脆弱。因为大部分AI产品的思路还停留在C端，做一个好玩的东西，让用户觉得好酷。

但是企业端要的是：稳定、可控、合规、有售后。

当 AI 不再是一个不可解释的黑盒，而是能够被拆解、被微调、被控制的工业单元时，它才算真正拿到了生产力的入场券。 从 2024 年首发端到端模型，到 MusiCoT 框架，再到现在的 V9，Mureka 这一路其实只在做一件事跨越鸿沟。

这条鸿沟的一边是实验室里的随机奇观，另一边是工业界的确定性产能。

据报道，全球已经有8000多家企业接入Mureka ，包括短视频内容、AI创作工具、数字素材市场、视频制作等应用场景。

B端采购是最理性的决策。不存在冲动消费，不存在为信仰充值。一家企业愿意消费，只有一个原因，算过账，划算。

这才是AI音乐真正的分水岭—模型的输出质量能跨过「生成即可用」这条线。