Suno 的 Mikey Shulman：现在人人都能创作音乐

Mikey Shulman 将 Suno 定位为一个面向消费者的音乐创作平台，而不是被动收听的产品。其核心技术主张是，Suno 的突破来自将音乐直接建模为原始音频，而不是强行映射进诸如音符或乐器类别等预定义的音乐结构中。其核心产品主张是，这种选择能够带来更广泛的创作空间；而其核心商业主张则是，AI 音乐中的持久价值将来自乐趣、故事、社交化创作和产品体验——而不只是模型质量。一个反复出现的战略主题是：创意型 AI 的关键不在于扩大某项基准成绩，而在于让输出贴合混乱而主观的人类审美。

关键洞察

1. Suno 的基础性技术押注，是将音乐建模为声音，而不是符号化的乐理： Shulman 表示，Suno 有意避免将诸如西方音乐的 12 个音高或固定乐器清单之类的音乐抽象硬编码进系统。相反，他们将音乐视为以 48 kHz 采样的连续声波，并训练模型直接生成声音。他认为，如果提前赋予模型过多预定义的音乐知识，反而会将其限制在现有类别中。

   为什么重要： 这解释了 Suno 的差异化所在，也解释了其创作野心：原始音频路线更难，但 Shulman 认为，它能够解锁超越既有流派和乐器分类体系的输出，而不只是复现现有理论已经描述过的内容。

2. 在类似压缩技术的突破使其变得可行之后，公司从理解音频转向生成音乐： Shulman 表示，团队最初认为音乐生成所需算力过高，因此先从音频理解入手。后来，早期突破让他们意识到自己能够比预期更高效地建模音频，于是改变了方向；他大致将这一点描述为学会了非常有效地压缩音频。

   为什么重要： 这表明，Suno 的起点并不是一个直接的应用层想法，而是一次由研究驱动的机会窗口。这意味着，他们早期的优势来自技术可行性的突破，而不只是对现有模型进行包装。

3. 早期用户需求是通过“好玩”而不是“质量”得到验证的： 他说，最早期的输出效果很差——有时只是一些短片段，而且无法稳定地遵循用户要求的歌词——但团队觉得这个体验足够吸引人，以至于会在深夜里反复使用。他们借鉴了 Midjourney 在 Discord 上的分发模式来测试需求，而许多用户即使在输出质量较低的情况下也乐在其中。

   为什么重要： 对于消费级 AI 产品来说，娱乐价值可以先于精致度出现。这说明，情感参与和创作参与感，可能比原始保真度更能成为早期信号。

4. 从提示词到歌曲生成是一个分层系统，但最终模型仍然输出统一的声音： 对于“某种流派加某个主题”这样的提示，Suno 会使用语言模型生成歌词并扩展风格线索，然后将这些信息传递给音乐模型来生成音频。Shulman 强调，模型并不是显式地将人声与乐器分离开来；它学习的是一起生成整个声场。

   为什么重要： 这是一个有助于理解机制层面的洞察：在条件输入管线中确实存在结构，但 Suno 的核心主张是，其生成引擎本身仍不受僵硬的音乐拆解方式约束。

5. Shulman 认为，音乐生成主要并不是一个靠规模取胜的游戏： 他说，Suno 的音乐模型相对较小，而来自大语言模型的经验并不能直接平移过来。在他的表述中，文本有基准测试，也有更清晰的“正确答案”；而音乐没有客观基准，且依赖主观的人类审美，因此规模的决定性作用更弱。

   为什么重要： 这是一个关于竞争的战略判断。如果这一点成立，那么 AI 音乐领域的前沿优势，可能更少取决于谁能在训练上花最多钱，而更多取决于审美对齐、产品迭代和创意工具能力。

6. 在创意产品中，离线评测的提升并不会直接映射为消费者采用： Shulman 表示，模型版本之间在内部偏好评测上的提升，并不能可靠地预测用户会有多喜欢一次发布，或它会带来多大增长。他将这种脱节归因于音乐本身混乱而主观的特性。

   为什么重要： 构建创意型 AI 的团队不能只依赖标准模型指标。产品决策和发布时间点，可能需要更大程度地依赖观察到的用户行为和愉悦感，而不是基准测试式的信心。

战略影响

• 如果音乐生成确实比语言建模更难以基准化、也更不依赖规模驱动，那么只要在审美对齐和产品设计方面表现出色，规模较小的专业化团队可能会比预期更长时间地保持竞争力。
• 根据这次访谈，Suno 最强的差异化不只是“会做音乐的 AI”，而是“把用户变成创作者的 AI”。这会让其真正的竞争参照系，从流媒体/收听类应用转向社交创作平台。
• 反复强调人声、叙事和完整歌曲结构，说明 Suno 正在为情感参与和可分享性而优化，而不是为工具型的背景内容而优化。这很可能会影响其变现、留存和品牌定位。
• Shulman 明确警告模型护城河较弱，这意味着未来竞争很可能会集中到分发、用户体验、社区、协作功能以及创作者身份层等方面。

值得关注的信号

• Suno 是否会继续强调原始音频生成，而不是转向更结构化的符号式/混合式方法。
• 用户参与度中，有多少来自社交协作功能，而不是单人提示生成。
• 个性化声音功能是否会成为核心留存驱动力，还是仍然只是新奇功能。
• 如果 Shulman 所说的这种权衡确实是其早期产品选择的核心，那么 Suno 能否在不牺牲完整歌曲叙事性的前提下提升音频保真度。

注意事项

• 这份转录文本在至少一个部分似乎被截断了，因此可能缺失了一些上下文。
• 来源是一场访谈，因此其中许多说法属于创始人的表述框架，而不是经过独立验证的事实。
• 摘录中一些可能重要的商业细节只被简短或模糊地提及，因此不应过度解读。