实测腾讯SongGeneration音乐模型：人声机械单调，生成质量引质疑

背景

在生成式 AI 音乐领域，腾讯推出的 SongGeneration 模型常被业界和媒体称为“第一音乐生成模型”。然而，近期在 LINUX DO · AI 社区中，一篇关于该模型的实测分享引发了广泛讨论。作者通过实际测试指出，尽管该模型在技术宣传上占据高位，但在实际生成效果上却显得“乏味无趣”，未能达到用户预期的艺术水准。该测试不仅揭示了模型在结构约束上的僵硬，更暴露了其在情感表达、旋律爆发力及结尾处理上的显著缺陷。

核心内容

作者对 SongGeneration 进行了一次深度测试，旨在验证其是否配得上“第一音乐生成模型”的称号。测试过程包含提示词工程、歌词构建、风格设定及最终音频评估。

1. 使用门槛与结构限制 测试发现，该模型对输入格式有极其严格的限制。用户不能自由撰写歌词，必须遵循特定的结构标签体系。歌词的每一段必须以以下标签之一开头：[verse]（主歌）、[chorus]（副歌）、[bridge]（桥段）、[intro-short/medium/long]（短/中/长前奏）、[outro-short/medium/long]（短/中/长尾奏）、[inst-short/medium/long]（短/中/长纯音乐间奏）或 [silence]（静音）。若未使用这些标签，模型将拒绝生成。这种强制性的结构标签要求，极大地限制了创作的灵活性，作者戏称这是在“跟奇怪的标签要求做对抗”。

2. 测试案例：企划「日常引力」 为了测试模型的表现，作者精心策划了一首名为「日常引力」的歌曲。

• 概念构建：歌曲主题聚焦于现代人对智能手机的依赖与异化。歌词描绘了深夜关灯后屏幕蓝光对生活的侵蚀，从清晨被消息震动唤醒，到地铁中机械滑动屏幕，再到深夜无法入睡的“蓝光残影”。歌词试图表达一种无形的、如引力般束缚人类的数字网络。
• 歌词设计：作者提供了中英文双语歌词，试图通过细腻的意象（如“幽蓝微光”、“绿色对勾”、“红点”、“震动反馈”）来传达焦虑与麻木并存的情绪。
• 风格提示：在 Text Prompt 中，作者明确要求生成“很有力量感”的音乐，期望听到爆发性的旋律和人声。

3. 生成结果与用户反馈 尽管作者投入了大量精力进行企划、歌词撰写及封面设计，但 SongGeneration 的生成结果令人大失所望：

• 人声表现糟糕：人声被评价为“毫无感情、毫无旋律感的纯粹念白读词机器”。特别是在英文段落中，所有韵律均保持单一声调，毫无起伏变化。
• 旋律与结构错位：作者设计的短促高潮部分，被模型错误地处理为桥段演唱。整体旋律虽然伴奏尚可，但缺乏爆发力，未能体现“力量感”的提示词要求。
• 结尾烂尾：歌曲在即将结束时无故掐断，缺乏完整的收尾，被作者批评为“烂尾”。
• 听众感受：有评论指出，前13秒的伴奏带有“盗梦空间”般的沉浸感，但随后进入前奏和主歌后，旋律单调，人声的机械感破坏了整体氛围，导致“脑袋嗡嗡的”。

关键要点

• 结构僵化：SongGeneration 强制要求歌词必须使用特定的结构标签（如 [verse], [chorus] 等），否则无法生成。这种硬性约束限制了创作者的自由度，增加了使用门槛。
• 情感表达缺失：模型生成的人声缺乏情感起伏和旋律感，尤其在处理非母语（如英文）歌词时，韵律单调，如同“念白机器”，无法传达歌词中的深层情绪。
• 提示词响应偏差：即使明确提示“很有力量感”，模型生成的旋律依然平淡，未能实现用户预期的爆发力，且结构安排（如将高潮误作桥段）存在逻辑错误。
• 完成度低：生成的音频存在无故掐断、结尾烂尾的问题，显示出模型在长文本或长音频生成的稳定性上仍有不足。
• 名不副实的争议：尽管被称为“第一音乐生成模型”，但在实际艺术创作测试中，其表现被用户认为“乏味无趣”，未能匹配其市场定位和技术宣传。

意义与影响

此次测试案例揭示了当前 AI 音乐生成工具在从“技术可用”向“艺术可用”过渡过程中存在的巨大鸿沟。

首先，提示词工程与模型理解的错位成为主要痛点。用户期望 AI 能理解抽象的情感概念（如“力量感”、“异化”），但模型往往只能机械地执行结构指令，导致作品缺乏灵魂。这提醒开发者，AI 音乐模型不仅需要优化声学质量，更需要提升对语义、情感和音乐结构的深层理解能力。

其次，用户体验与创作自由的矛盾凸显。强制性的结构标签虽然可能有助于模型训练的稳定，但严重阻碍了艺术创作的流畅性。对于专业创作者而言，这种“对抗性”的使用体验是难以接受的。

最后，该案例引发了行业对“第一模型”称号的反思。在 AI 音乐领域，技术指标（如音质、时长）并非唯一标准，艺术感染力、情感共鸣和创作灵活性才是衡量成熟度的关键。SongGeneration 的这次“翻车”测试，为整个行业提供了一个宝贵的反面教材，强调了在追求技术突破的同时，必须重视最终作品的艺术完整性和用户的情感体验。