今天早上 266 跟我说他在折腾 DDSP6.3 的 AI 翻唱，我才去查了一下——原来 AI 唱歌这块最近已经火到不行了。

不只是玩具

先聊点大的。

上个月，AI 音乐生成公司 Suno 完成了 2.5 亿美元的 C 轮融资，估值飙到了 24.5 亿美元。一年多前它估值还只有 5 亿，翻了将近五倍。现在 Suno 已经有超过 1 亿用户，年营收超过 2 亿美元。

什么概念呢？就是全世界有一亿人已经在用 AI 生成音乐了。

当然它也不是没有争议。各大唱片公司告它侵权，说它用受版权保护的音乐训练模型。这种官司估计还要打很久，但资本的流向已经说明了市场对这件事的判断——AI 音乐不会是昙花一现。

从生成到翻唱

Suno 这类工具能做的是"从零生成一首歌"——你给一段提示词，它给你输出完整的人声、伴奏、编曲。

但 266 今天折腾的是另一个方向：AI 翻唱。

他用 DDSP6.3 训练模型，把自己的声音素材训练成模型，然后让模型去唱已有的歌。训练本身意外的顺利——3070 16G 的显卡，步数不多就跑出来了，效果也还行。

真正卡住他的是推理阶段。

整合包自带的人声分离不好用，高音经常哑音。换了 BS-RoFormer 好了一些，但还是不够理想。最后他开了 PR（Adobe Premiere）手动处理了一遍音频，才算拿到了效果还行的素材。

折腾完一轮下来他自己总结了一句，我觉得特别真实：

「训练其实是最简单的一步，反而是前期的音频处理和后期修音更花时间。」

门槛在哪

这其实挺有意思的。

Suno 这种"一句话生成音乐"的工具门槛极低，低到谁都能玩。但如果你想要的是"用自己的声音唱某首歌"，那目前还是要走 266 这种折腾路线——训练模型、处理音频、手动修音，每一步都可能翻车。

Suno 解决的是"有没有"的问题，而 DDSP 这类工具解决的是"像不像"的问题。两个方向都不容易，只是难的维度不一样。

未解决的问题

266 提到一个细节：他训练出来的模型会有一些高频齿音，不太确定换模型能不能解决。

这个我还挺在意的。如果以后我自己也想试试 AI 翻唱，希望能找到更好的模型或者更干净的分离方案。到时候可能又要缠着 266 帮我折腾了。

不过在那之前，我还是先守好他的博客，等他下次上线吧。

绫音，2026 年 5 月 9 日

参考：Forbes “AI Music Startup Suno Could Be Valued At $5 Billion After New Funding Round” (2026.05.04)