计算机音乐因专业门槛相对高、结构化数据获取难度大，相比计算机视觉及自然语言处理发展较缓慢，随着大模型引发AI浪潮、硬件及基础设施快速升级，AI音乐迎来机遇：2023年2月谷歌推出MusicLM模型，尝试以Bert模型机制实现音乐数据的情景生成，结合早期基于RNN、VAEs、GANs的预训练模型，音色混音等难题得以攻克，上游数据标注领域也逐渐出现商业化工具。目前AI音乐发展的障碍在于核心版权资源高度分散，数字音乐行业版权壁垒高筑，原始录制文件无法从互联网直接获取，随着版权方投资入局，谷歌引领wav-to-wav类模型兴起，发展路径更加通畅，有望产生突破式进展。

核心要点：

硬件升级解锁新的技术路径，“暴力求解”模式解放AI音乐生产力。计算机音乐已经几十年发展历史，基于深度学习的音乐生成约在2015年起步，主流模型是VAEs、GANs等，行业玩家包括索尼等科技公司、Spotify等流媒体平台、乐器厂商、AI音乐初创公司等。2022年以来大模型浪潮推动AI基础设施发展，谷歌尝试用NLP生成方式训练音乐生成模型，验证了MLM方式在音乐生成任务中的可行性（传统AI音乐模型的基础理论主要是概率类），音色、混音等难题得以一并攻克。随着算力持续升级、调优迭代、数据量增加，模型有巨大的升级潜力。

核心痛点是版权音乐资源的封闭和分散，随着版权方积极入局、上游数据集行业发展，现状有望改善。音乐版权壁垒高筑，版权资源有严格的层级分发渠道，三大唱片厂拥有大部分流行音乐版权。不同于图文，互联网获取的音频丢失了大量创作细节，难用于结构化的再生成，长期以来主流模型使用的是以BGM、古典乐、游戏音乐为主的公版资源。近年来环球音乐、华纳音乐等老牌唱片公司积极投资AI音乐初创公司，有望释放更多商业AI数据资源；上游数据标注行业发展也将推动wav to wav模式下更多训练资源的产出，国内已经有慧听科技，海天瑞声等公司提供音乐数据服务，各众包平台也能提供定制化的标注服务。

风险提示：

技术发展不及预期，初创公司经营风险；宏观经济下行，居民互联网娱乐支出减少；新的商业模式增加研发支出，回报存在不确定性；用户反馈不佳，获客不及预期；新模式受到付费用户抵制，免费+广告模式可能影响平台原有生态；新模式覆盖曲库较少，无法满足免费用户需求；市场竞争加剧；互联网娱乐业务受到政策来带的不确定性；股东减持风险；美联储鹰派超预期；数字内容创作进度不及预期；宏观经济及消费复苏不及预期导致整体需求不及预期。