苹果音乐平台要求艺术家和唱片公司自愿为使用AI制作的歌曲添加标识标签。据Music Business Worldwide报道,苹果在昨天发给行业合作伙伴的通讯中宣布了这一针对苹果音乐的新"透明度标签"元数据系统,涵盖四个类别:音轨、作曲、封面艺术和音乐视频。
当"录音的重要部分"由AI工具生成时,应使用音轨标签;作曲标签则涵盖其他AI生成的作曲元素,如歌词。封面艺术标签适用于静态或动态图形,但仅在专辑层面使用。对于所有其他AI生成的视觉内容,无论是独立发布还是与专辑捆绑,都应使用音乐视频标签。对于需要多种披露的作品,可以同时使用多个透明度标签。
苹果在通讯中表示,新标签是实现行业范围内AI生成音乐透明度的"具体第一步",唱片公司和发行商"必须在报告其提供的使用AI创作的内容时发挥积极作用"。
苹果音乐的标签系统是继其他竞争音乐流媒体提供商努力保护真实艺术家免受垃圾信息和冒充伤害,并帮助用户更容易识别AI生成音乐的举措之后推出的。Spotify正在与DDEX(一个音乐标准制定组织,目前苹果音乐高级执行官Nick Williamson是其董事会成员)共同开发AI音乐披露的新元数据标准。Deezer也在1月份向其他平台开放了其去年推出的AI音乐检测工具,而Qobuz上周推出了自己的专有AI检测系统。
与Deezer和Qobuz的主动检测系统相比,苹果音乐的透明度标签目前完全是可选的,将AI披露的责任完全放在了唱片公司和音乐发行商身上,而不是平台本身。苹果甚至表示,确定什么符合AI生成音乐和视觉内容的标准将由内容提供商自行决定,"类似于流派、制作人员名单和其他元数据",对于提供商未标记的作品,不会假设其使用了AI。
迄今为止,其他AI标签解决方案的诚信政策并未奏效。鉴于苹果音乐标签系统缺乏执行力度,我很难理解为什么创作者和唱片公司会有动力真正使用它。
Q&A
Q1:苹果音乐的透明度标签包含哪些类别?
A:苹果音乐的透明度标签包含四个类别:音轨标签(用于AI生成的录音重要部分)、作曲标签(用于AI生成的歌词等作曲元素)、封面艺术标签(用于专辑层面的AI生成图形)和音乐视频标签(用于其他AI生成的视觉内容)。
Q2:苹果音乐的AI标签是强制性的吗?
A:不是强制性的。苹果音乐的透明度标签目前完全是可选的,将AI披露的责任放在唱片公司和音乐发行商身上,而不是平台本身。确定什么符合AI生成内容的标准也由内容提供商自行决定。
Q3:其他音乐平台有类似的AI检测措施吗?
A:是的。Spotify正在与DDEX开发AI音乐披露的新元数据标准,Deezer在1月份向其他平台开放了AI音乐检测工具,Qobuz推出了专有AI检测系统。不过这些平台采用的是主动检测系统,而苹果音乐采用的是可选标签系统。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。