谷歌在周三宣布发布Lyria 3 Pro音乐生成模型,距离Lyria 3发布仅一个月时间。这款新模型允许用户创作长达3分钟的音轨,相比之下,Lyria 3模型只能生成30秒长度的音轨。
该公司表示,除了允许用户创作更长的音轨外,Lyria 3 Pro模型还将提供更好的创意控制和定制功能。在提示词中,用户还可以指定音乐作品的不同元素,如前奏、主歌、副歌和桥段,因为该模型比其前代产品更好地理解音轨结构。
谷歌此前通过Lyria 3的发布为Gemini应用带来了音乐生成功能。Pro模型也正在Gemini应用中推出,但只有付费订阅用户才能使用。该公司还将Lyria 3 Pro推广到其Google Vids视频编辑应用和ProducerAI,后者是谷歌上个月收购的一款生成式AI驱动的音乐制作工具。
此外,谷歌还通过Lyria 3 Pro模型为其企业工具添加音乐生成功能,包括Vertex AI(公开预览版)、Gemini API和AI Studio。
谷歌强调,它使用了来自合作伙伴的数据以及YouTube和谷歌的许可数据来训练这个模型。该公司还表示,该模型不会模仿艺术家。但是,如果用户在提示词中指定某位艺术家,它会从该艺术家那里获得"广泛灵感"来生成音轨。
使用Lyria 3和Lyria 3 Pro创建的所有音轨都会标记SynthID,以表明使用了AI来制作该音轨。
本周早些时候,Spotify发布了新工具,让艺术家可以审查以他们名义发布的歌曲,防止AI生成内容创作者错误归属音乐。与此同时,Deezer推出了工具,让任何流媒体服务都能识别AI生成的音乐。
Q&A
Q1:Lyria 3 Pro与Lyria 3相比有什么改进?
A:Lyria 3 Pro最大的改进是支持创作长达3分钟的音轨,而Lyria 3只能生成30秒长度的音轨。此外,Pro版本还提供更好的创意控制和定制功能,用户可以在提示词中指定音乐的不同元素如前奏、主歌、副歌和桥段,模型对音轨结构的理解也更加出色。
Q2:哪些用户可以使用Lyria 3 Pro?
A:Lyria 3 Pro正在谷歌的Gemini应用中推出,但只有付费订阅用户才能使用。此外,该模型还会集成到Google Vids视频编辑应用、ProducerAI音乐制作工具,以及企业级工具如Vertex AI、Gemini API和AI Studio中。
Q3:谷歌如何确保AI生成音乐的版权和标识问题?
A:谷歌使用来自合作伙伴和YouTube、谷歌的许可数据训练模型,强调不会直接模仿艺术家。所有使用Lyria 3和Lyria 3 Pro创建的音轨都会标记SynthID,明确标识这是AI生成的内容。如果用户在提示词中指定艺术家,模型只会获得"广泛灵感"而非直接复制。
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。