注意了,Suno。Spotify周四宣布与环球音乐集团(UMG)达成合作,允许粉丝借助生成式AI技术,对自己喜爱的歌曲进行翻唱和混音创作。该工具将以付费附加功能的形式推出,仅面向Spotify高级订阅用户开放,并将根据AI生成内容所依托的原创作品,向参与合作的艺术家提供收益分成。
Spotify目前尚未透露该工具的定价或上线时间,仅表示双方已就许可协议达成一致。事实上,Spotify去年便已披露相关计划,称其正与环球音乐集团、索尼音乐集团、华纳音乐集团、Merlin及Believe共同开发以艺术家为核心的AI产品。
Spotify当时表示,这些AI工具将通过"事先达成协议,而非事后寻求谅解"的方式构建——这番话显然是在暗指Suno等业内其他玩家的做法。
Spotify在其原则中明确指出:艺术家和版权持有人应有权决定是否参与AI工具及以何种方式参与;一旦参与,应获得合理报酬。
Spotify联席首席执行官亚历克斯·诺斯特罗姆在就UMG合作发表的声明中表示:"解决音乐领域的难题正是Spotify的使命所在,粉丝翻唱和混音就是下一个待攻克的课题。我们正在构建的体系,建立在参与艺术家和词曲作者的知情同意、署名权保障与合理报酬之上。在每一次技术变革中,我们都与卢西安爵士(环球音乐集团董事长兼首席执行官)及其团队携手合作,共同推动音乐生态向更丰富、对粉丝更有价值、对艺术家和词曲作者更有回报的方向演进。"
环球音乐集团董事长兼首席执行官卢西安·格兰奇爵士则将这一进展视为艺术家深化与粉丝关系、同时拓展额外收入来源的重要契机。目前尚不清楚哪些UMG旗下艺术家已同意参与。
Suno和Udio等服务虽然是AI音乐领域的先行者,但在构建AI音乐创作工具时,却是在法律基础并不稳固的情况下贸然推进的。不出所料,各大唱片公司随即提起诉讼。去年11月,Suno与华纳音乐集团就一起5亿美元的版权诉讼达成和解,此前不久,环球音乐集团也已与Udio就类似诉讼达成和解。
目前,Suno仍面临来自UMG和索尼音乐等公司的版权索赔。Udio方面虽已与华纳音乐和UMG和解,但与索尼的和解谈判仍在进行中。
看到消费者对此类功能的强劲需求,Spotify选择直接与唱片公司洽谈,达成专属合作协议。UMG或许只是Spotify众多厂牌合作伙伴中的第一家,尽管该公司并未明确表态。
上述消息是Spotify周四投资者日系列公告的组成部分。此外,Spotify还宣布推出由AI驱动的有声书创作工具、面向播客主的AI功能、通过AI制作个人播客的桌面应用程序,以及为顶级粉丝提供演唱会优先购票服务等一系列新举措。
Q&A
Q1:Spotify和环球音乐集团的AI翻唱混音功能什么时候上线?要收费吗?
A:目前Spotify尚未公布具体的上线时间和定价方案,只确认双方已就许可协议达成一致。该功能将以付费附加功能形式推出,仅限Spotify高级订阅用户使用,参与合作的艺术家也会从AI生成内容中获得相应的收益分成。
Q2:Spotify的AI音乐工具和Suno有什么区别?
A:最大的区别在于版权合规性。Suno等平台在未事先获得版权授权的情况下开发AI音乐工具,导致被各大唱片公司起诉,Suno甚至与华纳音乐达成了高达5亿美元的和解。而Spotify选择事先与环球音乐集团等版权方签署正式许可协议,确保艺术家的知情同意权和收益分成,从根本上避免了法律风险。
Q3:艺术家必须参与Spotify的AI翻唱混音功能吗?
A:不是强制的。Spotify明确将"艺术家和版权持有人有权自主决定是否参与及如何参与"列为核心原则,参与完全出于自愿。目前尚不清楚哪些环球音乐集团旗下艺术家已确认参与,具体名单有待后续公布。
好文章,需要你的鼓励
近期数据显示,2026年5月前企业已宣布约9万个与AI相关的裁员岗位,部分预测称未来五年美国15%的工作将被AI取代。然而,Ramp与Revelio Labs追踪近2.2万家企业的最新报告显示:重度投入AI的企业反而实现了更快的人员增长,包括初级岗位在内的各职能人数均有上升。但这一数据主要来自技术型企业,能否普遍适用仍存疑。报告同时指出,资源匮乏的企业可能在AI浪潮中持续落后。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
AI数据中心开发商向多家电力公司同时提交大负荷接入申请以确定选址,导致区域需求预测虚高、电网投资失衡。美国联邦能源监管委员会(FERC)及ERCOT、PJM、SPP等机构正推动"承诺优先"规划机制,要求项目具备实质性商业承诺方可纳入长期传输规划。谷歌、亚马逊、微软、OpenAI等科技巨头支持建立标准化的项目成熟度评估体系,但各方在具体机制上仍存分歧。发电建设问题尚未被纳入联邦传输改革议程。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。