文｜音乐先声（ID：nakedmusic），作者｜柳成枝，编辑｜范志辉
近期，美国数字研究机构Space进行了一项有趣的试验：基于人工智能（ArtificialIntelligence，简称AI）技术，模仿知名说唱歌手TravisScott的人声和音乐风格，做出了一个说唱机器人TravisBott。
这个试验的目的是为了看AI到底能够持续创造出什么。
事实上，TravisBott真的创作了一首歌《JackParkCannyDopeMan》，且歌词和旋律均由自己完成。同时，Space还使用基于AI的人体图像合成技术Deepfake，为这首歌拍摄了MV。
说实话，与以往的AI歌曲不同，这首AI歌曲在对真人继续学习后，近乎到底了真人的听感。国外网友在MV下面留言道。betterthanrealtrvis（比真人还好）Prettyamazing,thisisonlythebeginning（太棒了，这仅仅是个开始），甚至开始担心AI会奴役人类，但自己还是会买票去看。
原理上，Space采用附加神经网络技术（AdditionalNeuralNetwork）创造出旋律和打击乐伴奏，再将TravisScott的歌词输入文本生成器模型（TextGeneratorModel），两周后，AITravisBott开始创建了歌词的韵脚（rhymes）。
从效果来看，TravisBott模仿TravisScott几乎达到了以假乱真的地步，完全融汇了TravisScott作品以及人物魅力的最主要的外显特征，以至于被调侃可以加入Spotify的说唱热门歌单《RapCaviar》。
与此同时，该项目也进一步验证了人工神经网络技术（ArtificialNeuralNetworks）的进步，有助于探索未来AI在音乐中的应用价值。
不可否认的是，AI已经渐渐地嵌入到我们的日常生活中。在互联网+以及工业制造4.0的新时代背景下，具备通信、网络与人机交互功能的AI作曲覆盖到教育科普、艺术表演和娱乐服务等领域已是大势所趋。而面对AI音乐的优异表现，也让我们思考：音乐人在与AI音乐的共生中，是否会遭遇到AlphaGo式的碾压？
如何克隆TravisScott？
事实上，AI作曲（AlgorithmicComposition，也称算法作曲）并不稀奇，复制TravisScott也并非难事。
早在年，索尼旗下的计算机科学实验室（ComputerScienceLaboratories，简称SonyCSL）研究人员哈杰里斯和帕切特就曾开发了一个名为DeepBach(深度巴赫)的神经网络。他们利用巴赫创作的部作品目来训练DeepBach，创作出了首赞美诗。
而第一个正式获得世界地位的AI虚拟作曲家则是由年诞生的初创公司AivaTechnologies推出的AIVA（ArtificialIntelligenceVirtualArtist）。它的创作方向主要是古典音乐、影视配乐，发展到现在也逐渐有了其他类型的作品，例如摇滚乐、流行乐等。作为虚拟音乐人，它通过了法国和卢森堡作者权利协会（SACEM）的合法注册，并拥有自己的署名版权。在AI领域而言，复制一位或多位音乐人的音乐风格的工作也许早已在进行中。
目前来看，无论是DeepBach、AIVA抑或是TravisBott，AI作曲背后都是一种基于人工神经网络的深度学习（DeepLearning）技术。在这种深度学习中，程序员必须搭建一个多层神经网络，并在多层的结构中分别加以编程，从而可以处理各种输入和输出点之间的信息。
来源于：·菠萝科学奖，人工智能主题解读
譬如说，DeepBach被输入的是巴赫的部作品，AIVA被输入的信息是以巴赫、贝多芬、莫扎特等为代表的古典作曲家作品的大数据库，而TravisBott被输入的则是TravisScott的作品、人声以及音效。
在数据输入后，人工神经网络会找到众多被输入作品之间存在的规律，继而形成对音乐风格的理解。但这个音乐风格并不是最终的产物，其主要目的是用来预测，AI程序会带着它对音乐风格的预测继续运行，而在前方将会遇到下一个验证数据集。这个数据集会告诉它预测的正确与否，正确与错误的回馈都将被AI记住，在不断的高速学习中，AI的预测能力就会越来越强，最终掌握程序员大数据中归总后的曲风，进而能编写出自己的曲子。
而AI创作者TravisBott的突破，则在于其不止是输入了TravisScott的作品，更输入了人声及音效，文本与声音的输入与输出在深度学习上又更上了一个台阶。
来源于《IamAI》系列短纪录片
这种深度学习，看似只是基于人类大脑的神经结构简单模式，但在某种程度上已经可以像人类一般思考了。这也使得AI能够在数据中理解并塑造高度抽象化的模型，例如旋律中的模型，或者人脸的特征。
但从人工智能音乐的发展沿革而言，人工神经网络只是AI作曲的主要技术之一，与其他算法相比，有其优点也有其劣势。就优势而言，具有自学能力、联想存储功能、高速寻找优化解的能力是人工神经网络较其他算法最卓越的地方。
来源于：·菠萝科学奖，人工智能主题解读
但其劣势也较为明显：1.著名的黑匣子问题，意味着你不知道神经网络将会如何产出结果，更不知道为什么会产生这种结果；2.与认知不同，作曲是更高层次的智能活动；3.耗时耗力；4.数据饕餮，相较于传统的机器学习算法，需要更多的数据；5.算力成本较为昂贵。
在实践中，即便是最先进的深度学习算法，要实现真正深度神经网络的成功训练，仍需要数周才能完全训练完毕。而目前AI作曲在主要技术上尚不存在最优解，大多采用混合型算法（HybridAlgorithm）。
如何避免AI作曲的版权风险？
与此同时，AI作曲的整体不足也较为显化。正如前文所言，AI作曲本质上就是大数据和云计算，AI音乐产生的过程就是机器根据程序员输入的要素或者是模式，在庞大的资料库中总结提取与之相匹配的特征，而后根据这些特征提取各种资料元素进行新的组合或者是延展。
这里面必然存在一个问题是：这个巨大的数据库如何区分哪些数据是有版权保护的？哪些是公共数据？数据库的搭建者如何保障具有版权数据的权益？使用数据库的主体如何做到不侵权？
很显然，目前的AI作曲在某种程度上仍旧无法完成或者说无法自主完成这一任务，版权的规避大多来自于程序员的有意为之。
年，AivaTechnologies对AIVA选择专注古典音乐的解释也正好回应了程序员对于AI作曲版权的刻意设计：用来训练Aiva的古典音乐数据库不涉及版权问题，因为版权都过期了。
对于开头的TravisBott而言，其对于TravisScott的学习中，作品库、人物形象的采样必然也要先取得TravisScott的授权，但其学习后生产出的作品又如何避免对TravisScott形成抄袭呢？
这一情况，也是造成目前市场上AI作曲质量参差不齐的原因之一，某种程度上来说，抄袭或许很难避免。查重工具(PlagiarismChecker)以及查重的尺度在这里就显得尤为重要了，但就目前的实践来看，人类音乐人歌曲抄袭判断标准都还在寻求统一化中，何论AI作曲？
而即便AI作曲经历千辛万苦后终于生产出一个纯原创、不涉及任何侵权的作品，他（她）又将面临到版权认证的问题。
根据我国《著作权法》对于著作权的定义，著作权是著作权法赋予民事主体对作品及相关客体所享有的权利。其中，民事主体指公民、法人或非法人组织。AI在主体身份上就无法获得认可，权利的获得与放弃都变得尤为复杂。如果产生侵权纠纷，将难以解决。
比如，微软小冰独立创作的诗集《阳光失了玻璃窗》，作品一经发布后就出现了很多的盗版以及很多不规范引用。这种通常意义上的侵权，却因为缺失法律规定的缺失，版权的归属也就谁都说不清，侵权也就听之任之了。
但值得一提的是，相较于国内的空白，国外对于AI作品的放宽与认可已然成为一种常态，英国、南非、新西兰属于第一批明确认可AI版权的国家。而美国、日本、澳大利亚虽然在成文法上并未有明确规定，但在司法实践中都进行了不同程度的尝试。这也是为什么美国在成文法上未对AI作品进行认可，但在司法实践中却有胜诉的案例。
但中国因为是成文法国家，判例法并不是法的正式渊源，无法与普通法系（或英美法系）形成法官造法的司法实践，所以从制度上明确AI作品才是最根本的。
不可否认的是，受制于多国在AI领域以及法律操作上的水平差异，要获得大范围的认可或许仍有待时日。当然，在其中取巧也较为简单，在AI生成的作品加入人类艺术家的名字就可以突破这一桎梏。
年9月7日，AIVA的纯音乐专辑《艾娲（Vol.3fromartificial
转载请注明：http://www.0431gb208.com/sjszyzl/1035.html
