How AI Helps You Express Your Vibe | Made by Google Podcast S9E3

TL;DR: Google 高级产品经理 Joel Yawili 分享了他对 Lyria 3 和 Lyria 3 Pro 音乐生成模型的看法，探讨了其背后的跨学科团队、从30秒到3分钟的生成能力突破、与 Gemini 的多模态协作流程，以及对艺术家权益和社会影响的考量。 ## 科技与音乐的融合：个人热情与职业的结合 我是 Rachid Fine，欢迎来到 Made by Google 播客。今天我们讨论的主题是 **Lyria 3** 和 **Lyria 3 Pro**，这是 Google 令人惊叹的音乐生成模型，用户可以在包括 Gemini 应用在内的多个平台找到它们。为了深入了解，我们采访了高级产品经理 **Joel Yawili**。 Joel 在科技行业深耕多年，如今将科技与音乐结合。他表示，这是少数几个能让他将工作热情（产品管理）与个人热爱（音乐）直接重叠的项目之一，这种体验非常令人兴奋。当被问及如果不从事科技行业会演奏什么乐器时，Joel 提到受 Carlos Santana 的歌曲《Maria Maria》启发，他过去三年一直在尝试学习吉他，虽然目前水平尚浅，但这正是他梦想中的乐器。 ## Lyria 3：赋能多元化的创意表达 对于从未听说过 Lyria 的用户，Joel 将其描述为一个旨在让用户发挥创造力的工具。创意表达的形式多种多样： * **个人层面**：给朋友发送个性化的消息或歌曲。 * **商业层面**：小企业构建高度定制化的音乐营销活动。 * **内容创作**：YouTube 创作者为视频定制背景音乐。 核心在于“创意表达”，具体形式取决于用户的用例。Joel 观察到，自 Lyria 3 发布以来，最常见的用法是为他人创作个性化歌曲。团队见证了令人印象深刻的案例，例如用户将**服务条款（Terms of Service）**或**会议笔记输入模型**，生成有趣的 30 秒歌曲。 其中一个最具影响力的故事涉及一位用户，他多年未与一位朋友联系，始终找不到合适的言辞重新建立关系。利用早期短时长模型，他创作了一首歌，表达了原本难以言喻的情感，最终通过这首歌成功修复了友谊。 ## “众人拾柴火焰高”：跨学科团队的构建哲学 在构建 Lyria 3 的过程中，团队结构反映了音乐受众的多样性。Joel 指出，音乐用户谱系广泛，从完全不懂乐理的普通听众，到受过专业训练的音乐家，再到像他这样热爱音乐但非科班出身的中间群体。 因此，团队由高度技术性的研究人员、工程师，以及非技术性角色共同组成。Joel 引用了一句非洲谚语“**It takes a village**”（众人拾柴火焰高），强调该项目需要所有人的参与。必须结合懂音乐的人和不懂音乐的人，因为最终产品需要服务于所有类型的用户。 在 Google DeepMind 的工作环境中，音乐无处不在。Joel 坦言自己生成的曲目极多，甚至曾因占用计算资源而被同事提醒“慢一点”。团队聊天群组中充满了内部笑话、测试结果和酷炫的用例分享，整个团队都在不断“玩弄”这个工具。 ## 从 30 秒到 3 分钟：Lyria 3 Pro 的技术飞跃 Lyria 3 最初支持生成 30 秒的片段，而新推出的 **Lyria 3 Pro** 支持生成长达 **3 分钟**的歌曲。Joel 强调，这不仅仅是时长的延长，更包含以下关键提升： 1. **音乐与歌词质量提升**：整体音质和歌词生成质量有所改善。 2. **结构意识（Structure Awareness）**：用户可以非常具体地规定歌曲结构，包括前奏长度、桥段、副歌或主歌的存在与否。 3. **精细控制**：用户可以深入细节，例如指定特定时间段内的演唱者。Joel 举例说，他尝试要求前 46 秒由男声演唱，随后过渡到仅女声演唱，最后由两位歌手合唱。Pro 模型能够精准实现这些复杂的指令。 Joel 分享了一个充满怀旧感的时刻：当他输入提示词请求一首来自出生地**金沙萨（Kinshasa）**的歌时，模型不仅用当地母语**林加拉语（Lingala）**流利演唱，还捕捉到了金沙萨音乐的细微差别，如“音乐停止说话再响起”的特有风格。这一时刻让他意识到该技术对大众可能产生的深远影响。他还曾为母亲创作一首关于芭蕉（plantain）记忆的歌曲，作为感激的象征。 ## Gemini 与 Lyria 的协作工作流 在处理歌词生成时，Joel 指出虽然外部工作流看似统一，但内部针对不同流派（如嘻哈与乡村）有细致的区分，需要大量工作来确保歌词符合特定流派的细微差别。 **Gemini** 在这一过程中扮演重要角色： * **多模态与世界知识**：Gemini 具备宏观的世界理解能力，能帮助模型解读如“金沙萨风格”这类复杂提示背后的文化细微差别。 * **迭代歌词**：Joel 建议高级创作者可以先利用 Gemini 的强大创造力和思考伙伴特性来**迭代和打磨歌词**，然后再将最终文本输入 Lyria 进行音乐生成。这种方法特别适用于心中有特定想法的用户。 此外，Lyria 支持**多模态输入**，用户可以上传图片（如宠物、朋友或某物），让模型解读图像内容并创作量身定制的歌曲。 ## 艺术封面生成与社会影响考量 关于歌曲封面，Google 利用了 **ImageFX**（注：转录中误读为 "Nano Banana"，实为 Google 的图像生成模型）的能力。在 Lyria 3 Pro 的第二版发布中，除了提供默认封面外，还新增了**自定义封面**功能。用户可以上传自己的图片，系统会将这些图像组合成与歌曲主题匹配的专属封面。 面对公众关于“AI 生成音乐是否会取代人类艺术家”的担忧，Joel 表达了谨慎的态度： * **与艺术家共同开发**：Lyria 3 是与艺术家合作开发的，这表明 Google 重视艺术家权益，并非在真空中开发产品。 * **平衡恐惧与赋权**：承认技术对某些人来说是令人恐惧的，而对另一些人则是赋权的。Google 致力于在两者之间找到平衡，并通过产品设计和沟通来体现这一点。 最终，Google 的目标是构建一个既尊重现有艺术生态，又能激发大众创造力的工具。 Source: [How AI Helps You Express Your Vibe | Made by Google Podcast S9E3](https://www.youtube.com/watch?v=7gnybANIBws)