作者｜葛缦
不知道你有没有听过下面这句 BGM：
「啊 ~ 啊 ~ 啊 ~
Oh my god 你吓到我啦～」
前段时间，这句魔性洗脑的旋律在各大社交平台刷屏。
它出自博主 Papi 酱发布的短视频《生气了》，从作曲到演唱，全部是由 AI 完成的。
不知不觉间，用 AI 写歌，正在变得像码字一样简单。
但如果我们把视野稍微拉远，就会发现，这种「音乐生成」其实只是 AI 音频赛道里的冰山一角。
具体来说，今天的 AI 音频产业大致可以划分为下面四层：
目前不同环节都已经跑出了各自的头部玩家，也开始摸索不同的商业化路径——
内容生产层
告别「玩具时代」，创作入口开始成为生意
最先被大众看见、也是目前最热闹的，无疑是内容生产层。
两三年前，AI 音乐还多少带着一点「科技玩具」的意味。输入一句提示词，听听 AI 能写出什么歌，新鲜感大于实用性。但现在，行业的追求早已从「生成一首完整的歌」，变成了能不能持续地留住内容创作者。
海外的 Suno 和 Udio 最早把这场竞争推向大众市场。其中，Suno 在今年 6 月完成超 4 亿美元 D 轮融资，估值达到 54 亿美元。截至今年 2 月，其累计用户已突破 1 亿、付费用户达到 200 万，ARR 达到 3 亿美元。
国内玩家也在快速跟进。比较有代表性的，包括趣丸科技旗下的天谱乐和 Tunee、昆仑万维推出的 Mureka 以及 MiniMax 旗下的 Music 系列模型。
趣丸科技走的是一条相对完整的「模型 + 产品」路线。
2024 年，它推出天谱乐音乐大模型。2025 年，又上线了对话式音乐创作智能体 Tunee。与早期需要用户反复填写提示词的 AI 作曲工具不同，Tunee 希望把写歌变得更像「聊天」。用户只需要告诉 AI 自己想要什么主题、什么情绪、什么风格，它就可以进一步完成歌词、旋律、编曲和演唱。截至 2026 年 5 月，天谱乐官网及 Tunee 累计全球用户已经超过 6200 万，AI 歌曲创作量突破 3500 万首。
随着用户规模不断起量，趣丸又开始往更专业的创作环节深入。今年 7 月推出的天谱乐 V4.7，不再满足于「一键生成一首歌」，而是加入 Remix、Cover 等修改能力，同时通过 OpenAPI 向企业和开发者开放。
昆仑万维则押注了另一种可能：AI 音乐不只要成为创作工具，还要成为内容平台。
它旗下的 Mureka，同样可以理解成一个 AI 音乐创作平台。普通人只要输入歌词、主题或者音乐风格，就能生成完整歌曲。但昆仑万维并不想让 Mureka 只停留在「写完一首歌」的工具阶段，而是希望把它做成「AI 版 Spotify」。因此，它增加了流式听歌和个性化推荐，希望让用户既能「做歌」，也能「听歌」，最终形成一个从生成、发布到消费的 UGC 闭环。
至于 MiniMax，它的切入方式更偏底层。
MiniMax 本身是一家通用大模型公司，音乐并不是它唯一的业务。旗下的Music 系列模型，更像是它提供的一项 AI 能力。除了普通用户可以拿来生成歌曲之外，开发者、游戏公司、广告公司等也可以通过 API，把音乐生成能力接进自己的产品里。
今年 8 月推出的Music 3.0，把这条路线又往前推了一步。新模型不仅能一次生成最长 5 分钟的完整歌曲，在长歌曲结构、人声和乐器表现上进一步提升，还直接开放了模型权重。
声音资产层：
「人声」本身开始成为生产资料
相比 AI 音乐的「先声夺人」，声音资产层更像是在「闷声发大财」。
它很少以爆款应用的姿态出现在大众面前，但在短视频配音、有声书、游戏、影视出海、AI Agent 等场景里，AI 生成的声音早已悄悄成为一项高频调用的基础能力。
更重要的是，这一层的付费逻辑也更加直接：有人需要声音，就有人愿意为声音付钱。
海外最典型的玩家是ElevenLabs。这家成立于 2022 年的 AI 语音公司，最初因为逼真的文本转语音和声音克隆走红，后来迅速把业务扩展到影视配音、有声内容、游戏以及企业 Voice Agent 等场景。2025 年底，ElevenLabs 的年度经常性收入（ARR）已经超过 3.3 亿美元；今年 2 月又完成 5 亿美元 D 轮融资，估值达到 110 亿美元。
而在中国创业者主导的玩家中，最近最受资本关注的一个名字，是Fish Audio。
Fish Audio 最早其实只是一个个人项目。联合创始人廖世佳此前曾在英伟达从事研究工作，因为觉得当时的合成语音「太像机器」，便用一张 RTX 4090 训练出了自己的语音生成模型，并将 Fish Speech 开源。随后，这个项目逐渐从开发者社区走向商业化，最终变成一家专门做 AI 语音的平台。
普通用户在 Fish Audio 上，可以输入一段文字让 AI 用不同声音读出来，也可以上传自己的声音进行克隆。而对于企业来说，它提供的则是另一套生意——通过 API，把这些语音能力直接接进数字人、游戏角色、客服、销售电话乃至 AI Agent 之中。
这条商业路径已经表现出了相当惊人的效率。上线一年左右，Fish Audio 的开源及平台用户已经超过 800 万，ARR 达到 2100 万美元。今年 7 月，公司又完成了 5200 万美元种子轮融资。
Fish Audio 证明了一件事：当「声音」可以像云计算一样按需调用，它本身就可以成为一项基础设施。个人创作者按月订阅，开发者按调用量付费，大企业再为稳定性、低延迟和定制能力支付更高价格，一套相对清晰的商业模式也就此形成。
与之相比，另一家中国 AI 音频创业公司 Noiz AI，走的则是一条更偏「创作工具」的路线。
Noiz AI 背后的深圳声音动力成立于 2025 年。最早，它同样从语音克隆和语音生成切入，但后来逐渐发现，创作者真正需要的并不只是「把这句话念出来」，而是要让声音符合具体人物、情绪和场景。因此，Noiz 不断加入情绪控制、多语言配音、音效和编辑等能力，希望把一个简单的 AI 配音工具，变成完整的 AI 音频工作台。
这家公司也是今年资本市场上增长较快的新玩家之一。今年 8 月，Noiz AI 又完成了数千万元的新一轮融资。公开报道显示，其全球用户已经突破 200 万，ARR 达到百万美元级。
除此之外，还有一批玩家选择继续向更专业的声音场景深挖。比如北京时域科技推出的 ACE Studio，主要面向音乐制作人。创作者给出歌词和旋律，AI 就可以直接生成接近真人演唱的人声。目前 ACE Studio 已经从单一的歌声合成工具，扩展成包含声音克隆、AI 歌手、AI 乐器等能力的一站式音乐工作站。
交互体验层：
从「生成一段声音」到「用声音完成服务」
交互体验层做的事，其实更智能，也更有意思。
AI 音乐、AI 配音，本质上还是「你给它一个任务，它生成一段内容」。但到了交互这一层，AI 开始真正和人「聊起来」了。
而且这种「聊」明显区别于传统意义的语音交互。
过去我们熟悉的 Siri、智能音箱，本质上更像一个「语音版搜索框」。你说一句，它识别成文字，找到答案，再把文字转换成声音念给你。整个过程不仅有明显的等待感，对话也很机械，更谈不上察言观色。
而这一轮 AI 语音模型想做的，是把这种「一问一答」变成真正的实时对话。AI 不仅能听懂你说了什么，还要听懂你的语气、情绪和停顿。你可以随时插话、打断，它也能接着聊下去。
这种「实时对话」的名头看似花样繁多，但无论是陪伴、翻译、客服、智能座舱，甚至未来各种 Voice Agent，背后争夺的其实都是同一个东西：谁能成为人与 AI 最自然的沟通入口。
这个层面，海外已经打得相当热闹。OpenAI 把实时语音能力放进 ChatGPT，Google 则用 Gemini Live 持续推进自然语音交互，法国 AI 实验室 Kyutai 也曾凭借 Moshi 这样的实时语音模型引发关注。
国内同样跑出了一批有代表性的玩家，而且每个玩家的切入点都不太一样。
MiniMax 最早押中的，是 AI 陪伴。
很多普通用户第一次接触 MiniMax，可能并不是通过它的大模型，而是通过海外产品Talkie和国内的星野。这类产品让用户创造或者选择一个虚拟角色，然后和它聊天、培养关系。而声音，正是让这种「关系感」更真实的重要一环。
目前这条路线已经展现出了相当可观的用户规模。MiniMax 招股书显示，2025 年前 9 个月，Talkie 和星野的平均月活跃用户达到约 2005 万。2025 年，MiniMax 整体营收达到 7900 万美元，同比增长 158.9%，其中 AI 原生产品收入达到 5310 万美元；其主要变现方式包括订阅、应用内付费和广告。虽然公司并未单独披露 Talkie 的收入，但 AI 陪伴显然已经证明：只要用户愿意长期和 AI「聊下去」，语音交互就有机会变成一门持续付费的生意。
阶跃星辰则更偏向另一条路线：先把「会聊天」的能力做成底层模型，再把它装进更多产品。
它推出的Step-Audio 2，直接把听懂声音、理解内容、思考和语音生成放进了同一个模型里。比如用户直接开口询问，它可以一边理解语气和声音中的信息，一边完成推理，再直接用语音回答，还可以处理实时翻译和工具调用等任务。
今年 1 月，阶跃星辰完成了超过 50 亿元人民币的 B+ 轮融资，资金将继续用于基础模型研发和「AI+ 终端」战略。更值得注意的是，它的模型已经进入荣耀、OPPO、中兴等厂商的终端产品。换句话说，阶跃星辰想做的并不只是一个语音 App，而是让自己的语音交互能力成为手机、汽车乃至更多智能设备背后的技术底座。
字节跳动则依靠豆包，把实时语音直接推到了大众用户面前。
2025 年，豆包上线端到端实时语音模型，让用户可以直接「开口聊」。到了今年 4 月，字节又发布全双工语音模型 Seeduplex。所谓「全双工」，就是 AI 终于可以像人一样，一边说、一边听。过去你往往得等 AI 把一句话讲完才能接话，现在它可以判断什么时候该继续说、什么时候该停下来听你，也能更好地区分真正的用户插话和周围的环境噪音。
这一切，看起来只是交互体验上的一点变化，背后的商业空间却很大。因为当 AI 真正拥有一张能自然交流的「嘴」，它可以进入的就不只是聊天软件。AI 陪伴需要它，客服和销售需要它，实时翻译需要它，智能座舱需要它，未来越来越多的 AI Agent 同样需要它。
相应地，这一层也逐渐形成了两条清晰的赚钱路径：C 端通过会员订阅、应用内付费等方式，为「更好的陪伴和交互体验」买单；B 端则通过 API 和企业解决方案，为客服、营销、翻译以及各种 Voice Agent 提供语音能力。
终端载体层：
走出 App 后，下一战是「谁将占据耳朵」
终端载体层做的事更直接——就是把前面那些 AI 音频能力，真正装进我们每天会用到的设备里。
过去，AI 音乐也好、语音助手也好，大多还停留在手机和电脑里的一个 App。但现在，耳机、眼镜、汽车、音箱，甚至乐器本身，都开始直接承载 AI 能力。
海外已经有不少成熟样本。比如Ray-Ban Meta 智能眼镜，用户可以直接通过语音唤醒 Meta AI，听音乐、接打电话、识别歌曲、实时翻译，甚至连续追问。
国内也在沿着类似方向推进。
字节跳动推出的 Ola Friend，就是一个比较典型的例子。它相当于把 AI 助手豆包塞进了耳机，用户可以直接通过语音获取信息、聊天、使用 AI 能力。
而在 AI 音乐这个更垂直的方向上，趣丸科技更大胆，也更有意思。
它推出的TemPolor Melo-D，被定义为「生成式 AI 吉他」。它和传统智能乐器不太一样，不只是把琴谱、课程或者伴奏搬到屏幕上，更是把 AI 创作能力直接放进了乐器里。用户可以从一段哼唱、一个情绪甚至一首已有歌曲出发，由 AI 生成可以继续演奏的内容。与此同时，它还支持 AI Jam、Hum-to-Solo 等功能，让不会专业作曲的人，也可以直接参与到音乐创作和演奏里。
1 号结语
综合来看，四个板块目前已经走出了各自不同的节奏——
内容生产层最热，也最拥挤。AI 写歌已经率先完成用户教育，Suno 这样的头部产品也证明了订阅模式可以跑通。但门槛下降得越快，产品之间也越容易趋同。接下来真正稀缺的，是谁能留住创作者、做出平台和生态。
声音资产层，是目前变现路径最清晰的一层。 ElevenLabs、Fish Audio 已经跑出了相当清晰的收入模型。配音、游戏、有声书、出海内容、Agent，都需要持续调用声音，这让 API 和企业服务天然具备更直接的付费基础。
交互体验层的想象空间最大，也是最明显的兵家必争之地。因为一旦语音真正成为人和 AI 交流的主要方式，它背后连接的就不只是一个产品，而是陪伴、客服、汽车、智能终端乃至整个 Agent 生态。今天巨头争的「实时语音」，本质上是在争下一代人机交互入口。
至于终端载体层，现在还远没有到分胜负的时候。AI 耳机、眼镜、汽车、乐器都还在寻找真正的爆款，但它的重要性恰恰在于：对消费级 AI 来说，前面的模型和服务，最终还是要落到一个具体的用户入口上。
所以再回头看下面这张版图，会发现 AI 音频真正的竞争才刚刚开始。
参考资料：
https://suno.com/blog/series-d-announcement
https://www.tmtpost.com/agent/ai-article/19161
https://quwangroup.com/about
https://www.tmtpost.com/8070478.html
https://m.cyzone.cn/article/823438
https://www.minimax.io/news/minimax-music-25
https://www.minimax.io/blog/minimax-music-3-0-next-generation-open-weights-production-ready-versatile-music-model
https://www.youtube.com/watch?v=6s4Ab_8SCaQ
https://deepseek.club/topic/3698
https://feinterview.poetries.top/ai-monitor/news/fish-audio-raises-52m-seed-to-build-ai-voice-models-for-creators-and-enterprises
https://techcrunch.com/2026/07/28/fish-audio-raises-50m-seed-to-build-ai-voice-models-for-creators-and-enterprises
https://noiz.ai/lp/zh/blog/noiz-sound-layer-vision
https://m.pedaily.cn/news/567481
https://saranormous.github.io/filing-websites/minimax
https://www.cls.cn/detail/2300002
https://m.thepaper.cn/newsDetail_forwrd_33585167
https://chat.stepfun.com/docs/zh/step-audio2?studio_code=model-step-audio2&studio_type
https://seed.bytedance.com/zh/seeduplex
https://companies.caixin.com/2026-01-26/102407918.html
https://www.olafriend.com/product
https://www.meta.com/tw/ai-glasses/meta-ray-ban-display/?srsltid=AfmBOoqxG4MYMoMC-g1swyl2Nxbb-r1N_cUoQgzNwKO_6qL2wg5QilWg
https://tempolorguitar.com/products/melo-
