一首 1984 年的老歌,被判定为“AI 生成”:音乐检测算法是如何把概率变成判决的?

更新于:

如果听信某些商业 AI 音乐检测工具的结论,瑞典后朋克乐队 Twice a Man 早在 1984 年就用上了生成式 AI——工具断定其老歌《Across the Ocean》是由一款名为“Treblo_v3”的生成器做出来的;该乐队 1982 年的作品《In My Mind》,也被同一款工具盖章为“ElevenLabs Music”出品。荒诞的是,这两首录音问世时,距离这些技术被发明出来还隔着整整四十年。

这组令人啼笑皆非的数据,来自 Digital Music News 于 11 月 4 日披露、随后被 VICE 跟踪报道的一批测试。这场测试最初并非为了调侃老歌,而是汉堡音乐人 André Grafert(艺名 Coloured Tears)为了自证清白而做的防守反击。2026 年 6 月,他推出了一张包含 23 首曲目的双唱片《DECAY / TIME — A Tribute to Twice a Man》。Grafert 明确表示整张专辑没有任何生成式 AI 参与,从演奏、编程、录音到混音制作全由他一人包揽,设备清单清清楚楚:Cubase、Sequential 家的 Prophet X、Prophet 12、Pro 3、Rev2 硬件合成器、Native Instruments 的 Kontakt 采样器,以及他自己的真实人声。但专辑刚一上线,针对他“滥用 AI”的公开指控便铺天盖地而来。

A recording studio session; the image VICE used to illustrate its report

摄影:Paul Morigi/WireImage(NARAS 供图,VICE 报道头图)

AI 音乐清理行动演变到今天,出现了一个极具讽刺意味的转折:这批本意旨在保护人类创作者免遭合成垃圾冲刷的检测工具,如今却正在误伤真正的人类音乐人。而首当其冲的受害者,恰恰是身后没有唱片公司法务团队支持的独立音乐人。关于 DistroKid 平台因诉讼风险引发的下架风波,以及 YouTube Music 的标签政策,我们此前都曾做过报道;本文想再往下拆解一层,聊聊这些分类器底层究竟在测什么、出错概率到底有多高,以及当误判发生时,行业该如何给创作者一个交代。

这场测试测出了什么,又有哪些盲区?

这批测试由代理 Grafert 宣推事务的公关机构 International Artist Marketing(IAM)成员 Ines Weidemann 操刀执行。据 DMN 后续跟进报道,SubmitHub 的检测工具直接将 Grafert 新专辑中的全部 23 首曲目判定为“主要由 AI 生成或人机混合”;其余三款检测器(ACRCloud、Let'sSubmit 与 TrackVerifier)的结论也大同小异。紧接着测试者把 Twice a Man 在 1982 至 1986 年间发行的 7 首经典原曲扔了进去,SubmitHub 同样返回了“AI/混合生成”的标签。

这是被大众广泛讨论的表面结论。但如果深究测试过程,会发现局面要混乱得多,而这些细节恰恰更为关键:

  • 音频输入源直接推翻了检测结论。最初被标记为 AI 的 7 首经典老歌,是以 YouTube 链接形式提交的。然而,当换用同一批歌曲的 Spotify 链接再次跑测 SubmitHub 时,系统却全盘改判为人工作品——《Decay》人类可信度高达 85%,《Sorrow》为 83%,《In My Mind》更是达到 91%。SubmitHub 随后向 DMN 回应称,官方拿该乐队 1982 年的整张专辑亲自测试,10 首音轨的人类可信度全在 85% 到 95% 之间,并强调其系统不建议输入低音质的 YouTube 音频。
  • 不同检测工具之间自相矛盾。针对 Coloured Tears 最近发行的 5 首单曲,SubmitHub、Let'sSubmit 和 TrackVerifier 交叉跑出的 15 个结果中,没有一个明确判定为纯人类作品。但细看分值差距极大:TrackVerifier 给其中 4 首歌打出的分数仅为 10.5/100(意味着属于“极微弱的 AI 信号”),而 Let'sSubmit 却坚称 5 首歌全部是 AI,置信度高达 77% 至 95%。
  • 同一款工具隔周推翻自己。在没有任何参数变动的情况下,Let'sSubmit 对同一份 MP3 文件仅隔了一周复测,《Flat Land》的判定就从“可能由人类制作”(61%)戏剧性地反转成了“可能由 AI 制作”(65%)。

这批证据本身的局限性同样不可忽视。所有测试数据均来自涉事音乐人单方面的公关代理,完整的测试方法论从未对外公开,亦无独立第三方审查过 Grafert 的工程工程文件原稿。SubmitHub 代表曾对他人声轨道的后期处理方式提出质疑,DMN 评价该质疑客观合理但目前悬而未决。换句话说,Grafert 的经历是一起记录详实的技术个案,尚不能直接等同于严密的误报率抽样统计。但它至少揭示了一个无可辩驳的事实(即便 SubmitHub 的反驳也从侧面印证了这点):同一首歌曲,仅仅因为上传格式有别或上传周次不同,就可能被算法判出截然相反的结果。

检测器测的到底是什么指标?

业内常有一种笼统的解释:“AI 检测器只是估算概率,而非推演一首歌到底是怎么做出来的。”这句话事实没错,但避开了最硬核的实质:这些概率究竟是依据什么特征算出来的?

Deezer 的技术文档将其检测原理描述为捕捉“生成式 AI 模型特有的音频伪影与特征指纹”,并称这类信号“人类听觉通常难以察觉”。而学术界同行评审得出的结论更加直白,且结论更令人担忧。在国际音频信息检索学会期刊(TISMIR)发表的一项研究中,Laura Cros Vila 与 Bob L. T. Sturm 等研究人员使用 20,000 首 Suno/Udio 样本及 10,000 首人类作品训练检测器,起初发现分类任务“轻而易举”。可一旦对分类器展开逆向拆解,漏洞便彻底暴露:

  • 仅仅将音频重采样至 22.05 kHz,测试的所有检测模型输出全线紊乱,连商用级系统 IRCAM Amplify 也不例外。
  • 只要对音频施加 8 kHz 以上的高通滤波,IRCAM Amplify 会直接将全部输入样本判定为 AI,包括纯人类录音。
  • 训练集本身存在极其粗暴的技术特征偏差:Suno 样本几乎均为 192 kbps、Udio 为 320 kbps,且二者采样率几乎锁死在 48 kHz;而人类参考数据集中有 60% 是 44.1 kHz。也就是说,分类器单凭采样率这一项指标,就能猜出 83% 的准确率。
  • 当研究人员输入 50 首未在训练集里出现过的生成器 Boomy 制作的歌曲时,IRCAM Amplify 仅成功识别出了 3 首。

该论文作者总结出的论断,切中了眼下这场争端的核心:这类检测器测出的本质,不过是“待测音频文件的编码管线特征,是否与 Suno、Udio 或特定训练集一致”,它根本无法判断这首歌到底是不是人写的。

Deezer 自身的研究团队也有过类似表述。Darius Afchar、Gabriel Meseguer-Brocal 与 Romain Hennequin 在 2024 年的一篇论文中直言:《检测音乐深伪:看似容易,实则极难》。即便其模型在测试集上达到了 99.8% 的高准确率,他们依然警告“高分并不代表万事大吉”,并在报告中列举了置信度校准、抗音频篡改能力、未知模型泛化、可解释性以及创作者申诉救济等一长串未解难题。而在 Afchar 和 Hennequin 参与合著的2026 年 7 月论文中更直截了当地指出,现有检测器面对“诸如调速、微小变调等简单的音频编辑,性能就会迅速崩塌”。

为什么偏重合成器、带有复古音色的作品更容易被误伤? 目前尚无文献对此做过专项对照研究,IAM 也坦承未见针对暗潮(darkwave)等小众风格的针对性研究。基于上述已知原理,我们可以合理推演如下(此为分析推论,非定论):

  1. 人类基准数据集样本过于狭隘。 TISMIR 采用的基准来自 Million Song Dataset,绝大部分是欧美主流商业音乐;DMN 亦强调人类对照库普遍向主流欧美流行乐倾斜。而极度整齐规整的鼓机量化、音序器贝斯走带以及大量人声效果器处理,天然偏离流行乐中心,二分类模型极易把这类小众边缘信号直接甩进 AI 分类。
  2. 生成式大模型本就大量借鉴了这些复古曲风。 生成模型为了模仿 1980 年代经典合成器音色,训练阶段消化了海量同类音频,导致“AI 生成”与“人类合成器制作”在声音特征空间里的重叠度极高。
  3. 音频转码破坏了判定特征。 从 YouTube 抓取的音频在二次转码和压制时,高频能量与实际采样率都会受到破坏,而 TISMIR 已经证实这些次要特征会直接诱导分类器误判。Twice a Man 的老歌在 YouTube 抓轨被判定为 AI、而在 Spotify 链接中过审的现象,完全符合这套逻辑。

当参考分变成了平台生杀大权

一个概率分值本身并无杀伤力。真正的破坏性在于:内容分发链条上的各个平台,开始把它直接当成合格/淘汰的红线。

SubmitHub 曾对外辩解,其显示的“93% 概率为人类制作”指的是模型的置信度,并不代表歌曲中有多少比例由机器完成。然而其结果展示页上白纸黑字写着:AI 置信度超过 85% 的作品将直接被拒收;其在 2026 年 9 月发布的 AI 政策更明文规定,凡是检测为 AI 可能性达到或超过 85% 的曲目,连同人机混合作品一律禁止使用推广服务,哪怕词曲全为人工创作也不能豁免。政策出台之初,DMN 曾报道该平台“不设申诉渠道”;到了 11 月,DMN 又提及 SubmitHub“提供申诉途径”。两份报道口径不一,目前其实际申诉通道是否畅通仍待确认。

越往行业下游走,判定代价越沉重:

  • 全盘封杀的托管平台。 Bandcamp 在 2026 年 1 月 13 日的一条 Reddit 官方发帖中宣布,全面禁止“完全或大部使用生成式 AI”制作的音乐上架(VICE 报道将其误记为 2026 年 6 月,但 Billboard 当时的报道证实禁令于 1 月出台)。Bandcamp 号召用户对可疑音轨进行举报并交由团队审核。这意味着,同行或听众只需附上一张免费检测工具的误报截图,就足以构成致命打击。
  • 主流流媒体平台降权。 Deezer 会把系统认定的 AI 歌曲直接踢出算法推荐流和官方编辑歌单,并在前台打上标识。更严酷的是,由于该标签按整张专辑下发以减少误判,一旦有一首曲目被算法误伤,整张专辑都会被贴上 AI 标签。
  • 封号与冻结版税。 IAM 指出,对于走自助分发渠道、完全受制于自动化审核脚本的独立音乐人而言,误报往往直接导致封号、发行受阻甚至扣留收益。尽管这是 IAM 方面的控诉,DMN 在 Grafert 个案中并未核实到确切的版税冻结记录。

这种极不对等的话语权,正是独立音乐圈最痛的症结。DMN 尖锐地指出,唱片工业推行的新标签体系,很大程度上依赖大厂牌与传统发行商的“主动自觉申报”。大牌明星用没用 AI,全凭厂牌官方一张嘴;而没有后台的独立制作人是否清白,全由冰冷的第三方分类模型说了算。正如 Grafert 本人所说:“我们这些独立新人必须拿出一轨轨工程文件来证明自己是个活人,而大明星哪怕用了生成技术,也从来没人会去查他们。”

基础概率算术:看似微小的误差放大有多可怕

商业服务商公布的准确率往往光鲜亮丽。Deezer 宣称其检测系统准确率高达 99.8%,每千首 AI 音轨仅会漏判 2 首,误判纯人类作品的几率“低于万分之一”。SubmitHub 则援引环球音乐集团(UMG)委托开展的一项独立测试,标榜自己的检测准确率达到了 99.3%。然而,两家系统均未公开过任何可供外部独立复现的测试基准,Coloured Tears 维权团队直接将这类宣传斥为“不透明的行业黑箱”。

抛开宣传话术,假阳性(误报率)在真实场景下会造成多大杀伤力,完全取决于吞吐体量以及待测池中 AI 音频的基础流行率。以下为基于行业数据的估算模型。请注意:所列输入参数均为情景假设,非实测数据:

评估场景 基础假设条件 每日/批被误伤的人类曲目数 在所有警报中误报所占比例
A. Deezer 体量,采用厂商自称误报率 每日上传 ~9 万首 AI 曲目 + ~9 万首人类曲目(Deezer 透露到 2026 年 7 月其每日接收近 9 万首 AI 歌曲,6 月峰值期 AI 占比过半);假阳性率设为 0.01% 每天约 9 首,年均约 3,300 首 约 0.01%
B. 相同体量,采用学术实测误报率 上传量同上,但采用 TISMIR 论文中 IRCAM Amplify 面对人类音乐测出的 4.7% 误报率(该论文样本仅 150 首,且为另一款商业系统) 每天约 4,200 首 约 4.5%
C. 歌单策展人或小厂牌日常收件箱 每批次 1,000 首投稿,AI 实际占比 10%(SubmitHub 透露近期上传中约 11% 超过 85 分警戒线);检测器拦截 95% 的 AI 误报率 1% 时误伤 ~9 首;误报率 4.7% 时误伤 ~42 首 约 9%;约 31%

透过这组推演,我们可以看清两个核心现实:首先,如果真能达到官方宣称的超低假阳性率,在 Deezer 这种半数来稿全是垃圾内容的海量场景下,基础概率其实站在了检测器这一边——绝大部分被拦截的确实是垃圾。就算每年误伤数千首真作,对于平台整体而言依然属于“可接受的边际损耗”。

但更深层的隐患在于:这个整体平均率,是否适用于你的曲风? 一个看似优秀的全局基准平均分,很容易抹平模型在冷门小众领域的灾难级表现。假设暗潮或工业电子音乐由于合成特征特殊,被误判的概率高达 20%(此为假设数值,目前尚无实测验证),对于整个平台大盘的平均准确率几乎没有影响;但对于深耕该流派的独立音乐人而言,每一次上传作品,就等于在玩抛硬币定生死的俄罗斯轮盘赌。Grafert 的遭遇之所以引发普遍焦虑,根源正在于此:最容易被模型误判的群体,恰恰是在模型训练集里最缺乏代表性的话语权弱势者。

因噎废食不可取:为什么检测依然不可或缺?

分析这些技术硬伤,绝不是鼓吹行业应该撤下所有 AI 检测手段。反对方的现实诉求同样不容轻视。

垃圾流量狂潮是客观存在且高度恶意的。Deezer 在 2025 年 1 月刚上线检测系统时,每天截获的纯 AI 灌水曲目约为 1 万首;到了 2026 年 7 月,这一数字已暴增至近 9 万首。尽管这类无意义刷量的播放份额仅占 1% 到 3%,但 Deezer 查出 2025 年间这些播放量中有高达 85% 属于刷量作弊,平台据此对其进行了版税剥夺。要知道,流媒体版税池是零和博弈,每一分被虚假作弊偷走的版税,本该属于包括 Grafert 在内的全天候真实创作者。Deezer 援引国际作者和作曲者协会联合会(CISAC)与 PMP Strategy 的研究预测:到 2028 年,生成式 AI 可能会蚕食创作者近 25% 的收入。

服务商对舆论的定性感到委屈也是事出有因。SubmitHub 指出 DMN 所谓“误报泛滥”的指责缺乏大样本数据支撑,行业目前确实拿不出任何系统性崩盘的宏观统计。一张专辑、一家宣推机构的内部测试,外加尚未公开检验的人声后期链条,在统计学上确实只能算孤例。此外,部分平台的机制设计本身就预留了容错空间:Deezer 的算法主要锚定“纯 AI 渲染生成”的文件,官方声称“通常不会去打标仅借助 AI 辅助创作的传统作品”;Bandcamp 也强调他们的政策是人工最终复核,并非全靠算法盲目自动下架。

平心而论的结论是:反作弊检测势在必行,现有工具在大规模粗筛场景下确实发挥了作用,但它们在面对非主流艺术边缘样本时极其脆弱——而许多真正优秀的独立音乐,恰恰生长在这片边缘地带。

当算法接管审查:构建正当申诉程序

既然自动化检测已成行业常态,博弈的核心就必须转向程序正义。在互联网内容治理的其他领域,相关机制早已有法可依。以欧盟《数字服务法》(DSA)为例,法规第 17 条明确要求在线平台在下架内容、限制曝光或冻结结算时,必须出具详细的事由说明;第 20 条则明文规定平台必须提供内部投诉机制,且最终裁决“不得完全依赖自动化手段”。这一法规在具体流媒体分发场景下的司法适用固然存在技术探讨空间,但其治理精髓完全值得整个音乐分发体系借鉴:

  1. 充分告知。 音轨被标记时,系统必须第一时间明确通知音乐人:是被哪套工具拦截、判定了什么状态,以及面临的具体处置——打标、降权、拒收还是暂扣版税。
  2. 释明依据。 判定报告必须透明化:公布模型版本号、置信分值,以及用于分析的原始音频格式。“我们分析了 YouTube 转码音频”与“我们分析了母带级 WAV 文件”,两者在证据效力上有着天壤之别。
  3. 真正的人工复核。 允许音乐人提交算法无法读取的物理证据——宿主工程文件、分轨导出文件、录音工程截图,甚至是真实硬件合成器的实拍出镜视频,并交由具备相应垂直流派知识的真实人类听审评估。
  4. 阈值不等于判决。 分类置信度只能充当触发预警的风控信号,而不能作为自动执法的裁决令。如果要直接在结论上点名某首 1984 年老歌是由“Treblo_v3”生成的,平台需要出具的是确凿证据,而不是一个轻飘飘的统计概率。
  5. 公开各流派细分错误率。 售卖检测方案的商业机构,理应公开模型在各细分流派、不同录音年代、不同压制编码下的分层假阳性率,并彻底修复“隔周跑测同一音频得出相反结论”的基础鲁棒性缺陷。

Grafert 这场风波折射出的致命伤,并不是检测技术的存在,而是整个工业链条草率地把模糊的统计推断,当成了免除责任的定罪判决。破局之道,绝非在“保护人类乐手”与“清理 AI 垃圾”之间做非黑即白的零和抉择。它只需要平台正视模型开发者自身都在强调的基本事实:分类器的输出仅仅是一个供人工排查的线索,它永远没有资格单方面充当行业法官。

参考来源