【聲音筆記】AI 時代：創作者真正的護城河
已更新：8月6日
AI Can Generate Music, But It Can’t Make Decisions: On the True Moat of a Creator
聲音筆記 / 按下生成之後・撰文／SHAO（BP Music Studio 主理人）
幾個月前寫了《穿著 Prada 的惡魔 2》的觀後隨筆，當時點了一個問題：會不會擔心被 AI 取代。那時結尾是感性的，我說，答案藏在那些「還在乎」的人身上。
這句話是我相信的。但這幾個月，因緣際會下同個問題又被問了很多次，多到我發現，對於提問的人亦或需要做決策的人來說，那個答案是不夠的。
關於從業人員怎麼想的——這次不談熱誠，談結構與實務。
「不錯」這件事有很多層級
There Are Many Ways to Be Good
前陣子有朋友傳了一段音樂給我。三十秒，弦樂鋪底，中間有一次還算漂亮的轉折。他問：「這是 AI 生的，你覺得怎麼樣？」
我對音樂的判斷一向保持客觀。好聽就是好聽，而「好聽」的多種面向，取決於你對細節的要求，以及這段音樂最終要被放在哪裡。
那次我的回答是：還不錯。但這三個字背後的判斷層級，我想花一點篇幅講清楚。
如果這段音樂只是要放在餐廳當背景，我的標準會很寬鬆——聽起來舒服、不搶走談話的位置，那就算好聽。這一層，現在的生成工具做得很好，而且只會越來越好。
再上去一層，是：「你願意閉上眼睛、仔細聽的那種。」每一個聲部為什麼站在那個位置？這個 Motif（動機）第三次出現時為什麼被剝離了一半？某個和聲的顏色為什麼剛好在這裡轉暗？那是經得起被「聽設計」的不錯。
再上去一層，牽涉到物理紋理與演奏能量。
在真人錄音的領域裡，弓毛與弦摩擦的微小抓咬感、管樂手換氣時空氣動了一下（Transient）的瞬間——那種無法複製的聲音紋理與演奏者當下的能量交鋒，是我願意把同一段音樂反覆聽上無數次的原因。
而最上面那一層，是接近偉大。
通常一個有用耳朵走過音樂歷史，受過嚴格審美訓練的作曲家，在經過成千上萬次微觀的判斷與取捨之後做出來的作品。它不只是好聽，它有結構、有脈絡、有極其精妙的裁切與創造——每一個選擇背後，都站著一個清楚的理由。
以上這四層都可以被稱為「不錯」。所以當有人問我 AI 做的音樂好不好，我第一個想反問的通常是：你是問哪一層？
你聽見的是答案，還是一個選擇？
The Difference Between an Answer and a Choice
講一個跟音樂無關的實務例子。
讀報表、整理數據，機器早就做得比人更快、更準。這叫「資訊處理」。
但拿到數據之後呢？要不要停損？要不要加碼？要不要替換掉一個合作了三年的核心夥伴？這些問題沒有標準答案。更關鍵的是——做完決定後，必須有人承擔後果。
模型可以提供一百種可能性，但它無法替任何一種可能性簽署姓名並承擔風險。
所以護城河從來不在資訊，在承擔。只要你的工作本質涉及責任與決策，那條河就一直都在——除非人類消失（笑）
指令解決風格，解決不了時間軸上的微觀判斷
A Prompt Is Already an Answer
在〈委託一首專屬配樂〉這篇裡，
我寫過：幾乎每一次影視委託的起點，都不是一份精確的總譜，而是一句說不太清楚的話。
例如：「我想要那種……有點像散場後、燈還沒亮的時候。」
或是：「一種循環、沒有盡頭的孤獨，但要保有極高的氣質與詩意。」
這些句子抽象又模糊，卻往往是作品最真實的靈魂起點
而生成工具想用好最根本的前提是：你得先把話說清楚。
你得先決定是 Lo-Fi 還是 Neｗ-Classical、BPM 是 90 還是 120、情緒是疏離還是溫暖。換句話說——在你能夠精確下 Prompt 的同時，最核心的審美定位其實已經完成了。
配樂師真正在做的，往往是那個「還無法下指令」的階段。
是咖啡放涼四個小時，把一團形容詞慢慢凝結成幾個可以指認的點，透過再推導、再翻譯組成聲音的座標；是聽著導演描述一片「深夜裡最寂靜的大海」，然後判斷那片海在頻譜上，到底需要什麼樣的 Texture。
更有甚者，是處理「反差」的判斷。
最近處理的一場戲中，畫面看起來極度幸福——光線溫暖，人們在笑；但導演要的是讓觀眾在當下產生疑慮，用音樂去提示畫面底下暗湧的悲傷。
這種需求很難用單一指令概括。因為它不是「悲傷配樂加快樂畫面」的簡單疊加，而是反差要留幾分？什麼時間點（Sync Point）讓情緒滲透出來？觀眾發覺前音樂要不要就收回？
因為它不是「悲傷的音樂配快樂的畫面」那麼簡單——反差要留幾分、什麼時候讓觀眾察覺、察覺之後又要不要收回來，箇中全是判斷。
生成工具給出的情緒曲線是統計學上的「大數法則」，是「大眾在這種氛圍下習慣的平均走向；而電影高潮要的恰恰是深刻理解常規然後違反那個走向、主動選擇打破常規所產生的張力。
那場戲的反差，最終成了整部片最具說服力的時刻與最被記住的亮點。
最難的那個判斷，通常是「這裡不要有音樂」
The Hardest Call Is Still Yours
生成工具的天職是輸出，你給它任務，它就必須填滿空間。但影視配樂的判斷，往往是反過來的：在該空的時候敢空，且守得住那份無聲的壓力。
當然，如果我們下達指令「生成一段極度稀疏、只有零星長音的音樂」，AI 確實做得到，甚至執行速度遠超人類。
但這依然是同一個邏輯——「決定這裡要稀疏」的這個判斷是由你做出的，工具只是執行了你已經完成的決策。
更極端的狀況是：一整場五分鐘的戲，乾脆完全不放音樂。
但這種決定不可能交給模型，因為這不是音樂本身的問題，而是這部電影整體敘事結構的問題。工具在乎的是生成的音樂品質，不在乎這段音樂在整部電影裡是否多餘。
這種判斷無法外包。它只能由一個看過整部片、理解前後情緒脈絡、且準備好面對導演質問的人來做。
護城河存在，不代表它永遠高價
Which Layer Gets Washed Away
寫《Prada 2》的時候，我用了「無法被運算取代」這樣的字。我必須坦承：無法被運算取代，並不等於市場會盲目給予高價。
舉例像手工餅乾。
機器工業化生產的不是次級品——餅乾更均勻、更穩定、成本更低，那是它自己的一種好；手工的價值不在於「絕對更好吃」，而在於它是另一種概念——有人根據今天的濕度微調了配方，有人決定了這一爐要烤到什麼程度。
在版權與訓練集授權問題徹底解決之前（那些模型學會的東西，很大一部分來自未獲授權的創作者，這在商業授權上是極大的法律隱患），談 AI 作為獨立創作者還太早。但未來一旦法規完善，AI 生成音樂確實可以被視為一種「便宜的罐頭樂曲庫」。
屆時，會被市場沖走的，是「只負責執行、不進行審美判斷」的那一層——把別人已經決定好的需求，單純用技術寫出來的人。
對我來說，這並非壞事。配樂師最有價值的時刻，本就不在於將音符填入軌道，而在於從一片空白時與導演反覆確認：那句「我想要那種感覺」，到底是什麼感覺。
當 AI 時代到來，執行的門檻降低，決策與翻譯的價值反而變得極其顯眼。
BP Music Studio 的界線與承諾
Which Layer Gets Washed Away
既然談到實務與結構，我想將 BP 的商業分寸明確釐清，這是任何委託方都權益攸關事：
原創性與版權鏈： 交付給你的每一段配樂，無論是旋律、和聲、配器還是架構，皆由我親自創作與管轄。AI 生成音樂絕不會出現在最終交付的聲軌中。
開放且務實的前期溝通：我不排斥在前期討論時，導演拿 AI 生成的 Temp Track（臨時音樂）來溝通氛圍或素材。
導演用AI生成音樂片段，告所我其中的某個環節/素材他很喜歡，確實已經有幾次合作的導演是這麼做的。
可經受檢驗的商業授權： 作品若要進軍影展、登上院線，或發行國際串流平台，權利鏈（Chain of Title）的完整性是法律上的硬指標。這不是道德潔癖，而是商業上最基本的嚴謹。。
（註：關於罐頭音樂、AI 作曲與客製化配樂的完整授權規範，我整理在〈罐頭音樂、AI 作曲，還是找人寫？〉一文。）
【BP 觀點：在 AI 時代，判斷一個聲音夥伴的三個關鍵問題】
一、他問的問題，比他給的答案多嗎？——好的合作開場不是急著證明自己有多會寫，而是先確認雙方聽見的是不是同一片大海。
二、他敢不敢說「這裡不要有音樂」？——懂得做減法、守得住留白的人，才是真的在為作品的生命力著想，而不是在交作業。
三、出了問題，誰簽名？——這是最不浪漫、卻最真實的職業核心。
朋友傳來的那段三十秒音樂，確實「不錯」——如果只是作為休閒聆聽，那已經足夠。
但如果你正在製作一部作品，需要的是那種閉上眼睛、能聽見每一個聲音紋理如何被精準調度的配樂，那麼我們大概得從那句「還說不太清楚的話」開始聊起。
因為到最後，導演會問的還是那一句：為什麼這裡是這樣。
我希望一直是那個答得出來的人。
The question was never whether a machine can generate music. It's who stays in the room when the director asks why.
留言