本文刊發于《現代電影技術》2024年第6期

專家點評

《人機協作：電影音樂生產的AIGC應用研究》關注生成式人工智能對電影音樂產業走向高科技、高效能、高質量發展的正在和可能帶來的多方面影響。該文在回顧國內外人工智能音樂生成技術發展歷史的基礎上，提出指導者-執行者范式的電影音樂生產人機協作模式，分析了人工智能生成內容（AIGC）在電影音樂領域的廣泛應用前景，體現了該研究的時效性、前沿性和探索性。論文一方面指出了AI音樂生成技術通過科技創新、優化資源配置與生產流程以及人機協作，能夠提升電影音樂全要素生產率，為電影音樂領域發展帶來新的機遇；同時論文也提出了AI音樂生成技術現階段存在生成內容質量不穩定、遭遇技術局限、缺乏版權規范等多方面已經顯現或正在顯現的復雜問題。論文用“指導-執行”的人機協同模式來平衡“人適應工具或者工具適應人”的沖突，是一種建設性的積極探索。人的創意想象力、審美創新性和風格差異性與人工智能的超大算力、快速完成力和數據資源整合力，可能帶來電影音樂行業的質的升級。人機協同，是人工智能未來的一種新的創作生產模式。人工智能如何為人所用、為藝術所用、為電影所用，這方面的研究才剛剛起步。

——尹鴻

清華大學新聞與傳播學院教授

中國電影家協會副主席

摘要

生成式人工智能（Generative AI）是一種典型的新質生產力，能夠以科技創新的方式推動電影音樂產業走向高科技、高效能、高質量的發展道路。本文回顧了人工智能音樂生成技術的發展歷史，提出指導者-執行者范式的電影音樂生產人機協作新模式，分析了人工智能生成內容（AIGC）在電影音樂領域的應用前景，指出了AI音樂生成技術存在的不足。研究表明，AI音樂生成技術通過科技創新、資源配置與生產流程優化以及人機協作能夠提升全要素生產率，為電影音樂領域發展帶來新的機遇和挑戰。

關鍵詞

人工智能音樂生成；AI智能體；人機協作；電影音樂；AIGC

1引言

人工智能生成內容（Artificial Intelligence Generated Content, AIGC）是基于機器學習（ML）和深度學習（DL），使用海量數據對模型進行預訓練而自主創建的全新內容。AIGC既可指代人工智能生成的內容，又可指代通過生成式人工智能（Generative AI）創建全新內容的技術。其開啟了人類全新的創造模式，是補充傳統專業生產內容（Professional Generated Content, PGC）和用戶生成內容（User Generated Content, UGC）的創意內容生產方式[1]。生成式人工智能是一種典型的新質生產力，其以科技創新為核心，推動了內容生產在生產效率、整體質量等方面的提升和生產方式的變革。

作為一種先進的上游技術，AIGC具有在各行各業支持不同下游應用的巨大潛力。2023年被稱為AIGC的突破之年，這項技術在文本生成（例如ChatGPT）、文生圖像（例如Midjourney）和文生視頻（例如Sora）等領域都取得了重大進展，尤其是 OpenAI的Sora為視聽內容生產帶來革命性影響。音樂領域的AI生成技術在2024年也迎來突破。2024年3月21日Suno V3版本發布，以其一鍵式快速生成較高質量歌曲的能力迅速引發行業、學術界熱議，吸引了全世界消費者的廣泛參與和傳播。通過輸入提示詞，Suno V3可在幾十秒內快速生成長達兩分鐘的音樂（含歌曲和器樂曲），以科技創新的方式代替傳統音樂生產從作曲、作詞、編曲、演唱/演奏到錄音、混音的流程。從音樂專業人士反饋來看，職業音樂人似乎已面臨AI音樂生成帶來的生存挑戰。

然而，能夠生成音樂內容和能夠生成符合人類需求的高質量音樂作品是兩個截然不同的層次。AIGC作為輔助工具需表達人類想法，其所生成內容的消費群體是人類自身。當AIGC成為一種以科技創新為核心的新質生產力，推動和加速創意內容生產領域的相關產業走向升級時，我們有必要探討人類創作者與AIGC工具之間的工作模式，即如何借助AIGC技術在降本增效、提質升級的同時，更好地激發人類創意，高效生產出符合人類審美情感需求的創意產品。

以電影行業為例，目前AIGC相關工具在電影制作領域已體現出降本增效和提質升級能力，被用于劇本寫作、概念圖生成、分鏡頭腳本制作、自動剪輯、預告片生成等環節。本文認為，AIGC音樂工具現階段已展現的能力和通過不斷迭代具備的潛能將在電影音樂生產中發揮積極作用，形成指導者-執行者范式的電影音樂生產人機協作模式，促進電影音樂產業升級。

2人工智能音樂生成技術的回顧與AIGC工具分類

2.1 人工智能音樂生成技術的發展歷程與現狀

人工智能音樂生成的研究和應用經歷了從早期實驗到深度學習理論帶來突破的幾個重要階段。早在1956年，伊利諾伊大學厄巴納?香檳分校的兩位教授列哈倫·席勒（Lejaren Hiller）和倫納德·艾薩克森（Leonard Isaacson）就對ILLIAC I計算機進行編程，為弦樂四重奏創作了一首以計算機名字命名的《伊利亞克組曲》（Illiac Suite）。這個組曲被普遍認為是首個完全由計算機作曲的音樂作品，利用馬爾可夫鏈等概率算法來決定音樂的組成部分，使計算機能夠按照18世紀對位法的所有規則“組成”弦樂四重奏[2]。該組曲的四個樂章其實是四個實驗，目的在于利用計算機來查看不同算法規則產生的音樂效果[3]。之后人工智能音樂生成經歷了從20世紀70年代算法和編程語言發展，到90年代人工智能與機器學習融合。2012年神經網絡的出現徹底改變了多個計算機科學學科[4]，包括人工智能音樂生成領域。從早期的實驗性探索到如今占主導地位的基于神經網絡的音樂生成模型，人工智能音樂生成的發展歷程反映了計算機科學、機器學習在音樂領域的實踐。從學術研究到產業應用，使用機器學習算法從海量音樂數據中進行模型訓練的目的在于生成與人類創作近似的新音樂作品。

國內外高校如斯坦福大學音樂與聲學計算機研究中心[5]、倫敦瑪麗女王大學數字音樂中心[6]、卡內基梅隆大學計算機音樂中心[7]、中央音樂學院音樂人工智能與音樂信息科技系等均致力于人工智能音樂生成的相關研究。其中中央音樂學院開發了名為“I Am Singing”的AI自動作曲系統，該系統采用三階段流程，可以根據給定的歌詞自動生成樂譜、表演和音頻文件[8]。該作曲系統能夠在23秒內快速創作出一首歌曲，并達到一般作曲家的水平[9]。國內外大型科技企業如谷歌、OpenAI、Meta、索尼計算機科學實驗室、騰訊音樂娛樂集團、網易云音樂、昆侖萬維等加速在AI音樂生成領域的系統研發與商業落地，部分音樂生成模型已在商業領域應用，還有部分產品暫處于小規模用戶測試階段。

2.2 AIGC音樂工具的分類

國內外已實現商用的AIGC音樂工具眾多，本文按照應用場景和用戶需求將其區分為專業級、民用級和短視頻背景音樂制作級（以下簡稱“短視頻級”）。

民用級AIGC工具面向大眾消費者，使用基于提示詞（Prompt）的神經網絡模型設計，操作簡易。用戶只需輸入提示詞，選擇音樂風格和情緒類型，即可快速生成歌曲或樂曲。

短視頻級AIGC工具面向短視頻、播客（Podcast）、廣告等內容制作者，采用基于提示詞、參數和視覺的神經網絡模型設計，操作簡便。用戶輸入提示詞，導入視頻素材，選擇音樂風格、情緒類型和應用場景（如運動、旅行、戲劇、電影），進行參數調節（如時長、速度、音量等），即可快速生成與畫面速度和氣氛具備一定相關性的背景音樂。

本文界定的專業級AIGC工具主要面向音樂專業人士，采用基于提示詞和參數的神經網絡模型進行設計，設置詳細的音樂參數（如音調、音色、節奏、速度等），生成的音樂可導出為樂器數字接口（MIDI）文件繼續編輯。專業級分獨立平臺（如AIVA）和音樂制作軟件插件（如谷歌Magenta Studio插件）兩類，能夠快速生成旋律、配器、和聲的多種音樂方案供創作者選擇和修改。

上述三個級別中較為典型的AIGC音樂工具如表1所示，其中天工SkyMusic和網易天音為國內平臺。

表1　具代表性的AIGC 音樂平臺和模型

3指導者-執行者范式的電影音樂生產人機協作模式

3.1 指導者-執行者范式的人機交互

AI智能體（Agent）是指一種具有感知、思考和行動能力的AI系統①。基于大語言模型（LLM）的智能體（Large Language Model?based Agents）是將大語言模型（LLM）作為智能體的大腦或控制器的主要組成部分，并通過多模態感知和工具利用等策略，擴展感知和行動空間（圖1）。這類智能體通過輸入的文本、圖片、 聲音等多模態信息進行感知，由大語言模型構建的大腦做出決策，并采取行動。

圖1　基于大語言模型的智能體

各類AIGC工具表面上是算法工具或平臺，背后其實是AI智能體，具有感知、思考和決策的能力。尤其是大語言模型展示了令人印象深刻的語言能力[10]，利用大語言模型構建AI智能體已成為目前主要的技術趨勢，其應用已在各行業廣泛展開，包括單智能體（Single?Agent）、多智能體（Agent?Agent）和人機交互（Agent?Human）三大類（圖2）。

圖2　基于大語言模型構建的三類智能體

其中，人機交互又分為指導者-執行者范式（Instructor?Executor Paradigm）和平等伙伴關系范式（Equal Partnership Paradigm）兩類。在指導者-執行者范式中，“最簡單的方法是在整個過程中由人類提供指導：人類直接提供清晰明確的指令，而智能體的角色是理解人類的自然語言命令，并將其轉化為相應的行動” [11]。以電影音樂生成為例，圖3展示了兩類范式在人機交互上的差異。在指導者-執行者范式下，人類作曲家是否能夠提供清晰明確的指令、智能體是否能夠準確理解人類命令，都決定著人機交互的體驗和電影音樂生成的效果。

圖3　兩類人機交互的范式

人機交互在生成式人工智能應用領域尤為重要，而其中的指導者-執行者范式更適合創意內容生成應用領域。

3.2 電影音樂生產人機協作模式面臨的應用場景特點

3.2.1 電影音樂生產特點

首先，電影音樂生產與一般音樂生產存在本質區別。電影音樂的生產需求源于導演或制片人，音樂監制、作曲家及其團隊需在預算內用恰當的“音樂戰術”幫助導演和制片人實現電影創意戰略。音樂監制和作曲家需充分理解導演需求，保持高效且準確的溝通，用音樂語言幫助導演傳達場景的情緒和氛圍、塑造人物、升華電影主題等。其次，電影音樂產品是一種典型的創意產品，由作曲家和導演、制片人在創意溝通和預算范圍內共同打造。制片人希望電影音樂成為凝練電影主題和情緒的最佳載體，從而用音樂（配樂和歌曲兩種形式）助力電影營銷、完成電影原聲專輯銷售的目標。最后，電影音樂生產是電影生產的一環，受到電影工期限制，需在前期、拍攝期和后期與導演、剪輯、聲音、演員等部門協作，確保最終的電影產品如期投放市場。總而言之，電影音樂生產是應導演或制片人需要、為電影而作、需配合電影生產工期和流程協作的創作和制作過程。

3.2.2 電影音樂生產的流程

電影音樂生產歷經電影生產前期、中期和后期三個制作階段（圖4）。

圖4　電影音樂生產流程

在前期，導演（或制片人）確定作曲家人選，溝通電影主題、基調和音樂風格等創意理念。在拍攝中期，作曲家制作音樂小樣（Demo）與導演進行創意溝通和方案確認。部分電影項目若存在畫內音樂需求，還需作曲家制作音樂成品或小樣供拍攝使用。在后期，待電影初剪版本確定后，作曲家及其團隊完成最主要的音樂生產工作。作曲家按照事先確定的方案，根據每個段落所需時長進行創作，組織樂隊演奏和歌手演唱，聘請錄音師錄音、混音師混音，制作出音樂成品交付，配合導演、剪輯、錄音等部門完成最后的電影聲畫合成。

電影音樂生產橫跨電影行業和音樂行業，涉及作曲家和音樂監制（有時由作曲家兼任）分別在“電影圈”與“音樂圈”的工作流程（圖5）。

圖5　電影音樂生產流程圖

音樂人與電影人在電影生產全流程中需“跨圈”同步視聽思維和制作需求，提高全流程溝通效率，快速協作，使音樂、聲音、畫面順利完成“生產組裝”，確保電影如期上映，完成市場宣發。制片人需針對電影音樂的目標群體（電影觀眾和音樂聽眾）對音樂部門提出生產需求，力求使音樂在電影營銷中發揮積極作用，在電影原聲專輯銷售中盈利。因此，高效溝通與協作、高效生產、高效進行產品定位在電影音樂生產中非常重要。

3.2.3 電影音樂生產適合采用指導者-執行者范式的人機協作模式

清華大學人工智能研究院常務副院長孫茂松院士對于生成式人工智能的基本定位是啟發、輔助人類，其基本應用條件是人在回路中②。本文認為，在視聽內容生產等以創意為核心、凝結大量人類情感與人類經驗的應用場景，適合采用基于大語言模型的指導者-執行者范式。電影音樂需準確把握電影敘事，深刻表達人物情感，甚至放大導演的哲學思想，采用人機交互中的指導者-執行者范式，通過人類創作者（導演和作曲家）提供指導和反饋、由大模型的算法作曲執行，完成人機協作模式的電影音樂生產。設計和研發人員在開發針對音樂專業人士的AIGC工具時，需考慮音樂應用場景的特性、尊重人類作者的創造力，在可控生成中確保智能體的決策和行動與人類音樂生產的需求和目標保持一致。此外，在人類創作者與智能體的交互中，創作者的反饋可幫助智能體更高效地執行任務，從而為創作者提供更好的輔助。

3.3 指導者-執行者范式下AIGC工具在電影音樂生產領域的應用現狀與趨勢

3.3.1 提高溝通效率，實現電影制作全流程視聽化溝通

在傳統電影音樂生產方式中，導演通過語言或借助參考音樂來描述希望達到的“感覺”，作曲家用MIDI技術制作小樣進行反饋和溝通。由于MIDI制作需耗費一定時間，難以在創意溝通中快速呈現音樂與畫面視聽同步的效果。部分導演如王家衛通過在拍攝現場播放已確定選擇的、預先存在的音樂（由導演挑選、制片部門或音樂監制負責處理音樂版權問題）來實時呈現音樂與畫面的整體表達。這種創作方式有利于現場工作人員明確作品的視聽方向、促進協作。但這僅代表極少數的工作情況。

在AIGC工具的輔助下，作曲家指導AI快速生成小樣同步參與創作，從而實現全流程的視聽化溝通。例如，在最初的創作概念探討中，可借助AIGC工具根據劇本的文字信息生成音樂、場景圖、音效、人聲等，完成視聽概念的初步建立。又如在虛擬預演（PreViz）的工作流程中，音樂部門可通過AIGC工具輔助高效生成音樂小樣并及時調整，讓所有工作人員從視聽整體角度理解導演的創作方向，促進各部門協作、提高溝通效率、降低溝通成本，確保全流程中創作方向的一致性。

3.3.2 提高電影音樂生產效率

利用AIGC提高電影音樂生產效率主要可用于以下方面：

（1）快速生成音樂小樣。電影音樂的實際錄音通常在后期完成，但前期和拍攝中需通過音樂小樣參與生產過程。傳統生產方式中，作曲家大多使用MIDI制作小樣或進行少量實際錄音，涉及作曲、編曲、錄音、混音等多個環節。通過AIGC輔助，作曲家可快速生成小樣并及時溝通，供劇組在拍攝時使用。例如作曲家可借助AIGC平臺AIVA，根據段落時長需求、風格、音調（Key）和大小調建立工程文件，輸入提示詞和音樂參數快速生成小樣并進行簡單編輯。目前部分AIGC工具生成的音樂已具備一定質量，可達小樣音質標準，但仍需具備更精細化、更可控的生成過程和更穩定的生成質量才能滿足實際制作需求。

（2）輔助作曲家快速選擇創意方案，提高音樂設計效率。郭帆導演在《流浪地球3》預告片里運用AI提高機器人概念設計效率的案例對AIGC在影視行業的應用具有一定啟示性[12]。電影音樂同樣具備借助AIGC工具實現高效篩選創意方案的可能性。大到整部影片的主題設計和基調確立，小到每場戲的音樂風格，作曲家可指導AIGC工具快速生成多種音樂方案，并與導演進行溝通和確認，提高音樂概念設計效率。

（3）提高基礎工作效率。隨著商業電影的發展，單個電影音樂項目的工作量不斷增加，體現在音樂的復雜度和音樂總時長等方面。大型電影音樂項目通常需作曲家帶領團隊分工協作。AIGC工具能夠輔助完成部分基礎工作（例如編曲中每類樂器的組合方式、和聲寫作等），從而縮短制作時間。例如谷歌DeepMind的模型Lyria能夠將輸入的音頻轉化為多種不同風格并編配伴奏。在官方的模型展示中，輸入一句無歌詞的哼唱音頻，再用提示詞說明轉化為薩克斯獨奏，模型便將哼唱人聲替換為薩克斯獨奏并自動添加鼓、人聲伴唱和貝斯等多軌伴奏，快速制作出帶旋律和伴奏的樂曲[13]。

3.3.3 激發創新，輔助作曲家集中精力于核心創意

AI通過對音樂數據集的訓練，學習數據集在旋律、節奏、音樂風格、和聲等方面的音樂內在規律，并最終產生新的音樂。電影音樂生產需作曲家掌握多種音樂風格和各類樂器特點以滿足電影制作的多樣化需求，還需作曲家根據電影類型發展和主流觀眾審美變化在音樂表達上不斷創新。AIGC音樂工具在旋律生成、和聲寫作、節奏設計、音樂風格等方面具備為人類作曲家提供多樣化創意激發和技術支持的可能性，從而輔助創作者拓寬思路、探索新的音樂風格和寫作技巧。

例如Magenta Studio內嵌了5個AI插件，可智能化生成多種方案供作曲家選擇。其中，Continue模型能夠根據已有旋律或鼓點繼續產生新旋律；Generate模型可自行生成4小節隨機的旋律或鼓點；Interpolate模型能夠將輸入的兩段旋律或者鼓點合并成一段新的旋律；Drumify模型可根據一段旋律自動配上鼓點；Groove模型用于生成和控制富有表現力的鼓的演奏。還有一些高質量的民用級AIGC平臺能夠通過提示詞快速生成多樣化方案，激發創作者不斷探索新的可能。

在技術層面上，AI領域始終將深度神經網絡稱為黑盒（Black Box），主要原因在于研究者們至今尚未全面了解AI的神經網絡是怎樣做出選擇的。各類音樂生成模型的概率生成范式決定了其輸出的內容具有不確定性。在實際測試中，輸入同樣的提示詞、選擇同樣的風格和情緒參數，模型每次生成的音樂都不同，有的音樂類似，有的音樂卻出乎意料，能夠給予創作者耳目一新的感覺。由概率生成范式帶來的不確定性在一定程度上給予了激發創新的可能性，有助于創作者在人機交互中碰撞出火花。

電影音樂生產分為創作和制作，整個生產過程受到電影生產工期的限制。電影音樂作者在與導演的創意溝通中通常耗費大量時間和精力，形成最艱難的“0”到“1”的音樂創作概念。創作概念構建需要作曲家與導演進行深入的、多次的思想碰撞，凝結了雙方的智慧、審美、人生閱歷和生命感悟，是電影音樂的核心部分，也是AI通過算法作曲難以準確完成的部分。而電影音樂制作需要完成從“1”到“100”的電影音樂工程構建，工程量越大的電影音樂項目花費的制作周期越長。AIGC能夠幫助作曲家在“1”到“100”的工程構建中快速生成 “音樂草圖”，輔助作曲家加速制作方案選擇，縮短工期，從而在電影音樂生產的全流程中輔助作曲家將最主要的精力分配在核心創意和藝術表達上。

電影音樂對情感表達要求較高，而目前AIGC工具生成的音樂在作曲、演唱和演奏質量等方面大多還達不到人類水平。本文認為現階段以人類作者為主、人機協作為輔是電影音樂保質增效的生產方式。通過人類作曲家指導AIGC工具生成初稿，再由人類作曲家優化方案，并組織音樂人演奏和演唱，既能提高效率，又能保證作品質量。

綜上，通過人機協作的指導者-執行者范式，AIGC音樂工具能夠在音樂專業人士的指導下提高電影音樂的溝通和生產效率，提升平均質量，激發創意。雖然目前AIGC音樂工具還處于初級階段，但隨著算力、數據集和算法的不斷迭代，在不久的將來可能成為人類作曲家和導演的得力助手。

3.4 人機協作模式是新質生產力的具體體現

新質生產力與傳統生產力形成鮮明對比，是以創新起主導作用，擺脫傳統經濟增長方式、生產力發展路徑的先進生產力，具有高科技、高效能、高質量特征[14]。電影音樂生產經歷了從傳統生產方式到由計算機技術推動的生產方式變革：傳統電影音樂生產流程為譜曲、演奏（歌手演唱）、錄音、混音，通常由幾十人共同完成；之后出現的MIDI和相應的電腦音樂制作技術推動了作曲家個人工作室的誕生，作曲家在電腦、采樣器、合成器等軟硬件的輔助下獨立完成寫作、編曲、生成（而非錄制）和混音，大大提高了生產效率，降低了生產成本。如今AIGC工具通過對海量音樂數據集的學習、高效挖掘音樂語言的深層次規律，為作曲家快速提供創意方案、并智能化地生成音樂，能夠在作曲家的“指令式”生產中進一步縮短制作時間、降本增效、提升整體質量。三種電影音樂生產方式的生產效率對比如圖6所示。

圖6　三種電影音樂方式的生產效率對比

AI音樂生成技術作為一種新質生產力，通過技術創新、資源配置和生產流程優化、人機協作技能水平提升等方式提高全要素生產率，從而實現經濟效益的最大化，為產業發展帶來了新的機遇和挑戰。

4AIGC音樂工具現階段存在的問題和在電影音樂領域應用的局限性

4.1 知識產權保護和原創性爭議

AIGC音樂工具已引發創作者對知識產權保護和生成內容原創性的擔憂，尤其是音樂生成模型的訓練數據來源備受爭議。目前，多數商業平臺未公布具體數據集來源，部分平臺通過聲明不會生成特定藝術家的音樂（如MusicFX和Suno）來規避侵權風險。在電影音樂領域使用AIGC工具時，需注重對創作者知識產權和經濟利益的保護。行業應盡快完善相關法律和行業公約，明確音樂版權歸屬，保障創作者收益，避免制片方采用人機協作生成的電影音樂損害創作者經濟利益的情況。

4.2 技術局限性

AI生成音樂質量的高低取決于數據、算法和算力。盡管AIGC音樂工具在提升內容生成質量和準確性方面具備很大潛力，但卻存在數據驅動的音樂生成模型共有的局限性，體現在以下幾方面。

（1）數據集樣本量和多樣性制約模型生成能力

模型生成音樂的能力受到訓練數據集樣本量和多樣性的限制。實際測試中，一些AIGC工具在某些音樂流派和音樂風格上表現良好，但在缺少訓練數據的流派和風格上質量不穩定且普遍缺乏對世界各國傳統音樂的訓練，而電影音樂從創意需求出發涵蓋了各種音樂類型。只有當AIGC工具能夠穩定生成高質量音樂、準確理解和執行人類創作者的指令時，才能在電影音樂生產的復雜應用場景中有效輔助作曲家。

（2）生成內容與用戶提示不一致

目前的AIGC工具并不能完全產生人類創作者在指令中期望的結果。雖然用戶在提示詞中寫明使用特定的樂器，但一些AIGC模型（例如MuseNet和Suno）有時卻自動選擇與用戶提示不同的方式來生成音樂。因為模型通過計算所有可能的音符和樂器的概率來生成每個音符，所以智能體可能在“決策”后采取與人類輸入指令不同的“行動”。

5 結語

生成式人工智能作為一種新質生產力正推動和改變著整個數字視聽內容產業， 各類AIGC工具和平臺在電影音樂領域的應用已是大勢所趨。雖然AI音樂生成技術在現階段存在生成內容質量不穩定、面臨技術局限、缺乏版權規范等多方面的問題，但AI學習并創造出在旋律、節奏、和聲、多聲部等方面達到人類水平的音樂是研發人員希望持續達到的目標。

清華大學教授尹鴻認為：“在各種未來的技術影響中，建立在互聯網基礎上的數字技術，特別是人工智能的提升，對電影制作領域會產生重大影響。” [15]是人適應工具還是工具適應人，始終是創作者需要思考的問題。新一代電影音樂創作者有必要擁抱變化、迎接挑戰、防范風險。當然，傳統生產方式在相當長一段時間會共存，一些享譽世界的電影作曲家依然采用傳統方式進行電影音樂生產，獲得了市場的廣泛認可。

AIGC工具的研發、應用和版權保護細則需要創作者群策群力、共同推動。目前很多AIGC應用場景的開發并不專門針對電影行業，電影和音樂從業者可將電影音樂的特點、需求（含生產需求和版權保護需求）傳遞給研發團隊，使AIGC工具更有效地推動產業升級。

AIGC的設計目標應該始終對人類有利，對激發人類的創意有利。從行業發展的整體趨勢來看，只有當人類學會與AI智能體對話，學習與AIGC工具協作，讓AIGC工具幫助人類表達創意理念時，才能體現AIGC在創意內容生產中的真正價值。

注釋、參考文獻

（向下滑動閱讀）

①也有學者將Agent翻譯為主體，例如王文敏教授在主編的《人工智能原理》中將Agent譯為主體，將Intelligent Agent譯為智能主體，參見《人工智能原理》2019年版，高等教育出版社出版。

②參見孫茂松院士在“2024中國生成式大會”上的演講內容，演講主題為《生成式人工智能：目前態勢及近期挑戰》。

[1] Wu J Y, Gan W S, Chen Z F, et al. AI?Generated Content (AIGC): A Survey [EB/OL]. (2023?05?26) [2024?03?25]. https://doi.org/10.48550/ARXIV.2304.06632.

[2] Tang L. Illiac Suite for String Quartet [EB/OL]. (2014?02?17) [2024?04?03]. https://lydiaswada.wordpress.com/2014/02/17/illiac-suite-for-string-quartet/.

[3] Baggi D L. The Role of Computer Technology in Music and Musicology [EB/OL]. (1998?12?09) [2024?04?03]. https://www.lim.di.unimi.it/events/ctama/baggi.htm#hiller.

[4] LeCun Y, Bengio, Y, Hinton G. Deep learning [J]. Nature ,2015,521(7553):436–444. https://doi.org/10.1038/nature14539.

[5] Center for Computer Research in Music and Acoustics | CCRMA. [2024?04?07]. https://ccrma.stanford.edu/.

[6] Center for Digital Music [EB/OL]. [2024?04?07]. https://www.c4dm.eecs.qmul.ac.uk/.

[7] Computer Music Group [EB/OL]. [2024?04?07]. https://www.cs.cmu.edu/~music/.

[8] Lu D, Zhou Q, Li X. Towards the Implementation of an Automatic Composition System for Popular Songs[M]//Summit on Music Intelligence. Singapore: Springer Nature Singapore, 2023: 83?94.

[9] 王薇娜.人工智能音色轉換模型可有效服務和促進電影創作生產[J].現代電影技術,2023(12):58?59.

[10] Ouyang L, Wu J, Jiang X, et al. Training Language Models to Follow Instructions with Human Feedback [EB/OL]. (2022?03?04) [2024?04?02]. https://arxiv.org/abs/2203.02155.

[11] Xi Z, Chen W, Guo X, et al. The Rise and Potential of Large Language Model Based Agents: A Survey [EB/OL]. (2023?09?19) [2024?04?02]. https://doi.org/10.48550/arXiv.2309.07864.

[12] 今日影評|郭帆:人工智能開啟電影工業化3.0時代.[EB/OL]. (2024?03?17) [2024?04?02]. https://new.qq.com/rain/a/20240317A02ZBR00.

[13] Google DeepMind. Transforming the future of music creation[EB/OL]. (2023?11?16) [2024?04?02]. https://deepmind.google/discover/blog/transforming-the-future-of-music-creation/.

[14] 習近平經濟思想研究中心. 新質生產力的內涵特征和發展重點（深入學習貫徹習近平新時代中國特色社會主義思想[N].人民日報,2024-03-01(9)

[15] 尹鴻.技術賦能:中國電影之強國路徑[J].現代電影技術,2022(10):4?8.

主管單位：國家電影局

主辦單位：電影技術質量檢測所

標準國際刊號：ISSN 1673-3215

國內統一刊號：CN 11-5336/TB

投稿系統：ampt.crifst.ac.cn

官方網站：www.crifst.ac.cn

期刊發行：010-63245081