AI寫歌超神？｜數學家出手了

當全世界都在追逐生成式AI音樂——從Suno到Udio，用簡單的提示詞就能「憑空」生成一首歌——有一位低調的玩家卻選擇了完全不同的路徑。

Wolfram Research，這家由天才物理學家Stephen Wolfram創立的公司，在上週發布了 Mathematica 15 與 Wolfram Language 的重大更新。這次更新不只加入了AI助手，更引人注目的是**符號音樂（Symbolic Music）**功能。

這不是另一個「用AI幫你寫歌」的工具。這是一套讓音樂創作像數學公式一樣精確、可重組、可推理的系統。

對於香港和台灣的音樂創作者、遊戲音效設計師、甚至企業的內容團隊來說，這可能比任何「一鍵生成」的AI工具更具長期價值。原因很簡單：真正的創作，從來不是隨機生成，而是反覆迭代的精確控制。

符號音樂：把音符變成方程式

要理解 Wolfram 這次更新的意義，得先搞清楚「符號音樂」是什麼。

傳統的數位音樂工作站（DAW，如Ableton Live、Logic Pro）是基於時間軸的——你把音頻片段拖到軌道上，調整音量、效果器，最後輸出。這是圖形化操作。

而生成式AI音樂（如Suno）是基於神經網路的——你輸入文字描述，模型預測出最可能的音頻序列。這是黑箱生成。

Wolfram 的符號音樂則是完全不同的第三條路：把音樂當作數學表達式來操作。

在 Mathematica 15 中，一首曲子可以被表示為一系列符號結構。舉例來說：

Song[
  Melody[{C4, D4, E4, F4, G4}, Tempo -> 120, Style -> "Piano"],
  Harmony[{Chord["CMaj7"], Chord["Dm7"], Chord["G7"]}],
  Structure["Verse" -> 8, "Chorus" -> 4]
]

這不是一個「播放按鈕」。這是一個可程式化的音樂定義。你可以用數學運算來變換它：

  • Transpose[melody, 5] — 將整段旋律移調5個半音
  • Reverse[rhythm] — 反轉節奏模式
  • Stretch[melody, 1.5] — 將時間拉伸1.5倍
  • ApplyFunction[melody, f] — 將任意數學函數應用到音符序列上

這意味著什麼？意味著音樂創作變成了資料科學。你可以對一段旋律進行A/B測試、自動生成數百個變體、用遺傳演算法找出最「悅耳」的組合——這些在傳統DAW中需要手動操作數小時的工作，在Wolfram中只需幾行程式碼。

AI助手：不是取代，是加速

Mathematica 15 內建的AI助手不是像ChatGPT那樣「你問我答」的聊天機器人。它被設計為與符號運算深度整合的輔助工具。

實際使用場景是這樣的：

  1. 需求描述：你告訴AI助手「我需要一段憂傷的小調旋律，4/4拍，速度80」
  2. 符號產生：AI生成對應的符號音樂表達式，而不是直接輸出音頻
  3. 人類修改：你在符號層級上調整——「把第三小節的B降半音」「讓副歌的節奏更密集」
  4. 迭代優化：AI根據你的修改建議新的變體，如此反覆

這種工作流程的關鍵優勢在於可解釋性與可控性。你不會得到一個「不知道為什麼聽起來不錯」的結果；每一步都有明確的數學邏輯支撐。

Wolfram Research 官方提供的數據顯示，在Beta測試中，使用符號音樂+AI助手的作曲家平均完成一首編曲的時間從4.2小時縮短到1.1小時，縮減了74%。更重要的是，修改次數平均增加了3倍——因為修改變得更容易，創作者更願意嘗試不同可能性。

產業應用：誰會從中受益？

這套系統對特定領域的影響遠大於一般音樂創作。

1. 遊戲音效與自適應音樂

遊戲音樂最大的痛點是非線性——玩家的行為會改變音樂的走向。傳統做法是預先錄製多個片段，然後在遊戲引擎中根據條件觸發。

用 Wolfram 的符號音樂，你可以定義一組音樂規則而非固定片段：

AdaptiveMusic[
  BaseTheme -> "Exploration",
  Intensity -> Function[{enemiesNearby, health}, 
    If[enemiesNearby > 3, "Combat", 
      If[health < 0.3, "Tense", "Calm"]]],
  Transition -> "Crossfade[2 seconds]"
]

這套規則可以即時計算出最適合當前遊戲狀態的音樂。對於開發開放世界遊戲的香港或台灣工作室來說，這能節省大量音效團隊的製作時間。

2. 廣告與品牌音樂

品牌需要製作數十個版本的廣告音樂——15秒版、30秒版、60秒版、純音樂版、有人聲版——每種版本都需要微調。

傳統流程：錄製完整版 → 手動剪輯 → 混音調整 → 輸出不同版本。

Wolfram 流程：定義完整版為符號表達式 → 用 Extract[music, 0;;15] 取得前15秒 → 自動調整結尾和聲進行 → 輸出。

效率提升不是線性的，而是指數級的。 一家測試過的廣告公司回報，他們將音樂版本製作時間從3天壓縮到4小時，人力成本節省了87%。

3. 教育與音樂理論

這可能是最被低估的應用場景。Wolfram 的符號音樂本質上是可執行的音樂理論。

音樂學院的學生可以：

  • 用 AnalyzeHarmony[chordProgression] 自動標示和聲進行中的功能和弦
  • 用 GenerateCounterpoint[melody, Rules->"18thCentury"] 生成符合巴洛克對位法的第二聲部
  • 用 CompareStyle[piece1, piece2] 量化分析兩位作曲家的風格差異

這不是「AI幫你作弊」，而是AI幫你理解。對於正在改革音樂教育的香港演藝學院或台灣師大音樂系，這套工具可能改變基礎理論課的教學方式。

與生成式AI的對比：為什麼這條路更重要？

我們來做一個殘酷的比較。

面向Suno/Udio (生成式)Wolfram (符號式)
創作速度極快（秒級）中等（需編碼）
可控性極低（提示詞限制）極高（數學精確）
可修改性困難（重新生成）容易（直接編輯）
學習曲線極低中等偏高
商業可用性版權灰色地帶完全可控
風格一致性不穩定可保證

對於專業商業應用，可控性遠比生成速度重要。你能想像一個電影配樂師用Suno生成配樂，然後祈禱下一次生成結果跟上次一樣嗎？不可能。

Wolfram 的路徑更接近專業工具應有的樣子——它賦予創作者更大的控制權，而不是把創作簡化為「擲骰子」。

延伸閱讀

香港與台灣的啟示：從消費到創造

華語音樂市場長期以來處於一個尷尬位置：我們是內容消費大國，但工具創造小國。幾乎所有主流音樂製作軟體都來自歐美或日本。

Wolfram 的符號音樂提供了一個可能性：用數學語言繞過傳統工具的生態壁壘。

對於台灣的電子音樂廠牌、香港的獨立音樂人、或是兩地的遊戲開發團隊，現在是開始學習 Wolfram Language 的好時機。不是因為它「簡單」，而是因為它讓複雜的事情變得可能。

Stephen Wolfram 本人曾說：「我們不是在建造另一個音樂工具，我們在建造一個思考音樂的新方式。」

對於一個過度依賴「直覺」和「靈感」的行業，引入數學思維或許正是突破創意瓶頸的關鍵。當AI能夠生成無窮無盡的「還不錯」的音樂時，真正有價值的反而是那些知道自己為什麼這樣寫的創作者。

Wolfram 給的不是捷徑，而是一張更精確的地圖。