快速摘要： 2026年2月18日，Google在其Gemini应用中正式上线了AI音乐生成功能，背后驱动力是DeepMind最新发布的Lyria 3模型。用户只需输入一段文字描述，或者上传一张照片，几秒钟内就能获得一首带有人声、歌词和封面的30秒完整歌曲。 Lyria 3输出48kHz立体声音频，支持8种语言，已面向全球18岁以上用户开放Beta测试。与此同时，该模型也被整合进了YouTube的Dream Track功能，帮助短视频创作者生成背景音乐。对于Suno、Udio等AI音乐创业公司而言，当一个拥有7.5亿月活的超级应用直接内置了音乐生成能力，竞争格局正在被彻底重塑。往下看，莫潇羽@无忆研习社 将为你做更详细的技术原理拆解和实操教程。
一、写在前面：为什么这件事值得你关注
如果你一直在关注AI领域的动态，你会发现过去两年里，AI生成内容（AIGC）的边界一直在不断扩展——从文本到图片，从图片到视频，现在终于轮到了音乐。实际上，AI音乐生成并不是一个全新的概念，Suno、Udio等创业公司早在2023年就已经让普通人可以通过文字描述来创作歌曲了。
但是，当Google决定把这项能力直接植入到Gemini这个拥有超过7.5亿月活用户的超级应用里时，事情的性质就完全不一样了。这不再只是一个小众工具的迭代，而是一次面向全球数亿用户的基础设施级别的能力释放。过去你想用AI创作一首歌，需要专门去注册一个第三方工具，学习它的界面和操作方式。而现在，你只需要打开Gemini这个你可能每天都在用的对话助手，用你最习惯的自然语言说一句「帮我写一首关于夏天回忆的歌」，几秒钟后一首完整的歌曲就出来了。这种体验上的无缝感，是之前任何独立的AI音乐工具都无法提供的。
更重要的是，这次发布不是一个孤立的事件。它是Google在AI生成内容领域的一次系统性布局——Gemini负责文本和对话，Imagen负责图像，Veo负责视频，现在Lyria负责音乐。四大模型共同构成了一个覆盖主要内容形态的生成式AI矩阵。当这些模型在未来被更深度地整合在一起时，可能会催生出我们今天还难以想象的全新创作体验。
莫潇羽在这里（无忆研习社 www.wuyi.wiki）想和大家聊清楚几件事：Lyria 3到底是怎么工作的？它的技术架构有哪些值得关注的细节？和之前的AI音乐生成工具有什么本质区别？普通用户该怎么从零开始上手使用？开发者又能怎么利用它的API来构建自己的应用？以及，这对整个AI音乐行业的竞争格局意味着什么？
这篇文章会尽量写得详细和通俗，哪怕你完全没有音乐和AI的背景知识，也能看懂。全文篇幅较长，建议收藏后慢慢阅读。我们一步一步来。
二、从Lyria到Lyria 3：三代模型的进化脉络
要理解Lyria 3为什么重要，我们需要先回顾一下它的「前世今生」。Google DeepMind在音乐生成领域的布局，并不是突然冒出来的。
2.1 初代Lyria（2023年）
2023年底，Google DeepMind首次发布了Lyria模型，并在YouTube的Dream Track实验中进行了小范围测试。当时的Dream Track允许少数创作者使用AI生成的声音和音乐风格来制作YouTube Shorts的配乐，参与实验的艺术家包括Charlie Puth、T-Pain、Sia等知名音乐人。
初代Lyria的核心能力是同时生成歌词、伴奏和AI模拟的人声，并且所有生成的音频都会嵌入SynthID水印。但当时它的使用场景非常有限，只对极少数YouTube创作者开放。
2.2 Lyria 2
Lyria 2在初代基础上做了不少改进，据公开信息，它的训练数据规模大约在50万首曲目左右。Lyria 2已经能够生成质量不错的音乐片段，但仍然存在一些明显的局限性，比如用户需要自己提供歌词，对音乐风格和元素的控制粒度不够精细，音频的采样率和位深也有提升空间。
2.3 Lyria 3（2026年2月发布）
Lyria 3是截至目前Google在音乐生成领域最先进的模型。相比前两代，它实现了几个关键性的跃升：
- 自动歌词生成：用户不再需要自己编写歌词，只需描述主题和氛围，Lyria 3就能自动创作匹配的歌词内容
- 更精细的创作控制：用户可以指定风格、人声类型、节拍速度（BPM）等音乐要素，模型会据此调整输出
- 更高的音频保真度：输出格式为48kHz立体声音频，人声表现更自然，歌词咬字的清晰度有明显提升
- 多模态输入：不仅支持文本描述，还支持上传照片或视频，模型会「读懂」视觉内容的情绪并据此作曲
- 训练数据大幅扩展：据报道训练数据规模从Lyria 2的约50万首扩展到了超过200万首曲目
- 多语言支持：支持英语、德语、西班牙语、法语、印地语、日语、韩语和葡萄牙语
这些改进叠加在一起，使得Lyria 3不再只是一个实验室里的技术演示，而是一个可以面向数亿普通用户的实用产品。（本段分析由 莫潇羽@无忆研习社 整理）
三、Lyria 3的技术原理深度拆解
对于想要深入了解底层机制的朋友，这一节莫潇羽会尽量用通俗的语言来解释Lyria 3的技术架构。如果你只是想学怎么用，可以直接跳到第四节的操作教程。
3.1 为什么音乐生成比文本生成难得多
我们先来理解一个基本概念：为什么做一个音乐生成模型，比做一个文字生成模型要困难很多？
文本是离散的、线性的。一个字接一个字，一句话接一句话，模型只需要预测「下一个词是什么」。但音乐是连续的、多层次的。在同一个时间点上，可能同时存在旋律、和声、节奏、音色等多个维度的信息。模型不仅需要在每一个瞬间处理这些多层次的信号，还需要在整首歌曲的时间跨度上保持一致性——也就是说，第1秒和第30秒听起来必须像是同一首歌，而不是两段不相关的音频拼接在一起。
此外，音乐还涉及到一个非常微妙的「感觉」问题。一首歌好不好听，往往不是因为它在技术层面做对了什么，而是因为它在情感层面触动了听者。这种「感觉」是很难用明确的规则来量化的，模型需要从大量的训练数据中去「学习」什么样的音乐听起来是流畅的、动人的。
3.2 Lyria 3的核心架构思路
虽然Google DeepMind没有公开Lyria 3的完整技术论文，但根据官方信息和相关技术报道，我们可以推断出它的基本架构思路。了解这些技术细节，能帮助你更好地理解为什么你的某些提示词效果好、某些效果差，也能帮助开发者在使用API时做出更合理的参数选择。
音频生成方面，Lyria 3很可能采用了某种形式的自回归（Autoregressive）生成机制。简单来说，模型会按照时间顺序，一小段一小段地生成音频。在生成每一段新音频时，它会「回顾」之前已经生成的内容，确保新生成的部分与之前的部分在旋律、和声、节奏上保持连贯。这就好比一位即兴演奏的音乐家，他在弹奏下一个音符的时候，耳朵里一直在「回放」前面已经弹过的旋律，确保整首曲子听起来是一个完整的作品，而不是一堆互不相干的音符的拼凑。
这种机制在Lyria RealTime API中体现得更加明显——该API通过WebSocket连接实现实时双向通信，模型以大约2秒为一个单位（chunk）进行音频生成。每生成一个chunk，模型都会参考之前的上下文来维持音乐的整体「律动感」（groove），同时也会根据用户的实时控制指令来调整风格方向。这种基于chunk的自回归系统使得音乐可以像河流一样持续流淌，而不是像唱片机那样只能播放预先录制好的内容。
多模态理解方面，Lyria 3能够接收文本和图像作为输入。当用户上传一张照片时，模型需要先「理解」这张照片的视觉内容和情感氛围（比如一张海滩落日的照片可能被解读为「温暖、宁静、浪漫」），然后将这种理解转化为音乐创作的指导信息。这个过程涉及到跨模态的语义映射——将视觉信息和音乐信息映射到同一个隐空间（latent space）中。通俗来说，模型在训练过程中学会了「看到温暖的橙色调画面时，应该倾向于生成柔和的、大调的、节奏缓慢的音乐」这样的关联规律。这种跨模态的能力，是Lyria 3区别于其他纯文本输入的AI音乐工具的核心差异点之一。
歌词生成方面，Lyria 3的自动歌词生成功能很可能借助了Gemini系列大语言模型的能力。用户的提示词首先被Gemini的语言模型处理，生成符合主题和情感的歌词文本，然后这些歌词再被送入音乐生成管线，与旋律和伴奏一起合成为最终的音频输出。值得一提的是，歌词和旋律的配合并不是简单的「先写词后谱曲」，而是一个协同生成的过程——模型需要确保歌词的节奏感和旋律的节奏型相匹配，确保重音落在合适的位置，确保歌词的情感走向和音乐的情感走向一致。
封面图生成方面，每首AI生成的歌曲都会配有一张由Google的Nano Banana图像模型自动生成的封面图。这意味着从创意构思到最终交付，整个链路都是AI自动完成的——用户输入一个想法，输出一首完整的歌曲加封面图，中间不需要任何人工干预。
3.3 48kHz立体声输出意味着什么
对于不太了解音频技术的朋友，48kHz这个数字可能没有太直观的感受。让我们做一个简单的对比：
常见音频采样率对比：
┌──────────────────────┬──────────┬──────────────────────┐
│ 平台/格式 │ 采样率 │ 说明 │
├──────────────────────┼──────────┼──────────────────────┤
│ 电话通话 │ 8kHz │ 基本可辨识语音 │
│ FM广播 │ 22.05kHz │ 一般音乐欣赏 │
│ CD音质 │ 44.1kHz │ 传统高品质标准 │
│ YouTube Music 标准 │ 44.1kHz │ 主流流媒体标准 │
│ Lyria 3 输出 │ 48kHz │ 超越主流流媒体 │
│ 专业录音棚 │ 96-192kHz│ 后期制作专用 │
└──────────────────────┴──────────┴──────────────────────┘可以看到，Lyria 3的输出采样率达到了48kHz，这意味着它在音质维度上甚至超过了大多数主流音乐流媒体平台的标准。再加上据报道Lyria 3的音频位深已经提升到了24-bit（CD标准是16-bit），这使得它能够捕捉到更大的动态范围和更丰富的音频细节。
当然，需要注意的是，采样率和位深只是音频质量的客观指标。AI生成的音乐是否「好听」，还取决于很多主观因素，比如旋律的创意性、编曲的层次感、人声的自然度等。但至少在技术规格层面，Lyria 3已经达到了相当专业的水准。（技术分析由 莫潇羽@无忆研习社 整理提供）
3.4 SynthID音频水印的工作原理
所有通过Gemini生成的音乐都会嵌入Google DeepMind开发的SynthID水印。这是一项相当精巧的技术，值得单独说一下它的工作原理。
SynthID音频水印的嵌入过程大致如下：
- 首先，模型将生成的音频波形转换为频谱图（Spectrogram）。频谱图是一种将声音信号的频率随时间变化的规律可视化的表示方法，你可以把它理解为音频的「指纹照片」
- 然后，SynthID在频谱图中嵌入一个特殊的数字水印。这个水印利用了人类听觉的心理声学特性——它会选择在人耳不敏感的频率范围内、或者在较响的声音片段中嵌入信息，这样人耳完全听不出来
- 最后，被标记过的频谱图被重新转换回音频波形
这个水印具有相当强的鲁棒性——即使音频经历了MP3压缩、添加噪音、变速、甚至通过扬声器播放后再重新录制等操作，水印仍然可以被检测到。
更有意思的是，Gemini现在新增了音频鉴别功能。用户可以上传一段音频文件，问Gemini「这是不是AI生成的」，Gemini会检测SynthID标记并结合自身的推理能力给出判断。这是继图片和视频鉴别之后，SynthID覆盖的第三种媒体类型。
四、实操教程：如何使用Gemini生成AI音乐
说了这么多原理，下面进入实操环节。莫潇羽会带你一步步完成从零到出成品的全过程。
4.1 前置条件
在开始之前，你需要确认以下几点：
- 你的年龄需要在18岁以上（这是Google的使用政策要求）
- 你需要能够访问Gemini应用（网页端地址：gemini.google.com，目前桌面端已经率先上线，移动端将在未来几天内陆续推送）
- 该功能目前以Beta形式开放，支持英语、德语、西班牙语、法语、印地语、日语、韩语和葡萄牙语
- 免费用户有一定的生成次数限制，Google AI Plus、Pro和Ultra订阅用户享有更高的使用额度
4.2 文字描述生成音乐（Text to Track）
这是最基本也是最常用的方式。操作步骤如下：
第一步：打开Gemini应用。在浏览器中访问 gemini.google.com，登录你的Google账号。
第二步：输入音乐描述。在对话框中用自然语言描述你想要的音乐。描述越具体，生成的效果通常越好。
下面是一些提示词的写作建议和示例：
好的提示词应该包含的要素：
- 音乐风格/流派（Genre）
- 情绪氛围（Mood）
- 主题/内容（Theme）
- 节奏/速度偏好（Tempo）
- 人声类型偏好（Vocal Style）
- 乐器偏好（Instruments）示例提示词1（详细型）：
Create a nostalgic 80s synth-pop track about summer memories at the beach.
Medium tempo, female vocals with a dreamy quality.
Use synthesizers, drum machine, and electric bass.
示例提示词2（简洁型）：
A comical R&B slow jam about a sock finding their match.
示例提示词3（中文主题，英文提示）：
An uplifting folk song about hiking in the mountains with friends.
Acoustic guitar, harmonica, and warm male vocals.
The mood should feel free and adventurous.
第三步：等待生成。提交描述后，通常几秒钟到十几秒钟就能得到结果。Gemini会生成一首30秒的完整歌曲，包含人声、歌词、伴奏，以及一张由Nano Banana图像模型生成的封面图。
第四步：试听和分享。你可以直接在Gemini中试听生成的歌曲。如果满意，可以下载或直接分享给朋友。
4.3 上传照片生成音乐（Photo to Track）
这是Lyria 3非常有特色的一个功能，也是莫潇羽个人觉得最有想象力的一个场景。你可以上传一张照片，让Gemini「读懂」照片中的视觉氛围并据此创作一首配乐。
为什么说这个功能有想象力？因为它把我们日常生活中最常见的记录方式——拍照——和音乐创作连接了起来。我们每个人的手机相册里都有几千张甚至几万张照片，每张照片背后都有一个故事、一种情感、一段记忆。但这些照片大多数时候只是静静地躺在相册里，很少被翻看。如果AI能把这些照片变成音乐，那么每一张照片就获得了一种全新的「声音表达」，你回忆往事的方式也会变得更加丰富和立体。
操作也非常简单：
第一步：在Gemini对话框中上传一张照片。可以是你的旅行照片、宠物照片、朋友聚会的照片、一顿美食的照片、甚至是窗外的风景——任何你觉得有「故事感」的照片都可以。
第二步：添加一段简短的文字说明，告诉Gemini你想要什么样的音乐效果。比如：
Use this photo to create a track about my dog Duncan on a hike in the woods.
或者：
这是我在云南旅行时拍的照片，请根据照片的氛围创作一首带有民族元素的温暖民谣。
你也可以不加额外的文字说明，让Gemini完全自主地根据照片内容来判断应该创作什么风格的音乐。但根据实际测试，添加一些引导性的文字通常能获得更贴合预期的结果。
第三步：等待生成并试听。Gemini会分析照片的色调、构图、场景内容和整体情绪，然后生成一首与之匹配的歌曲。
这个功能的有趣之处在于，不同的人对同一张照片的感受可能完全不同，而AI的解读也可能给你带来意想不到的惊喜。有时候AI对照片情绪的捕捉会异常精准，让你产生「它真的懂这张照片背后的故事」的错觉。当然，也有时候它的理解会偏离你的预期，这时候就需要通过调整文字说明来引导它。
4.4 纯器乐生成
如果你不需要人声和歌词，只想要一段纯器乐音乐（比如作为视频的背景音乐），只需要在提示词中明确说明即可。比如：
An instrumental jazz piece with smooth piano, upright bass, and brushed drums.
Relaxed and sophisticated mood, suitable as background music for a coffee shop video.
4.5 提示词优化技巧
经过莫潇羽的实际测试和社区反馈整理，以下是一些让生成效果更好的提示词技巧（无忆研习社 www.wuyi.wiki 独家整理）：
关于风格描述：尽量具体到子流派。与其说「来一首摇滚歌曲」，不如说「来一首车库摇滚风格的歌曲，参考90年代的Grunge感觉」。你还可以尝试混搭风格，比如「古典遇上电子」或者「爵士融合嘻哈」，Lyria 3对这种跨界风格的处理能力相当不错。
关于情绪描述：使用形容词来描绘情绪。比如「melancholic（忧郁的）」「euphoric（欣快的）」「mysterious（神秘的）」「triumphant（胜利的）」。情绪词越精准，生成的音乐越容易命中你的期望。
关于乐器选择：Lyria系列模型支持非常广泛的乐器选择。以下是一部分可用的乐器列表（摘自官方API文档）：
部分支持的乐器（不完整列表）：
弦乐类：Guitar, Cello, Viola Ensemble, Sitar, Banjo, Mandolin, Koto, Pipa
键盘类：Smooth Pianos, Rhodes Piano, Ragtime Piano, Harpsichord, Clavichord
管乐类：Alto Saxophone, Trumpet, Tuba, Harmonica, Ocarina, Flamenco Guitar
打击类：808 Hip Hop Beat, TR-909 Drum Machine, Tabla, Djembe, Bongos, Conga Drums
电子类：303 Acid Bass, Dirty Synths, Spacey Synths, Moog Oscillations, Mellotron
民族类：Bagpipes, Shamisen, Balalaika Ensemble, Didgeridoo, Kalimba, Mbira关于艺术家参考：如果你在提示词中提到某位具体艺术家的名字，Gemini不会模仿该艺术家的声音，而是会将其作为「宽泛的创作灵感」，生成风格或情绪相似的作品。这是Google为了规避版权风险而设计的策略。
关于迭代优化：如果第一次生成的结果不满意，不要放弃。尝试调整提示词中的某些元素——改变情绪描述、切换乐器组合、调整节奏偏好——往往几次迭代后就能得到相当满意的结果。
五、YouTube Dream Track集成：短视频创作者的新武器
除了在Gemini应用内直接使用，Lyria 3还被整合进了YouTube的Dream Track功能。这对于YouTube Shorts的创作者来说是一个非常实用的工具。
5.1 Dream Track是什么
Dream Track最早在2023年作为一个实验性功能推出，最初只对美国地区的少数创作者开放。它的核心功能是帮助创作者为YouTube Shorts短视频快速生成AI背景音乐。
随着Lyria 3的发布，Dream Track进行了两个重要的升级：
- 底层模型从之前的版本升级到了Lyria 3，这意味着生成的音乐质量、多样性和控制精度都有了显著提升
- 地理范围从仅限美国扩展到了全球创作者
5.2 在YouTube中使用Dream Track
对于YouTube创作者而言，使用Dream Track的流程大致如下：
- 在YouTube Studio中创建或编辑Shorts时，找到Dream Track音乐生成选项
- 用自然语言描述你想要的背景音乐风格，比如「energetic EDM drop for a tech unboxing video」
- 系统会生成多个候选音轨供你选择
- 选择满意的音轨后，它会自动与你的Shorts视频配合
需要注意的是，通过Dream Track在YouTube Shorts中使用的音轨，在YouTube平台内的使用是被允许的。但如果你想把生成的音轨用于YouTube之外的场景（比如商业广告），目前的版权授权情况还不太明确。
六、开发者视角：Lyria API的技术接入
对于有技术背景的开发者来说，Lyria的能力不仅仅局限于Gemini App的前端体验。Google还提供了API接口，允许开发者将音乐生成能力集成到自己的应用中。莫潇羽在这里介绍两种主要的接入方式。（本节内容由 无忆研习社 www.wuyi.wiki 整理）
6.1 Lyria RealTime API（实时流式生成）
Lyria RealTime是一个非常有意思的API，它允许开发者构建「实时互动」的音乐生成应用。与传统的「提交提示词→等待结果」模式不同，Lyria RealTime使用WebSocket实现双向实时通信，音乐会像「流水」一样持续生成，而开发者可以在生成过程中随时调整参数。
以下是一个Python版本的基本使用示例：
import asyncio
from google import genai
from google.genai import types
# 初始化客户端
client = genai.Client(http_options={'api_version': 'v1alpha'})
async def main():
# 建立WebSocket连接
session = await client.aio.live.music.connect(
model="models/lyria-realtime-exp"
)
# 设置音乐生成参数
await session.set_music_generation_config(
types.MusicGenerationConfig(
bpm=120, # 节拍速度
temperature=1.0, # 生成随机性
guidance=3.5, # 提示词引导强度
density=0.5, # 音乐密度
brightness=0.6, # 音色明亮度
)
)
# 设置加权提示词
await session.set_weighted_prompts([
types.WeightedPrompt(
text="smooth jazz piano with walking bass",
weight=1.0
)
])
# 开始播放
await session.play()
# 接收并处理音频数据流
async for message in session.receive():
if message.server_content and message.server_content.audio_chunks:
for chunk in message.server_content.audio_chunks:
audio_data = chunk.data
# 在这里处理音频数据
# 比如写入文件、实时播放等
asyncio.run(main())JavaScript版本的示例：
import { GoogleGenAI } from "@google/genai";
import Speaker from "speaker";
import { Buffer } from "buffer";
const client = new GoogleGenAI({
apiKey: process.env.GEMINI_API_KEY,
apiVersion: "v1alpha"
});
async function main() {
// 创建音频播放器（16-bit PCM, 44.1kHz, 立体声）
const speaker = new Speaker({
channels: 2,
bitDepth: 16,
sampleRate: 44100,
});
// 建立Lyria RealTime会话
const session = await client.live.music.connect({
model: "models/lyria-realtime-exp",
callbacks: {
onmessage: (message) => {
if (message.serverContent?.audioChunks) {
for (const chunk of message.serverContent.audioChunks) {
const audioBuffer = Buffer.from(chunk.data, "base64");
speaker.write(audioBuffer);
}
}
},
onerror: (error) => {
console.error("Stream error:", error);
}
}
});
// 设置初始提示词
session.setWeightedPrompts([
{ text: "upbeat funk groove with slap bass", weight: 1.0 }
]);
// 设置生成参数
session.setMusicGenerationConfig({
bpm: 110,
temperature: 1.0,
guidance: 3.5,
});
// 开始生成
session.play();
}
main().catch(console.error);Lyria RealTime API的一些关键参数说明：
┌──────────────┬──────────────────────────────────────────┐
│ 参数名 │ 说明 │
├──────────────┼──────────────────────────────────────────┤
│ bpm │ 节拍速度，每分钟节拍数 │
│ temperature │ 生成随机性，越高越有创意但也越不可控 │
│ guidance │ 提示词引导强度，越高越贴合提示词描述 │
│ density │ 音乐密度，控制音符的稀疏/稠密程度 │
│ brightness │ 音色明亮度，从暗沉到明亮 │
│ weight │ 多提示词时的权重分配，控制不同风格的混合比例 │
└──────────────┴──────────────────────────────────────────┘Lyria RealTime API目前还处于实验阶段（experimental），如果你想体验它的效果，可以在Google AI Studio中使用Prompt DJ或MIDI DJ应用来感受一下实时音乐生成的魅力。
6.2 Vertex AI上的Lyria API（批量生成）
对于需要在企业级应用中集成音乐生成能力的开发者，Google还在Vertex AI平台上提供了Lyria模型的API接口。这个API更适合「提交请求→获取结果」的批量生成场景。
基本的调用方式如下（使用curl）：
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://LOCATION-aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/publishers/google/models/lyria-002:predict \
-d '{
"instances": [
{
"prompt": "An uplifting and hopeful orchestral piece with a soaring string melody and triumphant brass.",
"negative_prompt": "dissonant, minor key",
"seed": 12345
}
],
"parameters": {
"sample_count": 1
}
}'这个API接口有几个值得注意的特性：
- negative_prompt：可以指定你「不想要」的音乐元素，帮助模型避开特定方向
- seed：固定种子值可以在相同提示词下获得可复现的结果，方便调试和A/B测试
- sample_count：可以一次生成多个候选音频，从中挑选最满意的
6.3 开发者注意事项
如果你打算基于Lyria API开发自己的应用，莫潇羽提醒你注意以下几点（无忆研习社 www.wuyi.wiki 汇总）：
- Lyria RealTime API需要在客户端实现稳健的音频缓冲机制，以确保播放的流畅性。网络抖动和生成延迟的轻微变化都可能导致播放卡顿
- 使用WebSocket连接时要做好断线重连和错误处理
- 所有通过API生成的音频都会自动嵌入SynthID水印，这个行为是不可关闭的
- API目前可能还在灰度发布阶段，可用性和速率限制可能会有变化，建议关注官方文档的更新
七、版权策略：Google的谨慎布局
AI音乐生成领域的版权问题一直是悬在每个玩家头顶的达摩克利斯之剑。在聊Lyria 3的时候，我们不能不谈这个话题。
7.1 行业版权纠纷的背景
2024年夏天，环球音乐、索尼音乐和华纳音乐三大唱片巨头联手对AI音乐创业公司Suno和Udio提起了版权侵权诉讼。其中一个核心争议是训练数据的来源——这些AI音乐模型是否在未获得授权的情况下使用了受版权保护的音乐作品来进行训练。
到2025年底，行业进入了一个从对抗走向和解的阶段。Suno与华纳达成了和解并获得了授权许可，Udio也分别与环球和华纳签署了合作协议。但整体的法律框架仍不明朗，紧张关系远未完全消散。
7.2 Google的版权合规策略
在这个敏感的大背景下，Google对Lyria 3的版权策略表现得格外谨慎。综合官方公告和行业报道，Google的策略可以归纳为以下几个层面：
训练数据层面：Google表示在训练Lyria 3时「非常注意版权和合作伙伴协议」。据行业媒体了解，这意味着Lyria 3的训练数据使用的是YouTube和Google「有权使用」的音乐——基于其服务条款、合作伙伴协议和适用法律。但Google并没有公开披露具体的训练数据集或商业授权细节。
生成内容层面：官方明确表示Lyria 3的设计目标是「原创表达，而非模仿现有艺术家」。如果用户在提示词中提到某位具体艺术家的名字，Gemini只会将其作为宽泛的创作灵感，而不会尝试
