OpenAI 在其官网发布了名为 Jukebox 的新工作，官方将其归入"模型"方向。按照介绍，Jukebox 是一个能够生成音乐的神经网络，其特殊之处在于直接输出原始音频波形，而不只是乐谱或 MIDI 这类符号化的音乐表示；生成结果中还包括初步的人声演唱与歌词。
从技术路线看，Jukebox 延续了"先压缩、再建模"的思路：先把原始音频压缩为离散编码，再用自回归模型在编码层面逐段预测，最后解码回波形。相比符号音乐生成，这种做法保留了音色、混响与演唱细节，也更接近"端到端生成一首歌"的目标。模型支持通过艺术家风格、歌词等条件进行引导，用户可以给定大致方向，再让模型续写。
为何值得关注：音频是生成模型最难处理的模态之一，序列长、采样密度高，局部细节与全局结构必须同时兼顾。Jukebox 把文本与图像领域的自回归建模经验迁移到音乐音频上，让"用神经网络写歌、唱歌"从概念演示走向可复现的工程实现。官方同时提供了代码与模型，研究者可以在此基础上继续改进音质与可控性。
需要指出的是，这仍是早期成果：生成片段的长度、演唱自然度与结构连贯性都有明显局限，距离可直接用于商业音乐制作的工具还有距离。但作为音频生成方向的一次公开尝试，它为人声合成、音乐信息检索与创意辅助工具提供了新的参考基线。对关注生成式 AI 的从业者而言，Jukebox 提示了一条清晰的路径：当离散编码与自回归建模足够成熟时，音乐这类高维、长时序的模态同样可以被纳入统一框架，而不仅停留在图像与文本。