AI音乐这两年拼的是生成，谁的歌更像人唱的，谁的编曲更完整。当生成能力普遍够用之后，一个新的瓶颈浮出水面：怎么判断一首AI生成的歌到底好不好。这个问题在工业界被称为音乐评价，在学术界有一个专门的赛事。据网易云音乐与界面新闻、IT之家等多家媒体报道，该公司AI音乐实验室自研的音乐评价模型智慧耳CloudEar，在MIREX 2026音乐评价赛道拿下第一，赛道要求模型根据生成歌曲与文本提示词，判断两首歌里哪一首更符合人类偏好，主指标是判断准确率。这个成绩的意义不在奖杯，而在于它给AI音乐补上了一块此前缺失的基建。
MIREX是音乐信息检索领域的国际评测，办了二十多年，历来是国内音乐AI团队刷榜的主战场。2026年新增的音乐评价赛道把一个尴尬的现实搬上台面：生成模型已经能批量产出结构完整、编曲规整的歌曲，但缺乏可靠的自动评判手段，导致模型训练缺少高质量反馈信号，产品端也难以为海量曲目排序。这道题的难处在于评判标准本身是主观的。人类听一首歌会说旋律好听、人声有感染力、编曲不吵，这些描述无法直接换算成分数；而模型需要在一对歌曲里做出稳定的二选一，既要与人类偏好对齐，又要在不同风格、不同语种之间保持一致性。更麻烦的是，评判模型如果只在自动指标上优化，很容易学到与人类直觉相反的偏好，比如把编曲更满的歌判为更好，而听众恰恰觉得用力过猛。这也是为什么赛道把人类偏好判断作为唯一指标，绕开了传统的客观相似度度量。赛事方设置这道题的初衷，是给生成模型提供可对齐的奖励信号，让研究者不用只靠主观试听来判断模型是否在进步。更进一步说，评价模型的输出可以直接当训练数据筛选器用，把低质量生成挡在训练集之外，这种用法比排行榜名次更有产业价值。
CloudEar的架构思路是把评价拆成三个互相校验的视角，官方称之为感知评价、音质诊断与跨模态对齐三类专家协同。感知评价负责整体听感，用预训练的音乐表征模型提取旋律、节奏、和声层面的特征；音质诊断引入数字信号处理的特征，专门识别生成音频里的典型缺陷，比如高频毛刺、人声与伴奏的相位问题、压缩失真；跨模态对齐则处理提示词遵循度，判断生成的歌是否真的照要求做了，比如要求的是民谣结果出来是电子，或者要求女声结果给了男声。三类专家各自给出判断，再做融合，最终输出一个综合评分。这套设计的好处是覆盖了评价的三个层面：好不好听、有没有技术缺陷、有没有按要求做。传统做法往往只覆盖其中一层，或者用一个端到端模型硬学，结果往往在跨风格泛化上直接崩掉。多任务偏好学习在这里起到的作用是把不同来源的人类偏好数据统一到一个框架里训练，让模型在风格差异极大的样本之间保持判断尺度的一致性。
把成绩摊开看才准确。官方口径是CloudEar的准确率超过官方基线CMI-RM Baseline的65.9%共8个百分点，也就是落在73.9%附近；同时它战胜了业界公认的最强开源学术基线SongEval，后者的准确率为72.7%，由西北工业大学、上海音乐学院、萨里大学、香港科技大学等机构联合打造。两个对比对象的分量不同：官方基线代表赛事方给出的参照水平，开源基线代表当前学术界公开可得的最强方案。超过后者意味着在公开可复现的坐标系里，这个模型确实处于领先位置。当然，准确率70%出头这个绝对值需要正确理解，人类偏好判断本身带噪声，同一对人听同一对歌也会有分歧，行业里公认的天花板并不高，能做到七成以上已属不易。更重要的是这类模型的实际用法不是给歌曲打分排名，而是当训练生成模型的奖励模型或者数据筛选器，评判能力的提升会顺着链路传导到生成质量上，这也是它比单点榜单成绩更值钱的原因。换个说法，生成模型决定了一首歌的下限，评价模型决定了一支团队愿意把哪些歌发出去。
把视角拉远，评价能力稀缺是有结构性原因的。生成模型可以靠海量数据和算力堆出来，评价模型却必须先有人类偏好数据，而高质量的人类偏好标注成本极高，需要专业听众在受控条件下做大量成对比较。这也是为什么音乐评价长期没有突破，投入产出比看起来不划算。但产业链的位置决定了它的价值：上游的训练需要奖励信号，中游的分发需要排序依据，下游的内容审核需要质量门槛，三个环节都依赖同一套评判能力。网易云音乐选择在这个方向持续投入，与其平台结构有关，它同时拥有听歌场景、创作工具与内容分发，评价模型的输出可以直接落到推荐、审核与创作辅助上。这条路线的行业含义也清楚：AI音乐的竞争重心正在从能不能生成，转向能不能稳定地产出值得听第二遍的作品，而稳定这件事只能靠评价体系来兜底。至于生成侧的军备竞赛，短期内仍会由少数几家模型厂主导，平台的机会更多在评价、分发与创作流程这些中间层。