Pika 发布音乐生成模型 Pika Music，支持四模态联合输入

Pika 近日在 X 平台公布了其全新音乐生成模型 Pika Music，主打多模态联合输入与一体化生成能力，这也是这家以 AI 视频生成闻名的公司首次将生成能力正式拓展到音频领域。

四种输入模态，可独立可组合

Pika Music 接受四种输入信号：

• 文本（text）：用自然语言描述想要的歌曲内容或风格；
• 歌词（lyrics）：直接提供歌词文本；
• 声音参考（voice references）：提供参考人声样本；
• 音乐参考（music references）：提供参考曲目以传递整体「氛围」。

这四种模态既可以单独使用，也可以任意组合输入，由模型统一处理。

共享潜在扩散解码器：告别工作流拼接

Pika 强调，Pika Music 的核心并非将多个独立工作流串联，而是将所有信号统一送入同一个共享潜在扩散解码器（shared latent-diffusion decoder）。该解码器在生成过程中同时解析：

• 音乐结构；
• 人声特征；
• 文字指令；
• 参考作品的「风格氛围」（vibe）。

最终输出是一段完整的音轨，而非分段拼接的结果。Pika 在原文中明确写道：「Not a chain of separate workflows（不是一连串独立工作流）。」

仍待披露的信息

作为一家此前专注于视频生成的厂商，Pika 此番切入音乐生成赛道，意味着其多模态生成版图从视觉扩展到了音频。不过，目前披露的内容仍停留在产品预告层面，模型的具体参数规模、能力上限、上线时间，以及与 Suno、Udio 等成熟音乐生成产品的对比，尚未公布更多细节，后续值得持续关注。