深入探讨 AI、DAW 与音频技术：AI 辅助 DAW 可能性研究

2026-7-10

在这篇文章中，我们来深入剖析AI训练原理，为面向混音师的AI辅助数字音频工作站（DAW）梳理设计思路，并提议借助脑电图（EEG）技术，让AI获得人类感官层面的反馈。

在上篇（《探讨 AI、DAW 与音频技术：AI 从何而来，影响几何？》）结尾我们写道，AI开发者应当调整方向，别再死磕那些无人问津的工具，而要去问用户到底需要什么、想要什么、愿意为什么买单。随后我举了两个令我毫无兴趣的例子：一是“让你成为房间里最危险的人”，二是“在里养个AI女友”。我要的是人工智能，不是青春期的蠢事儿。

我真正感兴趣的，是那些与行家里手共同打磨、因而能切中要害的AI工具。编辑工作远不止剪剪贴贴——除非你追求的就是故障艺术（glitch）；让声音变得有力，远不止狂轰低音和重度压缩——除非你想要的是在混音中永远不是过强就是过弱、怎么调都不对劲的声音；让声音听起来更宏大，也远不止调大混响效果——除非你想让它在混音里糊成一团、淹没在浑浊的空间感中。

当你真正理解这门手艺，也就自然明白它的副产物与瑕疵所在。你知道该去听什么，懂得该做什么来消除那些伪影（artects），也清楚该如何抚平那些粗糙的边角。AI若想在音频从业者那儿真正派上用场，就必须能够预判并识别这些副产物与瑕疵，能修则修，不能修也要高亮标出，交给专业人士处理。倘若一款AI辅助DAW（AI-assisted DAW）能在一分钟内完成鼓轨或对白的200处编辑，我不介意亲自善后那几处它搞不定的——只要它能把我带到出现问题的地方。换句话说，它知道这些处理不对，却无力自行修正……

AI开发者应当与DAW及NLE（Non-linear Editing，非线性编辑系统）开发者联手，去问问音从业者：什么样的AI工具才能真正帮到制作流程？他们需要深入一线，与这些专业人士并肩工作，尽可能摸清这门手艺的方方面面：训练AI、检验成效、反馈迭代以提升效能，循环往复，直到AI达到足以“理解工作（understanding the work）”的水平，从而切实派上用场。这样，他们就能打造出一款真正实用且值得付费的工具。

作家Jeff Gothelf在谈及AI训练时首创了“理解工作”这一术语，并在此文中做了精要总结。这篇短文虽简单，却值得一读，自然而然地引出了下文……

在AI领域，训练指的是教会人工智能系统执行特定任务的过程。第一步是预训练：让AI接触海量且恰当的数据，从中学习识别模式、关联与规律。第二步是验证：由人工操作员向AI投喂其未曾见过的数据，评估它的应对表现，并给出针对性反馈。第三步是测试：再次让AI面对全新数据，检验其输出结果的质量与准确性。

如同任何学习环境下的测验，若准确率偏低，便需退回到第二步甚至第一步重新来过；而若准确率持续高企（例如每次都接近100），虽令人鼓舞，却也可能暗示测试环节本身存在漏洞。经由这些步骤的反复迭代，AI的输出得以不断打磨，最终达到预期的性能水准。

图 1 AI训练的原理。（来源：AudioTechnology）

为了具象地说明，不妨看看ChatGPT及其训练过程：

ChatGPT是ChatGenerative Pre-trained Transformer（聊天生成式预训练变换器）的缩写。“Chat”指其核心能在于对话交互，本质上它是一个聊天机器人；“Generative”指它具备基于输入生成输出（此处为文本回复）的能力；“Pre-trained”意味着在针对特定任务进行微调之前，它已经在海量相关数据上完成了训练，从而能够理解和生成类人文本；“Transformer”则是指其处理与生成语言所依托的底层架构——Transformer模型在自然语言处理领域是广受欢迎的框架。远比表面看起来复杂，不是吗？

因此，“ChatGPT”这一术语描述的是一款基于前期训练与高级语言处理能力来生成对话文本的AI模型。

ChatGPT-3.5于2022年11月首次公开发布。它采用名为“监督学习（supervisedlearning）”的机器学习技术进行训练，随后再辅以“强化学习（reinforcement learning）”。其预训练数据来自庞大的数据集，包含书籍、网站及其他公开来源的文本，但训练范围仅限于2021年9月之前存在的信息，这一时间点被称为其“知识截止点”。最初，由人工训练师提供对话示例以引导其回复；随后，通过“人类反馈强化学习”（RLHF）对其表现进行微调：人工评估员对其输出进行排序并提供反馈，以提升质量。这一迭代过程使ChatGPT-3.5能够针对各类主题生成连贯且贴合语境的回复。

2026年3月5日，OpenAI发布了ChatGPT“家族”的最新版本：ChatGPT-5.4 Thinking、ChatGPT-5.4 Pro和ChatGPT-5.4 Mini。这些版本的知识截止日期均为2025年8月31日。为了在基于超出知识截止日期的信息构建回复时减少“幻觉（hallucinations）”现象，ChatGPT-5.4系列依托先进的网页浏览技术与原生计算机交互能力（即模拟人类搜索和核查信息时的行为），使其能够搜索互联网、读取基于截图的数据（即从图像中提取文字），并与其他软件交互以获取实时信息。尽管如此，任何基于知识截止日期之外信息得出的结果仍应谨慎对待，因为就像人类搜索信息时一样，它可能会找到两个相关的数据点，却忽略或冲突了两者之间的信息，进而臆断——或“幻觉”出——最看似合理的关联。

（往下翻到“拓展阅读一：教育Leta”部分，了解AI测试与训练的真实案例。）

既然本刊名为《AudioTechnology》，我们就不再纠缠于聊天机器人、数据搜索与幻觉现象，转而聚焦于一款旨在内置于DAW、协助音频制作任务的AI。下文讨论的诸多流程对于制作领域同样存在对应版本，而那些版本也适用于AI辅助的NLE。

一款为协助DAW而设计的AI与ChatGPT有着本质区别：它并不是聊天机器人，也无需如此。若实现得当，它根本不需要与用户对话。其大部分能将作为附加菜单项融入DAW，就像Apple Inligence的能内置于苹果应用之中那样——无需繁琐操作，没有专门界面，更没有那种书呆子式的“进入AI模式”之类的噱头。没人愿意为了使用AI能而在工作流程中来回切换；访问它们应当像选择菜单项或双击插件查看参数一样简单。它们应当成为工作流程的自然组成部分。

AI通过混音师当前的设置选择以及近期的混音历史（也就是更改的顺序，以及其产生的差异）来接收上下文“提示（prompt）”——这些信息共同告诉AI混音师想要达成什么效果。例如，增加两个通道之间的分离度（separation），这一操作应当简单到：选中通道，从下拉菜单中选择“分离度”，然后让AI以工程师当前的设置和插件为起点，增加所选声音之间的分离度。如果混音师正在制作一个相对干声的混音并依靠EQ来解决问题，那么使用混响来处理就没有意义。AI处理完毕后，一个“更多/更少”滑块允许工程师微调结果，而一个“重试”按钮则让AI尝试不同的解决方案。

以下是一套用于创建与训练AI辅助DAW的方案，目标是打造一款对混音师真正实用的工具。该方案假设AI在预训练阶段已掌握：音乐的客观基础原理、声学、心理声学、音频信号特性，熟悉调音台与效果器的典型参数，了解混音工艺流程，通晓不同音乐流派的混音美学，并具备前述“理解工作之道”的相关认知。

这些预训练成果随后会通过一系列常见混音任务来验证。例如，创建新工程并导入指定文件夹的音频文件，搭建特定的信号处理链路，以及应对以下典型混音挑战：

a) 以通道现有设置为参照，来提升音乐性有效（musically valid）的频段电平，削减音乐性无效的频段电平，同时保持信号的感知亮度（perceived brightness）；

b) 以各通道现有设置为参照，通过减少频率掩蔽现象来提升所选声音之间的清晰度；

c) 使用DAW自带的标准插件，以最不着痕迹的方式将信号的音乐动态范围从20dB压缩至12dB；

d) 以各通道现有的压缩插件为参照，将所选信号的音乐动态范围匹配在±3dB之内；

e) 从选定的对白轨中剔除所有“嗯”“呃”等语气词，并标记任何可能引发问题的修改；

f) 对选定的人声轨进行去齿音处理，并标记任何可能引发问题的修改；

g) 编辑选定的鼓轨以消除所有串音，并标记无实现平滑过渡的剪辑点。

这些挑战的完成结果将由在职混音工程师进行评估，以提供改进反馈。随后，AI将与在职以及/或者签约混音工程师开展进一步协作，利用专门为呈现职业混音师期望AI处理的典型挑战而创建的工程文件，接受基于人类反馈的强化学习（reinforcement learning with human feedback，RLHF）。

上述流程循环往复，直到AI辅助DAW能够稳定输出可接受的结果——此处“可接受”意指：所有建议均不逾越预训练范畴，因而不会离谱（尽管未必总能派上用场）；同时考虑到其核心是协助混音师而非取而代之。在此过程中，始终有经验丰富的混音师将手指悬停在“可接受”“重试”与“忽略”按钮之上，随时待命。

最终，当AI辅助DAW表现稳定达到合格线，开发者便将其“开箱（out-of-the-box）”上市。进入混音师的“箱子（in-the-box）”后，它立即启动个性化自训练——学习主人的偏好、手与审美取向，日益变得贴身且实用。它犹如一位不知疲倦的助理工程师，拥有无限的专注力，在屏幕另一端安静学习、默默工作，而非在混音师身后探脑，也不会时不时开小差去刷社交媒体。它从不上班迟到，从不请病假，更不会因为家庭事务提早离岗。

（译者注：“箱子”是音频工程师使用的俗语，指用于混音的计算机环境。“箱内混音师”指的就是使用计算机软件进行混音的工程师。）

在学习过程中，AI会将混音师的每一步操作与自身预训练且已验证的知识库（如前文所述）进行交叉比对（cross-referencing），挖掘合理的客观依据——例如，混音师调整延迟时间，极有可能是为了让它契合音乐有效的时间点；微调EQ参数，多半是为了减少频率掩蔽；使用峰值，则大概率是为了在不削波的前提下提升信号整体电平。AI并不是在寻找具体数值，就像填色画（paint-by-numbers）那样机械照搬；而是，试图洞察每次调整背后的情境与缘由，从而知晓在收到请求时何时给出建议，或应用类似调整。

若AI找不到合理的客观依据，可在空闲时段询问混音师该调整的缘由——同时，打开相关工程并高亮该处修改。一旦AI在混音师协助下，确定了可推广至类似情境的客观依据，它就可以通过增减相关参数来试探该调整的边界，根据混音师“太过”与“不足”的反馈，划定“可接受范围（window of acceptability）”。

AI找不到客观依据的调整都被视为主观决策。这些操作不再被当作针对特定情境的解决方案，而是纳入AI为混音师构建的“审美画像（aestheticprofile）”——有人偏爱明亮音色，有人惯用大力压缩，有人倾向克制混响。若接到如“提升两声音分离度”之类的任务，AI虽能给出多种可行方案，但会优先呈现最贴合该混音师审美画像的那一种；其余方案则依次排队，一旦首选未获青睐便随时待命。借助这一审美画像，AI实质上是在基于混音师的审美取向做出主观/创意性决策。

为加速学习进程，可授予AI辅助DAW访问过往工程文件的权限，借此建立档案，从中识别混音师工作流程中反复出现的模式（patterns），例如：“这位混音师总是将底鼓的400削减至仅占鼓组总能量频谱的10左右”，或“这位混音师从不对吉他音色动用EQ衰减，只作提升”。这与助理工程师问“您为何这样处理？”，而混音师耸耸肩答道：“我就是喜欢这声音罢了……”并无二致。

所有这些，共同勾勒出混音师的工作方式与整体审美取向。一套AI辅助DAW可供多名用户使用，假以时日，它将为每位用户建立专属的审美画像——前提是设有登录流程，让它知晓当下是在为谁效力。

AI应当能够访问并控制各类插件——不仅包括DAW自带的，也应涵盖所有已安装的第三方插件。这就要求插件厂商采用一套API，用标准化术语来描述插件参数（如频率、衰减、提升等）。插件开发者可以在用户界面上使用任何他们喜欢的术语（这对那些使用非标准术语的复古音频处理器仿真版本尤为重要），但该API在向AI呈现插件参数时，必须使用标准化术语。

某些插件独有的、不符合任何标准化术语的参数，则可类比MIDI的系统专属（Sy）消息来处理；AI若知晓其作用便可加以利用，若不知晓则可选择忽略。

我愿意为一款经过预训练、验证与测试的AI辅助DAW买单。它还能基于我的工程文件、工作习惯和审美取向进一步自我训练和个性化定制，正如上文所述。我要训练它做的第一件事，就是我通常在混音前做的那些苦力活，具体如下……

（一）创建工作副本

客户的原始文件夹，并将原始文件夹送入云端存储妥善保管——以此确保客户的原始文件不受后续任何步骤的影响。

（二）元数据校正

分析每个音频文件的元数据，如有必要则进行修复/校正，以防止出现那种莫名其妙的“我不明白，昨天还好好的”故障，以及当工程中的一个或多个文件存在元数据问题（如文件大小不正确、缺少EOF标记等）时必然发生的导出错误。我认为，在接收他人文件进行混音时，这是至关重要的第一步——尤其是当客户已经完成了所有想要的编辑、自动调音等操作，并从DAW中导出了这些文件。

（三）响度标准化至-20LUFS

将各文件响度调整至-20 LUFS附近，除非这会导致峰值电平突破-1 dBTP；若出现这种情况，则降低电平确保不超出-1 dBTP上限，并记录所施加的衰减量。这是AI在文件载入工程前即可完成的简单分析与增益处理，其智能化标准化（normalization）的妙处将在第八步详解。

［我目前使用Zynaptiq的Myriad（https://www.zynaptiq.com/myriad）批处理软件来完成上述第二、三步。（所谓“批处理”，即一次性载入所有文件，一键便可对全部文件或选定分组进行统一处理。）针对第二步，该软件能识别元数据异常，并提供多种修正方案，以及每种方案的利弊分析。这本是纯客观的流程，AI不仅能执行，更能基于问题情境与类型自动给出“最优解”，省去我纠结决策的夫。针对第三步，Myriad会列出各文件的当前LUFS与TP值，并能同时将全部文件（或选定部分）标准化至指定响度。若所收文件间的LUFS与TP电平差异悬殊，我会用电子表格计算每份文件可安全施加的增益量，确保载入工程前所有文件处于同一LUFS水平。这类客观的“苦力活”，AI完全可以代劳并按第八步所述继续跟进。］

图 2本文作者Greg Simmons使用的Zynaptiq Miriad音频批处理工具。（来源：Zynaptiq）

（四）创建工程

新建工程，按我惯常的排布顺序载入前述步骤中已检查并调整好的文件，将关联声音编组在一起（例如贝斯DI通道紧邻贝斯话筒通道放置）。所有音轨与通道条均按其原始文件名命名。若需简化，稍后也可以缩写为更直观的称谓；但若某文件存疑或异常，我希望能一眼就能看到其原始文件名，以便与客户沟通时精准。

（五）插件与发送

AI会在每个通道条插入我通常开局使用的插件配置：先是1个校正EQ（corrective EQ），接着1个校正压缩器（corrective compressor），然后是1个增强EQ（enhancing EQ）和1个整合EQ（integrating EQ）。所有通道的插件配置完全一致，就像模拟调音台时代，每个通道条都配的是同样的EQ和同样的动态处理（如果有动态处理的话），工程师们只管埋头混音，无需纠结该选哪个插件最佳——因为压根儿没得选——除了效果架上那两三台需要通过跳线盘和线缆连接的处理器。

注意此时所有插件均处于旁路状态。AI将在第6步按需启用通道的校正EQ，并在第8步按需启用校正压缩。

与此同时，AI还会搭建我惯用的空间处理架构：为每个空间处理器创建额外的混音通道，设置辅助发送（auxiliary sends）以便调用，并依据音乐速度设定“起始”预延迟、混响时间等参数。

（六）运用高通滤波器（HPF）切除低频杂音

AI将基于乐曲音阶的音符频率，每轨具备音乐意义（musical value）的最低频点，并在各通道的校正EQ上设置合适频率与斜率的高通滤波器，滤除那些被认为不具音乐价值的低频杂音。

实际混音中我会复核AI的判断——但我不希望这些杂音干扰EQ决策；也不希望听不见的、多余的或非音乐性的次声波影响动态处理器的工作，或逼迫音箱勉强还原其力所不及、会牺牲性能的频率。我宁可先把这些低频杂音干净切除，如有需要再慢慢加回。

（七）临时静音

对音轨开头、结尾及中间的非音乐性片段（数拍子、乐手闲聊等）应用静音自动化（mute automation）。我不想删除了这些内容，只是暂时静音，因为从表演角度看，它们有时能为混音增添色彩。后续我会斟酌这些片段对混音的潜在价值。

（八）预防削波

复核第3步中为防止突破-1 dBTP而将响度压至-20 LUFS以下的那些音轨，检视其在切除多余低频能量（第6步）后峰值是否已降低。若仍有峰值过高的情况，则通过通道条上的校正压缩器（corrective compressor）予以压制。AI将采用“低阈值/低比率”压缩，运用客观数学计算，防止这些音轨削波——无论结果听起来是否好听。让校正压缩变得好听是后续我要主观处理的事；AI此刻只需确保声音处于可用电平，开启混音时不削波即可。凡经AI施加此类校正压缩的通道，其推子顶部将标记为红色，提示我“需检查”。此外，校正压缩可能导致LUFS电平升高，这一问题将在下一步解决。

（九）推子电平

经过上述处理，我知道除却两类轨道外，其余均已大致达到-20 LUFS的响度基准：一类是动态过大的轨道（它们虽在第3步被压低了电平，但经第8步的校正压缩后，听感上可能反而更响）；另一类是在第6步大幅切除次低频（subsonics）的轨道（现在整体电平可能已经降低）。

设置流程的最后一步，是将所有通道推子置于同一电平，由AI计算确定，旨在为各通道条留出平均20 dB的动态余量（以-20 LUFS为参照）。随后将这些通道静音。为便于讨论，我们将此位置称为“基准位（norm position）”。至于那些因校正压缩（第8步）和/或校正EQ（第6步）而改变电平的轨道，若插件带有输出电平控制且增益量足够，则优先以此补偿；若无，则通过推子补偿，并以红色推子头标识（若尚未标记）。

（十）准备就绪，等待混音

现在，我的大部分音轨都大致位于-20 LUFS，各通道条内拥有约20dB的动态余量（高于该标称电平）。这相当于回到了传统模拟录音室的工作状态，那时每轨都以0 dBVU的标称电平录制（因而感知响度基本一致），且每条通道带在该0 dBVU之上都保有至少20dB的余量。这一起始配置令我倍感顺手，毕竟我当初就是在这种环境下学习录音混音的。同时，这也是AI在需要时自行创建平衡混音的理想起点（稍后展开）；更重要的是，在使用仿真经典压缩器和器的插件时，这一设置尤为关键：因为这些设备的阈值，原本就是为具备前述流程所营造的、类似信号特性的模拟系统而设计的。

未来已然降临，只是尚未均匀分配。（The future hasalready arrived. It’s just not evenly distributed yet.）

—— 威廉·吉布森 (William Gibson，著名推理小说家)

上述步骤代表了我使用非自己录制的文件准备混音工程时，所经历的最繁琐情形；不过由于AI的能力，其中一些步骤既被精简，又被处理得更为彻底。现在该检查AI的决策了，在正式挽起袖子干活之前，先逐个独奏音轨，快速检视一遍。

也许AI将某通道的高通滤波器设得太高（第6步），而降低一个八度竟能为声音增添一种难以言喻的“厚重感”，尽管它并无明确的音乐价值。也许某个因动态过大而被压缩/的声音（第8步），在混音中本来就没打算做得多响亮，因此根本不需要任何压缩或峰值。也许1/64音符的混响预延迟对于我想要在混音中营造的空间感来说都太短了（第5步）。也许我喜欢结尾处那段被静音的鼓手与贝斯手闲聊所具有的“生动”氛围（第7步），想把它保留在渐弱中。

我可以随时更改AI的任何决策，但假设一切正常，我将基于自己的偏好，从一个准备充分的状态开始混音……

从稳定性角度来看，我知道所有音轨的元数据都已被检查并校正，因此在导出（bouncing）或保存时，不会出现任何最后一刻的意外状况。

从音色角度，我知道大多数音轨在混音总线上回放时，都会落在等响度曲线的相近位置，这确保了我最初的校正EQ与增强EQ的操作是在一致的音色背景下做出的——这一状态将一直保持到我着手调整推子电平为止，到那时我可能会微调增强EQ（enhancing EQ），同时运用整合EQ（integrating EQ）来帮助各声音在混音中融洽共处。

从动态角度，我知道推子顶部标红的通道需要我留意。多数情况下，红色标记表明AI已以纯粹客观的方式施加了校正压缩以防止削波（如第8步所述），这很可能需要调整，以获得音乐上可接受的效果——需综合考虑：a) 音轨自身的动态及其在音乐中的职能，b) 我为混音所设定的动态层次（dynamic perspective），以及 c) 发行媒介在动态上的局限。若明知某些峰值电平会在下游的母带处理或发行环节引发问题，那在混音中保留它们便毫无意义。防患于未然。若我更改了AI在校正压缩（correctivecompressor）上的客观设置，红色推子顶便会恢复正常颜色。其余情况则意味着该通道条上使用的校正压缩或校正EQ插件缺乏或根本没有输出电平控制，信号电平是通过推子与其他音轨进行平衡的（如第9步所述）。

从空间角度，我知道自己偏好的混响与延迟已通过辅助发送搭建完毕，并经各自的通道条返回混音——这意味着可以对它们施加EQ及其他插件处理，且各效果之间可以相互发送以创建层次（layers）。各通道的辅助发送均已设为推子后（post-de），发送电平降至-∞dB（即关闭）。各辅助发送的主电平设为0dB，各空间效果到混音总线的推子也设为0dB。若要为某轨施加空间效果，我只需在该轨通道条上调高相应的辅助发送即可——效果信号链的其余部分已畅通就绪。

图 3 GregSimmons采用的“分层辅助发送”模式。（来源：Greg Simmons）

手捧咖啡，稳坐座位，头戴，我已准备好开始混音。我使用的是一套经远程备份的文件，没有元数据错误，没有过高的峰值或次声波惊吓，也没有复杂的跳线烦恼——而我所做的，不过是指示AI辅助DAW找到存放客户原始文件的文件夹，吩咐它准备混音工程，然后踱步去煮晨间咖啡（这是我每日“恢复人味”例行公事不可或缺的一环）。AI辅助DAW代劳了所有耗时费力的苦活，以及那些烧脑的拧螺丝细活，而且完全按我喜欢的方式搞定。现在我可以逐个、分组或一次性全部试听这些音轨——无论哪种方式，只要感觉对了，就是开启混音的最佳方式。

上述步骤有时需耗费我近一个小时方能完成，往往还没正式开混，就已让我心力交瘁。而一款AI辅助DAW大概只需五分钟就能全部搞定——特别是当AI硬件内置于运行DAW的设备中时（如Apple Inligence与Logic Pro的组合），或直接连接设备而非经由网络连接时。这意味着在工程伊始便可省下足足一小时。我仍然会按约定的时间与向客户收费，但我会把AI节省下来的这段时光，连同我清醒的头脑，一并用来将一切都打磨得“恰到好处”，而非仅仅“勉强过关”，最终创作出更能服务于音乐的混音作品（详见下文）。

上述10个步骤对于设备端AI而言只是简单任务，只需选择菜单项（例如“设置工程”），导航至存放客户文件的文件夹，点击“开始”即可启动。随后，混音师便可去煮咖啡、冲个澡、刷刷社交软件或做其他任何事，而AI辅助DAW则会完成准备混音工程所需的苦力活与拧螺丝细活。

这对工程准备固然极好，但在混音过程中呢？

除了让AI创建一个可供起手的平衡混音（balance），或发送给客户作为预览（我们稍后将讨论“平衡”与“混音”的区别），以下是我会要求选用的实用工具心愿单。相信你还能想到更多……

我想选中某一轨，点击菜单项（“自动调整”，Auto Adjust），让AI对该轨进行基础的音色与动态修整。这算是前述第6、8步的进阶版，但会调用其预训练知识中关于该声源及音乐流派的频谱参考与动态参考。通过一个“强度（intensity）”滑块即可整体增减处理量——类似照片编辑软件中的自动调整能，增减总体效果时会同时对诸多参数进行缩放。

我还想选中两轨或多轨——那些任凭我如何努力仍在混音中相互抢戏的音轨，然后选择菜单项（“分离度”，Separation），让AI以当前插件与设置为提示，尝试达成我期望的分离效果。若不满意可撤销，若效果过强或过弱可调整强度，也可以可要求换种方案。

反之，若某些音轨听起来过于割裂，我想选中它们并选择菜单项（“合奏”，Ensemble），让AI尝试缩小其间距（例如让近距离拾音的鼓组听来浑然一体——它本就是一件乐器），同样以当前插件与设置作为AI工具的提示（prompt），以达成目标。若不满意可撤销，若效果过强或过弱可调整强度，也可要求换种方案。

类似地，若我无以最通透的方式将某轨调整到理想的动态层次，我想选中该轨并选择菜单项（“匹配动态”，Match Dynamics），让AI以现有插件和设置为参照，尝试达成目标音乐动态范围。若最终效果不如人意，那只能说明我一开始追求的就是不切实际的成果。有时，要让一个动态范围极宽的声音与一个动态范围极窄的声音在混音中舒适共存，同时保持相同音色，根本就是不可能的任务。正如Roger Miller所言：“在水牛群里滑旱冰，行不通。（You can’t roller-skate in a bufloherd.）”

本文迄今所述的种种，对我和客户皆大有裨益。人人都能受益，因为AI正是基于我的工作方式与对工作的理解进行训练的。在苦力活与客观计算上，它比我快得多；而主观决策、创意构思以及节省下来的时间，则归我掌控。在人机协作的理想图景中，一切本该如此——除非你是助理工程师，那样的话，你正被赶上与本系列首期（《AI, DAWs & Audio 1》）提及的校对员、排版工同样的救生船。

我确信，在音乐性上，我的混音永远胜过当今任何狭义AI所能创作的作品。为什么我如此自信？让我们从头说起，这可是个绝妙的起点……

在我音频工程师生涯的起步阶段，我就明白了一个道理：音乐家永远会选择一场精彩表演的劣质录音，而非一场糟糕表演的优质录音。那场劣质录音固然有瑕疵——或许是磁带“嘶嘶”声过重，或许是24轨中的某一轨出现了瞬间削波——但只要表演精彩，音乐家们宁愿就此过关，也不愿应我这种技术完美主义者的要求再来一条。也许是因为时间紧迫，也许他们根本听不出技术，又或许他们心知肚明：这已是那位乐手此生难以超越的演绎。无论如何，我只能硬着头皮接受这个技术瑕疵，而它最终成了我在录音中听得最“响亮”的东西，它如影随形。每当那段时刻临近，我便心生恐惧；每当那段时刻过去，我便感到遗憾；每一次我都告诫自己：“要是当时多争取一刻钟该多好……”

得知精彩表演永远胜过优质录音，这促使我不断精进录音与混音技艺，直到它们变得迅捷而本能；再配合高度的“态度维护（attitude maintenance）”（应对那些脚穿十码鞋却顶着二十码ego 的音乐人），让我得以追求“三赢”的目标：用精湛技术，为精彩表演留下优质录音。换句话说，以技艺服务于音乐——而这需要一些当下狭义AI尚不具备感官输入的、人类固有的感知力。让我们一探究竟……

作为混音师，光听到音乐还不够。我们得去感受它，与表演者当时的情绪“同频共振”。音乐表演中总有一些时刻，你会感觉乐手正走向想象中的舞台前方，更用力地投入到演奏中；或是退后一步，放松地融入自己的声部。如果我们独奏那条音轨、闭上眼睛、仔细聆听，甚至假装自己在演奏，这些时刻很快就会显现出来。它们总是值得在混音中稍微推大或推小一点，看看是否更能服务于音乐。这个“一点”是多少？请继续往下看……

混音时，一首歌曲或乐曲中总有一些段落，会让我（以及其他人，若不是独自工作）自然而然地跟着哼唱、对着空气打鼓，或产生类似的肢体反应。这些部分通常被称为“钩子”（hooks），值得微妙且短暂地加以强调，以更好地服务于音乐。这种瞬间的强调，过去是、现在仍常通过提升钩子在混音中的显著度（prominence）来实现，或是用加强回声将其突出，又或者运用更细腻的混音技巧，以几乎察觉不到的方式抓住并留住听众的注意力。

与钩子类似的是“拖曳”（trawls）——那些让听众凝视远方地平线、仿佛音乐正将他们拽入之海的时刻。如同对待钩子，我也总是试图识别这些拖曳点，并微妙地强化其诱因。

此外，歌曲或乐曲中还有一些既非钩子也非拖曳的时刻，却同样能引发听众不自觉的反应，例如轻打拍子、点头、微笑、手指指挥、对着空气演奏乐器（见下图）等。

图 4这张照片生动体现了歌曲是如何引发听众不自觉反应的。（来源：Greg Simmons）

这些反应都表明听众在那一刻与音乐产生了更深的共鸣，其背后通常是上腺素、被唤起的情感、（对过往经历的回溯）或替代性参与（vicarious participation，通过想象自己成为表演的一部分来放大享受）。与表演者表达一样，它们在混音中总是值得稍微推得更用力或更轻柔，以更好地服务于音乐。

而这些都是当今狭义AI无从识别的，因为它困在“箱子”里，无看见、听见或感知听众的反应，更遑论理解这些反应意味着什么，以及该如何在混音中予以回应。

上述那些服务于音乐的混音调整，属于心理物理学的范畴，通常通过对诸多参数进行微调（例如±0.5dB）来实现。它们被称为JND（Just Noticeable Differences，刚刚可察觉的差异），以几乎无察觉的方式改变某个演奏在混音中的显著度。能否在混音过程中识别并回应这些时刻，往往正是平衡与混音之间的分水岭，因为我们在试图改变某个声部的“听感”，却又不明显改变其“声音”。处理得当的话，普通听众本不该察觉这些微妙变化；唯有当你将段落循环播放，并在中途开关这些调整时才能听出端倪——顺便一提，这正是你判断是否做对了的方。它们只是刚刚可察觉的差异……

在音频行业的不同细分领域，“balance”与“mix”这两个词常被混为一谈。然而，随着AI进入音频工作领域，我们有必要厘清二者的定义，以便市场能够明确区分我们工作中客观层面与主观层面的差异。

就本系列而言，我们将balance（平衡）定义为：歌曲或音乐的所有元素都处在恰当的声景关系中，各声部从始至终都清晰可闻，几乎无需或仅需极少动态调整。这类似于你在最后一次录音/叠录（overdubbing）结束时得到的混音——从客观标准看，它无可指摘，因为所有内容都在场且得到了充分呈现，但它是一种相对静态的混音，不会试图随表演者的情绪表达或听众的反应而做出改变。因此，它并不试图服务于音乐本身。

这正是前述AI辅助DAW所能交付的成果，凭借预训练知识、验证、强化学习以及本地自我训练，一两分钟即可生成，并可按提示进一步微调。人声不够突出？将人声推子切入显著度模式，轻轻上推（以此提示AI当前混音中人声显著度不足），余下交由AI处理。它不会臻于完美，但对预算吃紧的音乐人而言，或许已足以应对社交媒体低门槛、广覆盖、低回报的生态。我们称之为balance（平衡）。它是技术上正确的客观融合，呈现了录音中的声音，却无意服务于这些声音所创造的音乐——因为AI辅助DAW缺乏必需的感官输入，亦无真实生命体验。因此，balance是非人类的预算之选。

混音（Mix）不止于平衡。它是由混音师精心调配的录音之声的融合（或许还有在场他人的反馈），在此过程中，需以更富创意的心思去运用处理与效果，以充分释放每个声音的潜力，考量它与其他声音的互动，以及它对听众的影响。在适当之处，它包含那些几乎察觉不到的微调（即前述JND），当演奏者仿佛正迈向想象中舞台的前方时，提升该声部的显著度；当其仿佛正在退后时，则降低其显著度。AI辅助DAW能够执行改变声音显著度的客观流程（这通常需要诸多难以察觉的调整同时发生），但需要混音师来引导它。当对平衡进行调整以服务于音乐时，平衡就升华成了混音；而混音，是人类操刀的高端选项。

平衡呈现的是录音，混音服务于音乐。

通过承担设置与平衡的苦力活，AI辅助DAW提供了将平衡升华为混音所需的额外时间。若它节省了所分配的音乐工程（session）时间中的一小时，就意味着多出一小时可用于微调声音，并尽可能多地做出那些服务于音乐的调整。

自此往后，在本系列中，我们将依照上述定义来使用“balance”与“mix”这两个词……

打造出一个合格的平衡混音，并未超出狭义AI的能力范围；然而，如前所述，这种平衡总能受益于那些由听众反应所驱动的、服务于音乐的微调——从而将AI的平衡升华成混音师的混音。就目前或不久的将来而言，我们似乎不太可能在AI辅助DAW中看到“钩子”或“拖曳”识别能。真的如此吗？

倘若有一种方，能够、测量并记录听众对混音的实时潜意识反应，并将这些反应用作反馈，让混音更具吸引力，从而更好地服务于音乐呢？

脑电图（EEG），即脑活动监测，这一技术曾几何时还是那些滥用自己都不懂的技术术语来牟利的新时代伪科学家的领地；如今却已成为市场研究的常用工具。借助非侵入式便携头环（non-invasive portable headsets），市场研究人员得以实时测量参与者对外部的即时反应与潜意识反应。

传统的“焦点小组（focus group）”方依然适用：精心挑选出属于目标人群的一组人，参加关于特定产品、服务、概念或营销方案的演示。然而，参与者无需再在剪贴板上打钩或在讨论中发表意见，而是佩戴EEG头环，为研究人员提供关于情感投入度、注意力、认知负荷（处理信息所需的心智努力）以及记忆编码的客观数据。由于EEG测量的是大脑对的即时反应，它规避了参与者对演示主题可能怀有的任何偏见或条件反射。毫不意外，EEG已成为神经营销学（neuromarketing）的基石。

据Gemini所述，“神经营销学是将神经科学与认知科学应用于营销领域，分析消费者对产品、品牌及广告的潜意识反应。通过EEG和眼动等工具，营销人员测量情感投入度与注意力，揭示消费者的真实偏好，从而优化营销方案并提升销售额。”

借助EEG，营销人员可以判断某种（如产品、服务、概念或营销活动）在参与者身上引发的是积极还是消极反应。它还能揭示这种能维持参与者注意力多久。记住这一点……

音乐家和其他创作社交媒体内容的人，本质上也是营销者——无论他们自己认不认。而他们之所以能成，是因为他们总能把内容推送到特定的细分市场面前，且这些内容足够抓人，能在点赞（Likes）和互动率（Engagement）上拿到高分。这跟EEG和神经营销有什么关系？如果我们把社交媒体内容视为“”（stimulus），把细分市场视为目标人群（demographic），再将EEG引入这个流程，那么：积极的EEG反应可视为“点赞”，消极的EEG反应可视为“点踩”，而“注意力持续时间”则可视为“互动率”。这样一来，社交媒体算排名的三位一体（Holy Trinity）便被完整地封装在EEG数据之中了。这一点也请记在心里……

要分离特定的脑活动并解读其含义，研究者花了数十年时间，使用的设备看起来是这样的：

图 5 EEG头套。（来源：AudioTechnology）

上图所示的EEG头环宛如一只覆满传感器的泳帽。每个传感器都在捕捉发生于大脑皮层不同位置的微弱电脉冲，这些信号穿透颅骨，由紧贴头皮的电极记录。这些电脉冲源于大脑表层数毫米内成群神经元几乎同时迸发的微弱放电。它们规律性地重复这一活动，但脉冲间隔既取决于身体当下的生理需求，也随外界而变。解读这些电脉冲及其含义，本是一门艰深的科学；好在我们无需深究。就我们的目的而言，只需弄清三件事：这些电脉冲何时发生、在何处发生，以及EEG能以多快的速度响应它们。

电脉冲发生的频率揭示了大脑所处的“状态”或“行为模式”：

德尔塔（Delta）状态：电脉冲每秒发生4次或更少，表示深度睡眠。
西塔（Theta）状态：电脉冲每秒发生4至7次，表示困倦状态。
阿尔（Alpha）状态：电脉冲每秒发生8至12次，表示清醒但放松的状态。
贝塔（Beta）状态：电脉冲每秒发生13至30次，表示活跃的心智参与。

电脉冲发生的位置同样透露有用信息。抛开左右脑分工理论，聚焦情绪状态：左前额叶的电脉冲表明趋近性情绪（如愉悦与喜悦），而右前额叶的电脉冲则表明回避性情绪（如厌恶与恐惧）。

EEG传感器直接测量神经元的电活动，因此电尖峰（electrical spikes，0.02秒至0.07秒）与脉冲（0.07秒至0.2秒）在发生时即刻被捕捉，本质上达到毫秒级精度。虽然EEG软件处理和向操作员呈现信息可能存在少许延迟，但就实际应用而言，它基本上是瞬时的：完完全全快到足以将瞬间反应与瞬间关联起来，比如歌曲中一个短暂却令人兴奋的钩子……

要测量上述各项指标，我们并不需要那种布满传感器的泳帽。两个传感器，或者头部两侧各一小簇传感器，就足够了。真该死！要是有一种日常音频工具，能让我们在听众头部两侧布置传感器，又不至于让他们显得或感觉自己很蠢——否则结果可能会失真——那该多好。如此一来，我们就能将EEG数据引入混音流程，微调我们的混音，甚至调整作曲本身，以最大化听众的参与度（engagement）……

图 6 NeurableAI MW75。（来源：AudioTechnology）

上图所示的主动降噪——Neurable AI的MW75，在耳垫内藏有EEG传感器（浅灰色方块区域），目前可与移动应用配合，呈现与专注力、工作效率及困倦程度相关的EEG数据。就做工品质、佩戴舒适度和音质而言，评论家认为它们足以与其他提供主动降噪能的高端媲美。

此类EEG能够为AI辅助DAW提供所需信息，暴露混音甚至音乐本身的优缺点。将EEG数据与混音相关联，便能揭示：哪些段落引发了高度参与（贝塔状态），哪些让听众喜欢或不喜欢［额叶半球不对称性（frontal hemisphere asymmetry）结合参与度］，哪些让听众放松沉浸（阿尔状态），哪些令人乏味（西塔状态），以及哪些让人昏昏欲睡（德尔塔状态）。这些数据可在整首音乐播放期间持续采集，导入AI辅助DAW，并以“参与度”或类似名称的轨迹形式显示在工程时间线上。这些信息将为混音师和AI提供绝佳的参考，指示混音的哪些部分值得推得更用力或更轻柔，以及在哪个地方听众的注意力正在流失。至少从混音角度来看，这些数据可用于优化听众参与度。对于Spotify等依赖参与度作为向特定目标人群推荐内容依据的算驱动型音乐分发平台而言，这再理想不过了。

理想情况下，EEG数据应在多位听众中采集。通过一些基础处理（本质上是一种巧妙的整合方式），可剔除仅属于个体的无关反应；在此基础上，便能在DAW中显示"参与度"轨迹，与音轨并列或叠加呈现。采集足量EEG数据的便捷方式之一，是将成品混音导入智能（在上传至任何分发平台之前），让六七位志同道合的朋友流佩戴试听。这与市场研究人员的焦点小组本质相同——通常包含五六名参与者，足以衡量普遍共识。

遗憾的是，上图所示的EEG体积庞大、携带不便，且视觉上十分抢眼，还可能破坏精心打理的发型——这意味着受试者可能会对佩戴感到不适，如前所述，这会使数据产生偏差。如果只需要一部智能和一副耳塞就能完成EEG数据采集，整个过程会轻松得多……

图 7 EmotivEEG耳塞。（来源：AudioTechnology）

上图所示的产品是Emotiv出品的一副EEG耳塞及其配套移动应用。整套系统可装入口袋，耳塞足够低调，也不会破坏任何发型。使用者（混音师或录音音乐人）可以在设备屏幕上实时观察EEG数据，同时留意那些与音乐无关、却碰巧与附近事件同时发生的异常读数——比如，一杯洒了的饮料、一辆路过的救护车，或是美发师竖起的大拇指。

无论这听起来多么异想天开，请记住市场研究人员多年来一直利用EEG来判断人们喜欢或厌恶什么，且不受其个人偏见的影响。它可能是衡量参与度的终极标准……（往下翻到“EEG的其他用途”，查看更多有趣的应用。）

上述所论一切皆有可能，且部分已经上市。EEG技术在市场研究领域已颇为成熟，尽管它直到最近才从泳帽式和绑带式硅胶触手形态，演进为与耳塞形态。用于解读EEG数据的移动应用已投入使用，尽管当前的解读方向主要聚焦于优化个人专注力与工作效率。要重新编写解读算，使其能在人们聆听歌曲、阅读社交媒体帖子或观看YouTube时显示其参与度，并非难事。在参与度至关重要的领域，EEG或很快将成为创作流程的一环：竭尽所能完成项目，在一小群志同道合者身上测试以采集适量的EEG反馈，据此调整，如有必要再次于同一人测试，最终上传经EEG优化的版本。

但让我们回到AI辅助DAW……在“平衡（Balance）还是混音（Mix）？”一节（翻到前面）中，我们将“平衡”定义为对录音的客观呈现，将“混音”定义为对音乐的主观服务。我们也看到，AI辅助DAW无服务于音乐（因此只能制作呈现录音的“平衡”），因为它缺乏判断表演者表达与听众反应所需的人类感官输入。然而，EEG数据能在非常基础的层面上为AI辅助DAW提供这种感官信息。结合其创造“显著度”的能力，配备EEG反馈的AI辅助DAW或许能从制作“平衡”跃升至制作“混音”——或至少是听起来更接近“混音”而非“平衡”的成果。这种可能性有多大？请继续阅读……

就在你阅读本文之际，AI辅助DAW正步入音频领域。苹果正凭借Apple Inligence与Logic Pro引领潮流——但跨平台DAW制造商似乎正在探索如何与那些不像苹果产品那样将AI深度集成到操作系统和设备中的平台合作。

在此期间，苹果的Vision Pro头显目前尚未集成EEG技术，但像Cognixion这样的公司正在研发专用EEG头带，以取代Vision Pro的标准头带，让有严重语言和行动障碍的用户能够通过意念、凝视或头部动作来控制头显。倘若这类第三方EEG头带得以普及，并被用于超出其原始设计意图的更多场景（即其他EEG开发者目前正在探索的那些用途），那么苹果将EEG直接整合进Vision Pro头带，并进一步扩展至其和耳塞，使EEG数据成为Apple Inligence的延伸，并作为其设备内置辅助能的一部分，也就不足为奇了。

无独有偶，苹果研发智能耳塞已有时日，这类产品能够在用户耳道内进行测量，据此优化耳塞性能——所有操作均可通过与其蓝牙连接的设备控制。苹果碰巧也是全球四大制造商之一，并且在撰写本文时，已是销量的市场领导者。放眼全球，没有哪家公司比苹果更有条件打造出本文所述的AI辅助DAW，并配以相应的EEG耳塞和/或。EEG反馈不仅可用于优化音乐的参与度，还能在、社交媒体帖子、博客及其他内容形态发布之前，优化它们的受众参与度。EEG带来的可能性让我们得以改变做事的方式——这一直是苹果存在的核心理念。让参与度优化惠及每一个人。但让我们回到音频……

EEG为AI辅助DAW提供了它所缺失的、本就属于人类的感官输入。随着混音的进行，它无看见或听见房间里的音乐家和听众，也无判断他们的反应：跟着某些段落哼唱、对着空气演奏乐器、轻打节拍、不自觉的微笑或皱眉……它没有真实的生活经验，无感受一场表演，无与某个瞬间产生共鸣，也无体验某种反应。然而，EEG赋予了它所有这些人之所以为人的基本信号。我们还可以更进一步：在录音室里使用EEG，在乐手录制他们的声部时捕捉其EEG数据——这对于制作真正服务于音乐的混音将大有裨益。

图 8这幅图，演示了具有EEG反馈能的AI辅助DAW是如何影响混音决策的。（来源：Greg Simmons；编译：安小匠）

在这个由数据分析与参与度指标驱动的世界里，配备EEG反馈的AI辅助DAW能够对一切进行微调，以实现最佳听众参与度：涵盖作曲本身、每一个声音与乐器，贯穿混音、母带处理直至推广环节。

［本文中的灰色文字由AI撰写。每个部分从提示、生成到粘贴进文档，耗时均不到10秒，且无需我进行任何前期调研。事后我进行了事实核查与幻觉检查，随后如编辑他人稿件一般对文字加以润色，使其契合《AudioTechnology》的"腔调"。每一环节，我都在利用AI的长处（信息搜集），同时规避其短处（判断与观点）。］

Leta是运行于QuickChat旗下Emerson AI平台的一个聊天机器人项目名称，其底层技术由OpenAI的ChatGPT驱动。认知发展专家Alan D. Thompson博士因关注AI技术的伦理发展与应用而加入了Leta项目。凭借其在认知系统领域的深厚造诣，他为项目贡献了宝贵价值，协助构建Leta的开发框架，并确保其既符合科学严谨性，又恪守伦理标准。通过这项工作，他在推进项目目标——打造一个能够无缝融入人类生活各个方面的响应式、自适应AI系统——方面发挥了不可或缺的作用。

图 9 Leta的虚拟形象。（来源：Leta）

自2021年4月起，在长达两年的时间里，Thompson通过文字对话与Leta进行了大量交流，作为其/她开发工作的一部分。他将Leta的回复发送至Synthesia.io，后者据此创建了Leta的虚拟形象并完成了文本到语音的转换，如上图所示。随后，他拍摄自己向Leta提出此前曾输入过的相同问题，经稍作剪辑，将这些文字对话转化为引人入胜的问答。人们很容易忘记Leta仅仅是一个程序——尽管眼尖的观众会认出那些暴露AI生类身份的典型头部动作。

相关共60余部，值得一看，它们为基于人类反馈的AI强化学习（RLHF）提供了富有洞察力的实例。第25部（https://www.youtube.com/watch?v=88G4RcTurmo）是其早期对话摘录的“精选”汇编，从Thompson初次介绍Leta开始（以单色呈现，因当时测试尚未启动），直至他们的第24次对话。

EEG技术也在游戏行业中被探索，如此所示（https://youtu.be/DBYY3D1gkQ0）；以及假肢行业，如此所示（https://youtu.be/UgC7la_3IIA），尽管假肢行业将传感器放置在靠近缺失或受损肢体的身体部位，而非头部，以专门捕获从大脑发送到缺失肢体的信号。

在这两种应用中，重点都是利用大脑的电信号，通过意念或意图来控制某物，例如游戏中的动作或假肢肢体的动作。本系列中提到的用于AI辅助DAW的应用比这里给出的游戏和假肢示例简单得多，因为我们只对市场研究人员使用的相同“大局（big picture）”信号感兴趣。我对用思想的力量移动推子或转动旋钮不感兴趣，尽管这确实为Michael Strou的畅销书名《Mixing With YourMind》（用你的心混音）增添了一个有趣的角度。

最后，当然，EEG也用于医疗场景，以确认患者的脑死亡，其指征是大脑中缺乏电活动，即脑电沉默或EEG平线。

本文出自《midin月刊》2026年05月第242期