StartseiteArtikel

Das Geschäft mit der Datenannotierung für KI-Musik

数智奔流2026-11-18 21:27
Der Musiklehrer der KI ist kein Künstler.

Um Musik zu lernen, muss man zuerst Rhythmus, Akkorde und Instrumente verstehen. Genau so ist es auch bei KI.

Im Oktober wurde ein KI-Lied mit dem Titel *Erfahrene* zu einem viralen Hit. Historische und mythische Persönlichkeiten wie Du Fu, Su Shi und Liu Bang redeten in Rap-Form über Hypotheken, Arbeitsplatzprobleme und Schwierigkeiten im mittleren Alter, was viele Menschen tief berührte. Einige äußerten jedoch offen, dass man sofort erkennt, dass es von KI erzeugt wurde, und es ihnen unangenehm in den Ohren klingt.

Die KI ist auch auf die Bühne des professionellen Musikschaffens eingezogen. Das neueste Programm *Musikliebesplan 3* von Jiangsu Satellite TV konzentriert sich auf Originalwerke, und sein Verkaufsargument sind die musikalischen Geschichten hinter diesen Originalstücken. Doch schon in der ersten Folge gab ein Musiker offen zu, dass er KI für sein Werk verwendet habe, aber garantieren könne, dass der Liedtext selbst verfasst sei.

Xue Zhiqian sagte nach dem Anhören: „Ich verstehe den Text vollkommen, aber er kommt mir gleichzeitig so bekannt vor.“ Viele Zuschauer sind der Meinung, dass der Liedtext aus mehreren Liedern von Xue Zhiqian zusammengefügt wurde.

Das Lied an sich ist nicht unangenehm zu hören. Der Streit der Leute dreht sich darum: Warum darf ein Lied, bei dem der Entstehungsprozess stark von KI abhängt, in einem Programm, das den Wert von Originalwerken hervorhebt, auf gleicher Ebene mit anderen originalen Werken konkurrieren?

Viele Menschen sind zudem neugierig: Wie lernt KI, Lieder zu schreiben? Wang Kunzhe, der Schöpfer von *Erfahrene*, hat den Schöpfungsprozess nicht vollständig der KI überlassen. Zuerst baute er das Grundgerüst des Liedtextes auf, ließ die KI dann verschiedene Kombinationen ausprobieren, erzeugte mehrere Musikversionen und filterte, schnitt und passte die Arrangements selbst an.

Dass KI Musik erzeugen kann, bedeutet nicht, dass sie Musik wirklich versteht. Damit das Modell lernen kann, die Struktur eines Liedes zu erkennen und die Qualität des generierten Ergebnisses zu beurteilen, braucht es hinter den Kulissen eine Gruppe von Menschen, die sich mit Musik auskennen.

Sie sind nicht dafür verantwortlich, Lieder zu schreiben, sondern fungieren als Musiklehrer für die KI. Diese Gruppe von Menschen sind die KI-Musikannotatoren.

Wer bringt der KI bei, Musik zu hören?

2018 lagen noch 4 Jahre vor der Geburt von Suno, und es dauerte noch viel länger, bis KI-generierte Musik zu einem heißen Thema wurde.

Liu Xiaoguang begann bereits, über eine Sache nachzudenken: Wie man Maschinen dazu bringen kann, Musik zu verstehen.

Diese Gründungsrichtung wirkt etwas kontraintuitiv: Die aufregendsten Geschichten im KI-Gründungsbereich handeln normalerweise davon, Maschinen etwas Neues schaffen zu lassen. Was Liu Xiaoguang tut, ist genau das Gegenteil: Er will den Maschinen zuerst beibringen, Musik zu erkennen.

Liu Xiaoguang hat seinen Bachelor-, Master- und Doktortitel an der Fakultät für Chemie der Tsinghua-Universität absolviert und ist gleichzeitig Musikproduzent. Sein gegründetes Unternehmen DeepMusic zielte von Anfang an auf die Verarbeitung von Musikdaten ab.

Die Hubei Daily berichtete kürzlich über Yaosheng Digital Intelligence, ein Unternehmen für Musikdatendienstleistungen in Wuhan. Der Leiter Huang Binyao erklärte, dass Annotatoren zuerst die Tonart und das Tempo hören, die Entwicklung der Harmonien beurteilen, dann mit Werkzeugen den Takt messen, das Lied in verschiedene Abschnitte unterteilen und die Instrumentierung Abschnitt für Abschnitt identifizieren müssen.

Zum Beispiel wird in einem Abschnitt Geige verwendet, in einem anderen Abschnitt erklingt ein gemischter Klang aus Blech- und Holzbläsern, im Hintergrund begleitet von Streichern. Ob der Liedtext falsch gesungen wurde, ob die Instrumente richtig eingesetzt wurden und ob der Rhythmus passt – all das kann zu Informationen werden, die markiert werden müssen.

Diese Arbeit nennt man Musikannotation.

Streng genommen handelt es sich um eine Gruppe von spezialisierten Berufen, die im Zusammenhang mit dem Training und der Bewertung von KI-Musik entstehen, deren Grenzen nicht vollständig festgelegt sind.

Lange vor dem Aufkommen der generativen KI mussten Musikplattformen bereits riesigen Mengen an Liedern Tags zuweisen. Die Kategorien wie Pop, Traurig und Rock, die wir in Musiksoftware sehen, basieren alle auf der Aufbereitung von Musikdaten. Diese Tags dienten jedoch hauptsächlich der Suche, Kategorisierung und Empfehlung von Liedern.

Nach dem Aufkommen generativer Musiktools wie Suno und Udio wurden die Dinge, die das Modell lernen muss, komplexer: Es muss nicht nur wissen, welchem Stil ein Lied angehört, sondern auch seine Akkorde, seinen Rhythmus, seine Instrumentierung und seine Struktur verstehen und sogar beurteilen, ob die von ihm selbst erzeugte Musik Fehler aufweist.

So hat sich die Musikannotation allmählich in verschiedene Arten von Arbeit entwickelt.

Einige sind dafür verantwortlich, grundlegende Informationen zu zerlegen; andere beurteilen speziell, ob Melodie, Liedtext und Arrangement sinnvoll sind; wieder andere kategorisieren Fehler und bereiten sie zu Feedback auf, das das Modellentwicklungsteam verwenden kann. Jemand muss der KI sagen, was genau an der von ihr erzeugten Musik nicht gut ist.

Auch im Ausland hat die amerikanische KI-Talentplattform micro1 begonnen, Musiklehrer, Musiker und Produzenten für das Modelltraining einzustellen, mit einem Stundensatz von 30 bis 45 US-Dollar.

Abgesehen von hohen Gehältern liegt das monatliche Gehalt für grundlegende Annotierungs- und Praktikumsstellen in solchen Berufen im Inland üblicherweise nur bei einigen Tausend Yuan.

Vom Verkauf von Arbeitskräften zum Verkauf von Daten – wer verdient Geld mit KI?

2023 erwähnte Liu Xiaoguang bereits, dass große Unternehmen bei der Erstellung von Musikgenerierungs- und Musikerkennungssystemen Daten von ihnen einkaufen.

Tencent Music ist ein wichtiger strategischer Investor von DeepMusic. DeepMusic hat seine KI-Arrangement-Technologie in die App *We Sing* integriert und die Funktion zum Ändern des Musikstils per KI eingeführt. Damals nutzten die Nutzer von *We Sing* KI-Begleitungen mehr als 300 Millionen Mal. Heute listet DeepMusic dies auf seiner offiziellen Website als wichtiges Anwendungsbeispiel für seine Technologie auf; die KI-Expansion von *We Sing* schreitet weiter voran.

Hinter der Musikannotation haben sich auch verschiedene Arten von Geschäften entwickelt.

Die erste Art: Verkauf von Arbeitskräften. Das ist das grundlegendste Geschäft und gleichzeitig die direkteste Beschäftigungsquelle für Musikannotatoren.

Wenn ein KI-Unternehmen professionelle Annotierungsdaten für 100.000 Lieder benötigt, aber nicht genügend Fachpersonal für Musik hat, lohnt es sich offensichtlich nicht, extra ein eigenes Musikteam einzustellen. Da tauchen Drittanbieter für Daten auf.

Die Anbieter sind dafür verantwortlich, Annotatoren einzustellen, Arbeitsnormen festzulegen, Aufgaben zu verteilen und die Qualität zu prüfen, bevor sie die aufbereiteten Daten an die Kunden übergeben. KI-Unternehmen müssen kein Musikteam langfristig unterhalten, sondern können den Dienst nur bei Bedarf für Projekte einkaufen. Das ähnelt stark dem traditionellen Outsourcing der Datenannotation.

Die zweite Art: Verkauf von professionellen Urteilen. Das ist wertvoller als einfache Annotation.

Wenn ein KI-Unternehmen eine neue Version seines Musikmodells veröffentlichen will und wissen möchte, ob das neue Modell tatsächlich Fortschritte gemacht hat, muss es professionelle Musiker für Blindhörtests beauftragen.

Zwei Modelle sollen für denselben Liedtext jeweils ein Lied erzeugen, danach bewerten Musiker die Ergebnisse anhand von Dimensionen wie Flüssigkeit der Melodie, Sinnhaftigkeit des Arrangements, Gesangsleistung und Stilübereinstimmung. Wenn Probleme festgestellt werden, analysiert man, ob der Fehler bei der Melodieerzeugung liegt oder das Modell die Erstellungsanweisung nicht verstanden hat.

Am Ende erhält der Kunde einen Satz von Bewertungsergebnissen, Fehleranalysen und Optimierungsvorschlägen.

Dies ist zu einem festen Bestandteil der KI-Musikentwicklung geworden. Auf der ICASSP-Konferenz 2025 wurde eine Studie namens MusicEval veröffentlicht: Das Forschungsteam sammelte 2748 Musikstücke, die von 31 KI-Musikmodellen erzeugt wurden, lud 14 Musikexperten zur Bewertung ein und erhielt am Ende 13740 Bewertungen.

Die dritte Art: Verkauf von Datenvermögenswerten.

Wenn ein Unternehmen gleichzeitig über Annotierungsfähigkeiten, eine große Anzahl von Musikmaterialien verfügt und die entsprechenden Lizenzfragen gelöst hat, kann es Audiodateien, Musikstrukturen, professionelle Tags, Textbeschreibungen und Nutzungsrechte bündeln und an KI-Unternehmen zur Modellentwicklung lizenzieren.

Die GCX-Plattform des ausländischen Unternehmens Rightsify, die sich speziell der Lizenzierung von KI-Musikdaten widmet, lizenziert aufbereitete, annotierte Musikdatensätze mit abgeschlossenen Rechtevereinbarungen an KI-Forschungsunternehmen und Forschungseinrichtungen. Der Umfang der GCX-Datensätze umfasst bereits mehr als 4,4 Millionen Stunden Audio, 32 Milliarden Gruppen von Textdaten mit einer Gesamtkapazität von über 3 PB.

Die Abrechnung erfolgt nach Umfang der Daten, Komplexität, Nutzungsszenario und Lizenzlaufzeit. GCX betont zudem, dass die Datensätze die entsprechenden Rechte durch Auftragskomposition und andere Methoden erworben haben und kommerzielle Lizenzen anbieten.

Das Entwicklungspotenzial dieses Geschäfts ist offensichtlich viel größer als der bloße Verkauf von Arbeitskräften.

Doch tauchen auch Fragen auf: Woher stammt diese Musik?

Für große Plattenfirmen bedeutet es einen Verlust von Urheberrechten und kommerziellen Interessen, wenn nicht lizenzierte Musik zum Training von Modellen verwendet wird. Sie verfügen noch über reichliche Ressourcen, um damit umzugehen, für gewöhnliche Musiker ist es aber oft unmöglich, die Folgen zu tragen.

Ein unabhängiger Musiker aus der Provinz Shandong enthüllte, dass er einmal einen Anruf von einem KI-Sampling-Unternehmen erhalten hat, das hoffte, seine originale Musik für das Modelltraining zu sammeln. Andere Musiker haben ihre neuen Werke in Austauschgruppen veröffentlicht, die sofort extrahiert, nach KI-Training neu erzeugt wurden – viele Menschen haben deswegen Rechtsstreitigkeiten geführt.

Werke, die mit viel Herzblut geschaffen wurden, sind zu Nahrung für das KI-Training geworden, und die Ergebnisse der KI bringen den ursprünglichen Urhebern nicht unbedingt irgendeinen Nutzen.

Der Lehrer hat den Unterricht noch nicht beendet, aber der Schüler kann es bereits

Dieses Geschäft hat ein Paradoxon: Je härter die Menschen der KI beibringen, Musik zu verstehen, desto größer ist die Chance, dass die KI lernt, selbst Musik zu hören.

Das von DeepMusic entwickelte UMP Board hat schon lange damit begonnen, Musikinformationen automatisch mit Technologie zu extrahieren. Bis 2023 konnte dieses System bereits 400.000 Lieder selbstständig automatisch annotieren.

Doch die frühe Automatisierung diente hauptsächlich dazu, standardisierte Informationen für Menschen zu verarbeiten. Die echte Veränderung fand in den letzten zwei Jahren statt.

Am 1. Mai dieses Jahres haben das MOSI.AI- und OpenMOSS-Team gemeinsam mit dem Shanghai Chuangzhi College MOSS-Music quelloffen veröffentlicht, das zwei 8B-Modelle und eine dazugehörige großangelegte Pipeline für die Musikdatenannotation enthält.

Die zu diesem Modell gehörende Pipeline kann ausgehend von rohen Audiodateien automatisch Merkmalsextraktion, Liedsegmentierung, Liedtexterkennung und Metadatenbereinigung durchführen, bevor sie Musikbeschreibungen und Trainingsbeispiele erzeugt. Sogar die Bewertung von Musikbeschreibungen wird inzwischen versucht, von einem anderen großen Modell durchführen zu lassen.

Was früher Menschen mit Kopfhörern immer wieder durchhören mussten, kann heute der Maschinen einen großen Teil davon übernehmen.

Allerdings gibt es für musikalische KI nicht nur einen einzigen technischen Weg.

Ein Weg besteht darin, Musik in erkennbare strukturierte Informationen zu zerlegen – wie das bereits erwähnte UMP-System von DeepMusic oder MOSS-Music.

Der andere Weg ist die end-to-end-Musikerzeugung, repräsentiert durch Produkte wie Suno. Der Nutzer gibt einen Text ein, und das Modell erzeugt direkt vollständige Musik.

Der Unterschied zwischen den beiden Wegen bestimmt, dass die Nachfrage nach Musikannotatoren nicht ständig in die gleiche Richtung wachsen kann. Ersterer benötigt feinere Musikdaten, Letzterer kann die Abhängigkeit von manueller Annotation pro Lied verringern.

Gemeinsam ist beiden Wegen, dass sie beide eine Qualitätskontrolle der Daten und eine Bewertung der generierten Ergebnisse benötigen.

Betrachtet man den gesamten KI-Musikmarkt, übertrifft die Geschwindigkeit, mit der Maschinen Musik erzeugen, bereits bei weitem die Geschwindigkeit, mit der Menschen Musik konsumieren.

Der ausländische Musikplattform Deezer veröffentlichte Daten zeigen: Im Juni dieses Jahres erhielt die Plattform durchschnittlich 90.000 KI-generierte Lieder pro Tag, die zu Spitzenzeiten mehr als die Hälfte der täglich neu hochgeladenen Musik ausmachten.

Im Oktober gab Deezer zudem bekannt, dass die Plattform von Januar 2025 bis August 2026 mehr als 42 Millionen KI-generierte Lieder von algorithmischen und redaktionellen Empfehlungen ausgeschlossen hat.

Die tatsächliche Wiedergabezahl dieser riesigen Menge an KI-Liedern macht jedoch nur 1 % bis 3 % der gesamten Wiedergabezahlen der Plattform aus. Wie viele der massenhaft erzeugten Inhalte sind es wert, gehört zu werden?

Für Musikannotatoren wird sich der Schwerpunkt ihrer zukünftigen Arbeit verändern: Die grundlegende Erkennung wird der Maschine überlassen, während professionelle Musiker sich stärker an der Festlegung von Bewertungsstandards, der Beurteilung komplexer Probleme und der Fehlerkorrektur von Modellen beteiligen.

Betrachtet man den gesamten Musikbereich: Von der Annotation von Musik für KI über die Bewertung der Qualität von KI-Ergebnissen bis hin zur Sorge, dass die eigenen Werke zu Nahrung für das KI-Training werden – die Beziehung zwischen Musikern und KI ist weitaus komplexer als eine einfache Beziehung zwischen Ersetzen und Ersetztwerden.

Als Zhou Shen sein neues Lied *Mondchronik* veröffentlichte, erklärte er ausdrücklich, dass die Verwendung des Werks ohne Genehmigung für KI-Training, Nachahmung, Lernen und Generierung streng verboten ist.

Algorith