标签: 内容创作

  • 德国法院一锤定音:Suno用别人的歌训练AI,得赔

    德国慕尼黑地区法院的一纸判决,让估值54亿美元的AI音乐独角兽Suno不得不停下来想一想。

    2026年7月31日,慕尼黑地区法院第一分院第42民事庭(案号42 O 763/25)裁定,Suno在训练AI模型和生成音乐输出这两个环节都侵犯了版权,并且驳回了它最看重的”合理使用”抗辩。原告是德国音乐版权集体管理组织GEMA——你可以把它理解成德国版的音著协。GEMA早在2025年1月就把Suno告上了法庭。

    六首歌掀翻一家独角兽

    这场官司的抓手是六首广为流传的歌,包括Kristina Bach的《Atemlos durch die Nacht》、Boney M.的《Rasputin》,以及《Forever Young》《Big in Japan》《Daddy Cool》《Mambo No. 5》。GEMA选它们不是随机的:不同年代、不同风格,正好能证明Suno的模型存在系统性的”记忆”,而不是个别巧合。

    法院查到最后,问题不在一处。训练阶段,Suno被认定用流媒体抓取技术从YouTube提取音乐,还绕过了平台防止下载的技术保护措施;到了输出阶段,它的模型又能把那些耳熟能详的旋律直接复现出来——专业术语叫”记忆化”(memorization),模型不光学走了通用规律,还把特定原曲存进了权重里。

    法院一句话把责任钉死:Suno自己选定了训练数据、自己决定了模型架构,那就得对侵权输出直接负责,不能把锅甩给输入提示词的用户。

    最要命的是”跨境”这两个字

    Suno在答辩里搬出了管辖权:训练行为明明发生在美国,德国法院管得着吗?法院的态度很干脆——只要你的AI服务在欧洲运营、挣欧洲用户的钱,欧洲法院就管得着。这很可能是欧洲法院第一次明确认定:即便AI训练在美国境内完成,照样构成版权侵权。

    对GEMA来说,这是继2025年11月拿下OpenAI之后的第二场胜仗。那次同一个法庭裁定,AI语言模型记忆并复现受版权保护的歌词也算侵权。如今逻辑从文字延伸到了音乐,而且覆盖了从训练到输出的完整链条。

    AI音乐与法律天平
    AI音乐生成正在面临越来越密集的版权审视

    钱还没算,但门已经被关上

    判决要求Suno停止未经授权的复制、披露通过侵权获得的收入,并赔偿相应损失——具体金额还没定。Suno当然不服,表示会评估一切选项,包括上诉,所以判决目前还没生效。

    但象征意义已经够大了。GEMA CEO Tobias Holzmüller直接把这称为”具有全球意义的判决”。想想也不意外:Suno累计有超过1亿人用它生成过音乐,在美国一直拿”合理使用”当盾牌,说自己的模型只存数学模式、生成结果和用户提示词有关。欧洲这一下,等于告诉所有AI音乐公司——你用来训练的那批歌,到底付没付钱,迟早要回答。


    • 训练在美国不等于免责,欧洲法院认的是”你在欧洲运营”
    • “记忆化”成为关键证据:模型能复现原曲,就不能怪用户
    • 判决尚未生效,Suno已放话要上诉,但合规压力已经实打实压下来
  • Fender CEO说翻唱早就是“模拟版AI”,整个吉他圈这次真的怒了

    Fender 现任 CEO 爱德华·“巴德”·科尔(Edward “Bud” Cole)今年五月接受过英国媒体 T3 的一次采访,主题是 Telecaster 诞生七十五周年。采访里他顺带聊了几句 AI 和音乐,当时基本没激起水花。最近这段话被人翻了出来,在吉他玩家的圈子里迅速传开,然后炸了。

    Fender CEO Bud Cole
    Fender CEO 爱德华·“巴德”·科尔,2023年摄于日本|图片:Jun Sato/WireImage(The Verge)

    时机是这件事最要命的地方。就在不久前,Fender 刚给一批独立琴匠寄了律师函,主张自己对 Stratocaster 的琴身轮廓拥有版权,等于把整个手工吉他社群得罪了个遍。几位有影响力的吉他类 YouTuber 已经公开表态,以后不再买 Fender 的东西。风口浪尖上,老板这番关于 AI 的言论被挖出来,效果可想而知。

    “翻唱一直是某种模拟版 AI”

    科尔的基本立场是:AI 在音乐里根本不是新鲜事。他说,“我觉得只要有录制音乐存在,AI 就存在了。”在他看来,学吉他的第一道门槛是时间成本,第二道门槛是写歌,而 AI 能在第二道门槛上帮上忙。

    “我其实认为,翻唱音乐长久以来就是一种模拟版的 AI。”——Fender CEO 巴德·科尔

    他的意思是,还写不出自己的歌的人,可以先去弹偶像的作品。他拿自己举例:当年听 R.E.M.、U2、The Smiths、The Cure 听到腻,就想自己弹出来,于是学了吉他。这段本身没什么毛病,问题出在他接下来把这套逻辑推到了哪儿。

    连乐队队友也被算成了“模拟 AI”

    科尔说,刚开始尝试写歌的人还能依靠第二种“模拟版 AI”——你的乐队队友。你手里可能只有一段副歌或者一个 riff,鼓手和贝斯手往上加点东西,一首歌就成型了。而在他看来,AI 也能扮演这个角色。

    “我真的认为,我们正处在一个临界点上,可以把人从翻来覆去弹那几首老翻唱里解放出来,让他们真正进入那种和乐队一起干活的状态。”

    把人类队友和聊天机器人放在同一个功能位上,这句话让不少乐手直接破防。The Verge 的记者 Terrence O’Brien 写得很直接:如果你当面告诉自己的鼓手,他跟一个 AI 模型没什么区别,对方生气是完全合理的。

    这套类比站不住的三个地方

    把“人学翻唱”和“模型吃版权音乐”划等号,听上去顺,细想漏洞很大。

    • 量级根本不是一回事。没有任何一个人能学完一个生成式音乐模型的训练集。以 Suno 为例,外界估计其训练素材是以百万首计的,这跟一个青少年翻弹几十首歌不属于同一种行为。
    • 它抹掉了创作里成千上万个细小决定。写歌过程中,有的选择来自情绪反应,有的来自将错就错的意外,有的干脆是为了绕开自己的技术短板。这些决定加起来才构成一个人的辨识度,而不是一次 prompt 加一张数据点网络的输出。
    • 身体性没法复制。被称作 Samurai Guitarist 的 Steve Onotera 提到一个细节:演奏者的身体条件,以及人必然会犯的那些微小失误,让任何人都无法完美复刻别人的演奏。恰恰是这种偶然性,大模型给不出来。

    队友的例子同理。人身上带着自己那份独一无二的“训练数据”,那是人生经历、肌肉记忆和技术局限的混合物。你那个在大学修过爵士编曲、挑剔到不行的贝斯手,有品味也有直觉,这两样东西聊天机器人目前都拿不出来。

    “跨过鸿沟成为写歌大师”,问题是谁在跨

    采访后半段,科尔还说了一句更大的:“我相信 AI 会催生出一整代使用它的吉他手,帮他们连接其他音乐人、变得更高产,并跨过那道鸿沟,从写歌的学生变成写歌的大师。”

    越来越多的研究指向相反的方向:过度依赖 AI 工具正在造成能力退化。让 AI 帮你想一个押韵、给一个形容疼痛的比喻,跟你自己反复练习写歌不是一码事。AI 没在婚礼当天被人放过鸽子,也没为一段前副歌的过渡熬到凌晨三点。写歌这件事,重复才是核心——行业里流传的说法是,你得先写一百首(或者一千首,或者一万首)烂歌,才可能写出一首好的。跨过那道鸿沟的过程本身,就是把烂歌一首一首写完。

    真正刺眼的是那层双标

    抛开 AI 的技术争论不谈,这件事在吉他社群引爆的更深层原因,是一种前后矛盾的姿态:公司这边正拿着 Stratocaster 的琴身轮廓去主张知识产权,追着小作坊琴匠发律师函;老板那边却把音乐人的作品轻描淡写成“可以被学习的素材”,还顺手把这套逻辑安到了生成模型头上。

    Fender 至今没有对置评请求作出回应。对一家靠乐手信任吃饭七十五年的公司来说,这种沉默的代价可能比一次公关道歉更贵。


  • 冲上Billboard第58名的这首歌,被扒出一身AI痕迹

    Fenix Flexin 单曲《Rubberz》封面
    单曲《Rubberz》的封面,多个图像检测器判定它有97%以上概率由AI生成。图片来源:Fenix Flexin / The Verge

    Fenix Flexin 这个名字,过去主要和洛杉矶说唱二人组 Shoreline Mafia 绑在一起。最近他单飞的一首《Rubberz》冲上了 Billboard Hot 100 第58名,算是个人生涯的高光时刻。可歌一红,质疑立刻跟着来了——不少人认为这首歌大部分、甚至整首都是AI生成的。Fenix 否认了指控,但除了否认,他几乎没拿出什么能打消疑虑的东西。

    先说哪部分不算证据

    怀疑的起点是风格上的急转弯。Fenix 以前做的是带 trap 味道的西海岸说唱,《Rubberz》却是一股浓浓的80年代英伦合成器流行味,主旋律的唱法明显冲着 Morrissey 去,他甚至装了个英国口音。可这条其实站不住脚——歌手当然有权换风格、做实验,光凭这一点什么都说明不了。

    破绽藏在声音的毛边里

    真正扎眼的是录音本身的质感。仔细听会冒出一堆AI生成音乐里常见的瑕疵:hi-hat 脆得发干,副歌的和声像被压过的低码率MP3,混响的尾巴还会被生生切断。

    《Switched on Pop》播客主持人、词曲作者 Charlie Harding 向 The Verge 拆得更细。

    “幽灵一样的和声忽进忽出,鼓的混响里全是不自然的数字杂讯,让人想起当年从 Napster 上下载的64kbps MP3。因为大多数生成式AI公司都是拿未经授权的低质量MP3训练模型的,所以我们能听出乐器声是被明显劣化过的。”

    这个解释挺有意思:训练素材本身的音质缺陷,最后原样烙进了生成结果里。

    检测工具帮不上忙,周边材料却露了馅

    作者把这首歌喂进五个AI音乐检测工具,结果都只给出20%到30%的AI概率,谁也没敢下结论。这类工具的可靠性本来就有限,迭代速度又远远追不上生成模型,指望它们断案并不现实。

    但周边的材料就没这么客气了。单曲封面和那条庆祝上榜的社交帖,被多个图像检测器判定为AI生成,置信度超过97%。歌词丢进几个文本检测器和 Gemini,答案也一致。制作人、YouTuber Curtiss King 把歌词扔给 Claude,同样被标出多处AI特征。

    歌词本身的问题更直白。押韵干净整齐得不像一个混了这么多年的说唱歌手写出来的——没有半谐音,没有内韵,整首都是规规矩矩的 AA、BB。为了押上韵,意思就顾不上了:前面还在说沉船,这个意象抛出来之后就再也没出现过;副歌单看每一行都通顺,拼到一起却不知所云。

    现场是最难圆的一环

    第三段主歌像是没说完就停在了“Not the jewelry”上。Harding 的评价是“完全没有 flow”。他还专门挑了标题那句 “I just let the rubber band snap”:任何一个稍微像样的说唱歌手都不会这么唱,切分怪异,重音全落在错的音节上。一堆音节挤在一起,把 the 顶到了强拍位置,rubber 反倒弱了下去,后面所有音节的重音跟着连锁错位。

    几次录影棚亮相就更尴尬。头两回基本是在别扭地对口型,有时候他会被自己歌里那个拗口的 flow 绊住,像是记不清词。等他真开口唱,问题彻底藏不住——录音里的音域和口音他复现不了,很多现场片段干脆把原声铺在他的声音上,他本人的人声压得极低。DJ 试着短暂掐掉伴奏来证明是真唱,结果适得其反。

    Fenix 的说法是,录音版和现场的差距来自人声处理,比如 AutoTune。Harding、King 和乐评人 Anthony Fantano 都不接受这个解释。King 打了个比方:AutoTune 更像拼写检查,可以往极端里调出机械音色,但它的本职是修错音,不可能凭空给你拓宽音域,更不会给你加一个英国口音。


    最反直觉的一条辩护:它太差了

    有意思的是,Harding 认为这首歌最像“真人作品”的地方,恰恰是它做得不好。

    “我会以为这是一个从没写过歌的人,拿80年代的儿童练习键盘弄出来的。”

    如果它真是AI生成的,用的显然也是相当差的模型。Harding 更在意的是另一件事:更成熟的模型早就把这些能听出来的瑕疵和别扭的节奏修掉了,而听众居然还觉得这种水平的东西有意思。

    Fenix 后来晒了几段所谓 Pro Tools 工程文件的画面,但这证明不了什么。除非他公开原始录音和完整工程,AI 的帽子大概率会一直扣着——而这件事看起来不太可能发生。

    更让人不安的是举证责任变了

    这场争论最麻烦的地方,不在于《Rubberz》到底是不是AI做的,而在于“自证清白”现在已经没有便宜的办法。以前一首歌火了,没人会要求你出示工程文件;如今只要风格一变、混音一糙,举证责任就掉到了创作者头上。检测工具靠不住,听感上的破绽又会被下一代模型抹平,等到那些毛边全部消失的那天,争论会从“能不能听出来”变成“根本没法证明”。

    而榜单照常在转。第58名那个位置,并不关心这首歌是谁做的。

    • 《Rubberz》登上 Billboard Hot 100 第58名,风格从西海岸说唱急转80年代英伦合成器流行
    • 五个AI音乐检测器只给出20%-30%的AI概率,但封面与社交帖被判定97%以上为AI生成
    • 混响硬切、和声忽隐忽现、乐器声劣化,被指是低码率MP3训练素材留下的痕迹
    • 现场对口型、音域与口音无法复现,AutoTune 的解释未被业内认可
  • 320万粉丝的科普博主道歉:用ChatGPT查资料被抓包,他说自己对AI上瘾了

    一句听着有点别扭的话,把一个做了十几年科普的博主推到了风口浪尖。

    YouTuber Hank Green
    Hank Green 承认自己对大模型的依赖已经失控 | 图片来源:TechCrunch / Getty Images

    Hank Green 是 YouTube 上的老牌创作者,写小说、做脱口秀、拍科普,主频道有 320 万订阅。前几天他在教育向频道 Complexly 的一期视频里,突然冒出一句“我很感谢你提出的反驳”。这句话放在上下文里怎么听怎么怪,观众立刻反应过来——这更像是对着聊天机器人说的话,而不是对着摄像头。

    接下来的推测顺理成章:稿子是不是 AI 写的?他是不是不小心把跟模型对话的内容念了出来?

    先删帖,再长文道歉

    Green 最初在 X 上回应,说这期视频是“在巨大压力下”做出来的,自己确实用 ChatGPT “为这期稿子做了研究”,但那句“感谢反驳”其实是说给节目嘉宾听的,不是念提示词。这条帖子后来被他自己删了。

    真正让事情转向的是他随后在 Reddit 上那篇更长的道歉。他说自己“羞愧难当”,觉得“辜负了太多人”,并且宣布要减少视频产量。

    他为自己划了一条线:AI 只被用来“定位论文和学习某个主题所需要的资料”,视频里的文字和观点仍然是他自己的。但他同时承认,观众批评他“稀释了自己”,这个说法是公平的。

    我最害怕的,是把我自己给毁了——毁在观众心里。但我一直没能管好自己的冲动。你们需要知道,我说的话是我自己的。我不认为过去这件事不成立,只是我跑得太快,连我自己都说不清自己的创作流程了,我希望往后这能成为一种保证。

    他承认的其实不是抄袭,是上瘾

    这场风波里最狠的一句话,出现在道歉的结尾。Green 说,他必须面对一个事实:从跟大模型互动中获得的多巴胺,那种“做得更多、更多、更多”的感觉,对他自己和这个世界都不是好事,“它是轻率的,而且已经让我跟大多数人的真实感受脱节了”。

    他还特意声明自己“不是纯粹的 AI 憎恨者”,但列了一串担忧:这套技术对气候的影响,以及这些公司“试图集中经济权力的速度”。

    换句话说,他并不是被抓到造假才认错。他认错的点在于:工具让他产量变高、反馈变快、爽感变强,于是他不知不觉把自己交了出去,等回过神来,连自己是怎么写出这些东西的都讲不清了。

    接下来他打算怎么做

    • 暂停或大幅降低几个 YouTube 频道的更新频率,先把节奏慢下来。
    • 多做那种“写作本身就是全部”的内容,他提到自己最近一期偏冥想气质的视频,说那种东西他“从头到脚都感受得到”。
    • 多录不写稿、直接对着镜头说的即兴内容——用他自己的话讲,“我那些傻乎乎的、没稿子的念头”。

    这几条听起来都是在做减法,而且是往效率的反方向走。


    创作者和观众之间,卖的从来是“这是他本人”

    严格说,用 AI 找论文、整理资料,这在今天几乎算不上什么罪状。很多研究者、记者、编辑都在这么干,效率提升是实打实的。Green 被骂得这么惨,问题不在工具本身,而在他和观众之间那份心照不宣的契约——大家看他,是因为相信屏幕后面那个人在认真想问题,而不是在高效地组装信息。

    科普这门手艺尤其吃这一套。观众记住的不是某个知识点,而是“这个人是怎么理解这件事的”。一旦中间插进一个把资料嚼碎了递过来的中介,哪怕最后落笔的还是本人,那种“我陪你一起想明白”的质感就会掉一截。

    更值得琢磨的是他说的多巴胺。屏幕时间、短视频、社交推送这些成瘾机制大家已经聊烂了,但“跟模型对话本身会上瘾”还是个新话题。它给的不是娱乐快感,是一种“我正在产出、我很高效、我停不下来”的错觉。对一个靠持续产出吃饭的创作者来说,这种反馈回路可能比刷手机更难摆脱。

    Green 选择的解法是慢下来、少做点、把过程重新抓回自己手里。这在一个按更新频率算命的平台生态里,几乎是逆行。他能坚持多久不好说,但至少他把问题摆到了台面上:不是“AI 能不能用”,而是“我用完之后,还认不认得出自己写的东西”。

  • HTML Anything:让本地 AI 智能体一键生成可发布的 HTML(8K+ Stars)

    HTML Anything:让本地 AI 智能体一键生成可发布的 HTML(8K+ Stars)

    HTML Anythingnexu-io 开源的本地优先(local-first)AI HTML 编辑器:你只需提供 Markdown、CSV、Excel、JSON 或零散笔记,按下 ⌘+Enter,本地已登录的编码智能体就会把内容渲染成可直接发布的单文件 HTML。

    HTML Anything — 智能体时代的 HTML 编辑器
    HTML Anything — 智能体时代的 HTML 编辑器

    项目简介

    它不做模型、不卖 API,而是把你已经装好的 Claude Code、Cursor Agent、Codex、Gemini CLI、GitHub Copilot CLI、OpenCode、Qwen Coder、Aider、IBM Bob 等 9 款编码智能体 CLI 当作后端,通过 75 个可组合技能模板,输出 9 种常见“交付形态”:杂志文章、演示文稿、简历、海报、小红书卡片、推文卡片、网页原型、数据报告、Hyperframes 视频帧。生成结果支持一键粘贴到微信公众号、知乎、X / 微博 / 小红书,或下载 .html / .png。

    核心亮点速览:9 CLI / 75 技能 / 9 交付形态 / 零 API Key / 一键导出
    核心亮点速览:9 CLI / 75 技能 / 9 交付形态 / 零 API Key / 一键导出

    安装要求与快速开始

    环境要求

    • Node.js ≥ 18,推荐安装 pnpm
    • 任意一款已登录的编码智能体 CLI(如 claude / cursor-agent / codex / gemini / copilot 等)
    • 不需要额外 API Key,复用你已登录的会话

    快速安装

    git clone https://github.com/nexu-io/html-anything
    cd html-anything
    pnpm install
    pnpm -F @html-anything/next dev
    # → http://localhost:3000
    

    启动后浏览器会自动扫描 PATH(包括 ~/.local/bin/opt/homebrew/bin 等 GUI 应用常忽略的目录),并在顶部工具栏列出可识别的 CLI。选一个模板、贴入内容、⌘+Enter 即可。

    主界面:左侧编辑器 / 中间模板选择器 / 右侧实时 iframe 预览
    主界面:左侧编辑器 / 中间模板选择器 / 右侧实时 iframe 预览

    核心功能

    • 零 API Key:复用本地已登录的编码智能体会话,边际成本为 0。
    • 9 大智能体自动检测:Claude Code、Cursor、Codex、Gemini、Copilot、OpenCode、Qwen、Aider、IBM Bob,顶部一键切换。
    • 75 个技能模板:覆盖 prototype / deck / frame / social / office / doc / mockup / vfx 等模式,从 SaaS 落地页到财务报告、从瑞士国际主义幻灯片到 Hyperframes 视频帧都有现成模板。
    • 9 种交付形态:杂志文章、演示文稿、简历、海报、小红书卡片、推文卡片、网页原型、数据报告、Hyperframes 视频帧。
    • 实时 SSE 流式渲染:智能体输出 JSON-line,服务端转成 Server-Sent Events,浏览器实时追加到 iframe srcdoc,像看 AI 打字一样看网页生成。
    • 沙箱预览:用户 HTML 运行在 <iframe sandbox> 中,脚本仍可执行,但 cookies/localStorage 与宿主隔离。
    • 一键导出:juice 内联 CSS → 微信公众号 / 知乎;modern-screenshot 2× PNG → X / 微博 / 小红书;另可下载单文件 .html 或 .png。
    一键导出:微信公众号 · X/微博 · 知乎 · 小红书 · HTML · PNG
    一键导出:微信公众号 · X/微博 · 知乎 · 小红书 · HTML · PNG

    典型使用场景

    场景 1:公众号长文排版

    写好 Markdown 初稿,选择 article-magazinedoc-kami-parchment 技能,智能体会自动套用 CJK 优先字体栈、8px 基线网格、对比度 ≥4.5 的配色,生成可直接粘贴到公众号编辑器的 HTML,无需二次调样式。

    场景 2:小红书 / X 卡片

    把一段金句或数据结论贴进去,选择 card-xiaohongshusocial-x-post-card 模板,即可生成 1080×1080 或 1600×900 的高清 PNG,复制后直接进入小红书 / X 发布界面,避免手动修图。

    场景 3:投资人路演 PPT

    输入产品要点,选择 deck-pitchdeck-swiss-internationaldeck-open-slide-canvas,自动产出 1920×1080 的横向幻灯片,支持键盘左右翻页、演讲者备注和 PDF 导出。

    幻灯片模式:内置 20 套主题,可直接导出或路演
    幻灯片模式:内置 20 套主题,可直接导出或路演

    推荐理由

    它是目前把“本地 AI 智能体”和“中文内容创作”结合得最顺手的开源工具之一:不绑 API、不抢隐私,复用你已经付费订阅的 Claude / Cursor / Copilot;针对微信公众号、知乎、小红书等中文平台做了专门适配,解决了 Markdown 转公众号格式崩坏、转小红书要手动修图的老大难问题;技能模板基于 SKILL.md 协议,新增模板只需复制一个文件夹、改一段 frontmatter,社区扩展门槛低。如果你平时需要大量产出图文、PPT、产品原型,把它接进工作流能省不少时间。

    下载与资源

  • Substack给newsletter装上“测谎仪”:一键看出哪篇是AI代笔

    你订阅的那些newsletter,到底有多少字是真人敲出来的?Substack这周给出了一个能直接查的答案。它接入了一款叫Pangram的AI写作检测工具,从今往后,你在App里读到的任何一篇文章、评论甚至回复,都能扫一扫,看看里面人写的成分和AI代笔的成分各占多少。

    “这才是AI该有的用法。”——Substack CEO Chris Best 这样评价这次合作。

    Substack接入AI写作检测工具Pangram
    Substack想让读者知道,自己读的东西到底出自谁之手。图片来源:Substack

    一把可能割到自己的刀

    这个功能对Substack自己其实有点冒险。平台上不少newsletter并非全靠人工写作,检测工具一开,那些偷偷用AI凑字数的号主就藏不住了。短期看,这可能让读者对平台的信任打折扣,毕竟Substack一直靠”独立、高质量的原创内容”立身。把家底翻给大家看,多少有点自曝其短的意思。

    但换个角度想,长期账未必亏。当满屏都是分不清真假的”AI稀汤”时,谁能证明自己是真人手写,谁就更值钱。Substack赌的正是这一点:给愿意认真写字的人一块干净的招牌。

    不是来抓人的,是来贴标签的

    Best跟Pangram创始人Max Spero聊天时打了个比方。他说以前向作者推销Substack,常挂在嘴边的一句是”除了最难的那部分,剩下的我们都帮你搞定”。而最难的那部分,是要有一个真正值得读、值得在意、值得转发的想法。软件可以包办排版、分发、订阅这些杂活,但那个核心的东西,得靠人自己去想。

    所以Substack这次的态度很明确:不是要禁止或者惩罚用AI辅助写作。任何超过100个字符的帖子、笔记、回复和评论都能被扫描,但平台同时给作者开了个口子——可以主动加一段”AI作者说明”,坦白自己怎么用了AI。公司更希望大家写一句”我是怎么做出这篇的”,把创作过程摊开讲清楚,而不是遮遮掩掩。


    越来越多平台开始”标注AI”

    Substack不是头一个。这两年,给AI内容打标签几乎成了行业共识:

    • YouTube会自动给AI生成的视频加标识;
    • 社交平台上的AI图片和视频普遍被标注;
    • 音乐流媒体近来也开始标记AI歌曲,个别平台甚至直接掐掉这类内容的分成。

    对号主来说,这套机制也留了纠错空间。发布者可以在文章发出前,先用Pangram扫一遍自己的草稿;如果觉得系统对自己作品的判定有误,还能申报并撤下那次扫描结果。说到底,检测工具给的是一个概率估算,不是一锤定音的判决书。

    当写作这件事越来越容易被机器代劳,”这是我亲手写的”反而成了稀缺的信用背书。Substack想抢的,就是这份信用。

  • Meta给Facebook创作者发了个AI助手,告诉你什么时候发帖最容易火

    做内容创作的人大概都有过这种体验:盯着后台数据看半天,试图搞清楚到底什么时间发帖流量最好、为什么这条涨粉那条不涨、评论区大家到底在讨论什么话题。问题是,这些数据散在各个图表里,要自己拼凑出答案并不容易。

    Meta 6月4日宣布,在 Facebook 上推出一款 AI 创作者助手,把这些问题的答案直接塞进了一个对话窗口里。

    Meta Facebook AI创作者助手
    Meta 在 Facebook 推出的 AI 创作者助手界面(图片来源:TechCrunch)

    像跟人聊天一样问数据

    这款助手会结合创作者的内容风格、账号表现、社区属性和创作目标,给出个性化建议。你可以直接问它:「我应该什么时候发帖?」或者「我的评论区大家都在讨论什么?」——它给出的不只是数据,还有可落地的建议。

    因为是对话式交互,你还可以追问。比如它告诉你「你的受众里 18-24 岁群体在增加」,你可以接着问「那我应该多做什么类型的内容来吸引这个群体?」——这种来回追问的能力,是传统后台仪表盘做不到的。

    除了帮你分析已有内容的表现,它还会结合当前热点给你创作灵感。比如建议你用某段热门音频、或者围绕某个文化话题做内容。本质上传达的逻辑是:别让你的账号冷掉,多发内容,平台才愿意给你推流量。

    为什么是现在?

    创作者争夺战已经打了好几年了。TikTok 有它的算法推荐和创作工具,YouTube 有完善的变现体系,Facebook 在其中的位置有点尴尬——它不再是年轻人第一个想到的内容平台。

    Meta 的思路是:给创作者一个不用离开 Facebook 就能搞定所有问题的工具。你不用再去打开 ChatGPT 构思内容、不用再对着后台图表自己琢磨数据,这些事 AI 助手都能帮你做。目的很明确:让创作者留在 Meta 的生态里,别跑去别家平台。

    目前这款助手正在向美国、加拿大和印度的创作者逐步开放,Meta 表示后续会增加更多功能,并推广到更多国家。

    把 AI 助手直接嵌进创作者的工作流里,这个策略比单纯做一个独立的 AI 应用要聪明得多。创作者在哪个平台上花的时间最多,哪个平台就最有可能掌握他们的内容策略和受众数据——这些数据,才是真正的护城河。

    顺带把翻译也升级了

    和 AI 创作者助手一同宣布的,还有 Facebook AI 翻译功能的升级。新增支持阿拉伯语、印尼语、法语、泰语和越南语——这五种语言覆盖的地区,恰恰是 Meta 最想攻下的内容市场。

    这个翻译功能针对的是 Reels(短视频)。它可以保留创作者的语气和声音,自动把内容翻译成其他语言。更关键的是,它还有一个「唇形同步」功能:翻译后的声音播放时,视频里人物的嘴型会和翻译后的语音对上,观感比生硬的配音自然得多。

    Meta 透露,目前 Facebook 上每周有超过 5 亿用户观看 AI 翻译视频。这个数字不小,但比起 Facebook 整体的用户规模,还有很大的增长空间。多语言翻译本质上是帮创作者打破语言壁垒、触达更多受众的工具——创作者内容的半径越大,平台的价值就越高。

    一个更大的棋局

    把这两件事放在一起看,Meta 在做的是同一件事:降低创作的门槛,同时提高创作者的回报预期。AI 助手帮你决定发什么、什么时候发,AI 翻译帮你把内容卖给全世界——这一套组合拳打下来,创作者的产出量和触达面都能上一个台阶。

    但反过来想,当创作者的内容策略越来越依赖平台提供的 AI 工具,他们和平台之间的绑定也就越来越深。今天 Meta 给你流量建议,明天它就可以告诉你「按这个模板做内容更容易爆」——到那个时候,创作者还是在创作吗?还是在执行 AI 的指令?

    这个问题没有标准答案。但对于那些想在多个国家、多种语言环境下建立影响力的创作者来说,Meta 这套工具的确解决了不少实际问题。目前最大的限制是地区——只有美国、加拿大和印度的创作者能用上,其他地区的创作者可能还要等上一段时间。