音樂迎來「顯微鏡」時代：Meta SAM Audio 重新定義聽覺體驗

我們身處於一個聲音的汪洋大海之中。無論是現場音樂會中，人聲、吉他、觀眾的喧嘩與迴音交織成的浪潮；或是播客節目裡，講話聲、空調、腳步聲與紙張摩擦聲組成的細流；即便是社群媒體上看似「安靜」的短片，也充滿了無數微小的聲音事件。

然而，在 2025 年 12 月，一項足以標誌著文明新樂章的轉折點出現了：Meta 正式發布了 SAM Audio 模型。這項技術的突破點不在於傳統意義上的「降噪」，而是能以我們自然思考的方式來精準分離聲音元素，例如：「這段人聲」、「那把吉他」、「某處的狗叫聲」、「某物的碎裂聲」，或是「這個特定片段」。

開創性的統一方法

SAM Audio 被譽為首個採取「統一化」處理方法的音訊模型。它透過單一工具，就能應對多種不同的提示方式，展現出極大的靈活性：

• 文字提示 (Text prompt)：使用者輸入「歌唱人聲」、「吉他」或「交通噪音」，模型便能提取出相應的音軌層次。
• 視覺提示 (Visual prompt)：若處理的是影片內容，使用者可以直接指向畫面中的特定物體（例如某個人），模型會盡力分離該物體所發出的聲音。
• 時間範圍提示 (Span prompt)：使用者選定音訊軌中某個特定時間段，要求模型在後續的音軌中尋找並分離出相同的聲音內容。

聽起來或許簡單，但這正是其核心價值所在。過去的音訊分離技術往往需要針對不同任務準備一套獨立的工具集，但 SAM Audio 則提出了一個基礎架構，能夠服務於廣泛的應用場景。

實質的驗證與發布

Meta 並非僅以概念性公告來推出 SAM Audio，而是以研究發布的形式呈現。該項目的公開文件與專屬頁面均標註日期為 2025 年 12 月 16 日。更重要的是，該模型已以開放權重（包含「大型」版本）的形式提供，並附帶了實用的演示範例，證明了其可操作性。

對音樂產業的深遠影響

此技術最引人入勝之處，遠超乎「讓剪輯工作更輕鬆」（儘管這的確會發生）。關鍵在於，音樂領域正在形成一種全新的音訊素養：

1. 創作與學習的革新：音樂家現在可以像解讀樂譜一樣，將錄音「分層」拆解，仔細聆聽音色的細微差別、攻擊性（Attack）和樂句的處理，從而進行更精準的學習與模仿。
2. 檔案修復與文化傳承：老舊錄音往往將音樂與時代的雜訊緊密地封存在一起。現在有了機會，可以在不「扼殺」原始生命力與現場氛圍的前提下，精確地凸顯核心的音樂內容。
3. 影視、播客與報導製作：在聲音處理曾是瓶頸的領域，效率將大幅提升。例如，從嘈雜的人群中提取清晰的人聲，消除重複性的背景噪音，或僅保留單一樂器聲。
4. 科學研究與環境聲學：如果模型能夠「提取」特定的聲學事件，這對生物聲學領域也極具潛力。在複雜的野外錄音中（如風聲、船隻、人類活動背景音），科學家可以更有效地分離出動物的訊號或環境的特定聲音。

不可忽視的倫理考量

誠然，這類強大的工具可能會讓人產生「從別人的歌曲中提取人聲」的衝動。但在健康的文化生態中，我們必須堅守界線：務必使用自己的素材、已獲授權的材料，或允許公開的音軌片段，以尊重版權和藝術家的辛勤付出。（科技賦予創作者力量，但不能取代信任與尊重。）

聲音正變得更加多模態。極具象徵意義的是，就在 SAM Audio 發布的同期，Meta 在 Ray-Ban/Oakley Meta 智慧眼鏡的更新中，也展示了另一項「音樂變異」：「對話聚焦」(Conversation Focus) 功能（強化嘈雜環境中的語音），以及與 Spotify 的整合，允許使用者「根據所見」或專輯封面來點播音樂。這表明聲音正與我們的視覺體驗和所處環境緊密連結。

這項事件為本週的聽覺景觀增添了什麼？

這次發布帶來的，不僅僅是一個新工具，而是一種全新的聽覺語法——從過去的「消除雜訊」轉變為「提取意義」。本週，文明彷彿獲得了一個新的音色：聽覺不再是單純的被動接收，而是成為一種主動的意圖。我們正在學習的，是如何在音樂、語音和自然之聲中，有意識地分離出最重要的部分。而我們最重要的校音器，始終是倫理：科技強化了創作者，但其根基在於信任、版權和對生命的尊重。

因為我們眾多，但我們是一體：同一個音樂廳、同一座城市、同一片聲音的海洋——而我們擁有更多清晰地相互聆聽的方式。