夜雨聆风现在做研究，很多人已经很自然地打开 AI 工具：让它整理一批文献，概括一段英文，帮忙列出可能的关键词，或者把一段访谈录音先转成文字。
这些工作以前也能做，只是需要更多时间。现在它们变快了。于是问题不只是“AI 能不能帮助音乐学者节省时间”，而是：当查找、听辨、转写、比较、写作这些环节都被工具重新安排之后，音乐学本身会发生什么变化？
首先需要说明的是，音乐学与计算工具的关系并不是从 ChatGPT 才开始的。数字人文早已进入音乐研究：数字档案、在线资源、计算方法、数据库和大规模材料分析，都已经改变了研究者接触材料的方式。Heather Platt 在讨论十九世纪音乐与数字人文时就提到，数字人文既包括可能让学术资源更开放的在线资源，也包括能够处理大规模数据的计算方法；音乐学期刊也越来越常讨论“数字音乐学”相关资源与项目。 近年的计算音乐学工具调查也提醒我们，从 20 世纪 60 年代以来，计算方法已经参与到音乐分析、创作建模、音频处理、数据检索等工作中，只是今天工具的种类、可见度和普通研究者的使用门槛都发生了变化。
所以，AI 带来的第一个变化，不是“人工智能突然进入音乐学”，是它把许多原本分散的研究步骤连在了一起。研究者可以让工具帮忙读文本，也可以处理音频、图像、乐谱、视频和元数据。2025 年一项关于计算音乐学工具的调查，把研究对象分成符号音乐、音乐相关图像、音频和文本四类，并指出不同工具之间仍存在整合困难：研究者需要在不同格式、软件和界面之间转换。 这其实很贴近音乐研究的日常。我们研究的对象不是单一材料：录音、乐谱、节目单、访谈、评论，往往需要放在一起分析。
第二个变化，是“听”的方式会被重塑。
过去，转写是音乐学和民族音乐学中非常耗时的工作。研究者反复听录音，把声音变成可比较、可标注、可讨论的呈现形式。自动音乐转写技术尝试把录音转换为乐谱、MIDI 或其他机器可读的形式，但研究者也提醒，自动转写虽然在音乐信息检索领域发展很快，却并没有被民族音乐学广泛采用；原因之一是，许多音乐传统并不适合被直接转换成西方五线谱逻辑。
这并不意味着自动转写没有价值。它可以帮助研究者更快找到音高、节奏、音色、演唱习惯或表演差异中的某些线索。但这些线索不能直接等同于音乐意义。比如一项关于中国地方戏曲睦剧声腔风格的 AI 辅助研究，就使用声学特征和 Transformer 模型来比较不同时期、不同剧种之间的“相对声学接近度”；但作者特别说明，这些分数是探索性指标，而不是对“风格相似性”的最终判定。 这个提醒很重要。AI 可以让某些差异变得可见，却不能替研究者决定这些差异在地方传统、演员训练、审美习惯和制度变迁中意味着什么。
第三个变化，是研究问题的尺度会变大。
以前我们也可以研究一首歌、一场演出、一位作曲家、一个地方剧种。现在，AI 和计算工具让研究者更容易面对更大的材料集合：几百段视频、几千首歌曲、几十年评论，甚至平台上的海量数据。音乐问答、音视频融合、多模态音乐分析也正在发展。比如 2025 年 TISMIR 发表的 MusiQAl 数据集，收集了 310 个音乐表演视频和 11793 组人工标注问答，试图让模型同时理解声音、身体动作、表演情境和跨文化音乐经验。
这类研究让我们看到一种新的可能：音乐学不再只聚焦于“这首作品内部如何组织”，也会更多追问“在大量材料中，哪些模式反复出现？”“哪些材料被平台放大，哪些材料仍然不可见？”“机器学到的音乐知识，来自哪些数据，又排除了哪些声音？”
但尺度变大，并不等于理解更深。数据越多，越需要研究者知道自己在找什么，也要知道工具没有看见什么。没有被数字化的地方曲艺、没有进入主流数据库的民间录音、没有标准化元数据的私人档案，都可能在 AI 时代被进一步边缘化。音乐学者需要关心的，也许不是“怎样让 AI 分析更多音乐”，是“哪些音乐有资格被当作数据”。
第四个变化，是 AI 本身也会成为音乐学研究对象。
这几年，AI 音乐生成工具进入公众生活之后，音乐学、民族音乐学、声音研究和科技研究都开始讨论新的问题：AI 生成的音乐如何进入流媒体平台？它如何改变作曲、劳动、版权、审美和听众关系？“AI Music Studies”相关论文和会议已经把公司、用户、算法、音乐作品、平台商业模式和可持续性都纳入研究框架。 2024 年第一届 AI Music Studies 会议也明确提出，AI 音乐不只是技术议题，还涉及人文学科和社会科学如何理解新的音乐生态，包括版权、经济、环境、全球北方之外的音乐文化，以及那些尚未被充分数字化的传统。
民族音乐学在这里尤其重要。2025 年美国民族音乐学学会会议的一份报告提到，相关讨论已经涉及 AI、所有权、田野工作、作者身份、劳动、种族、权力和后殖民经济等问题。 也就是说，AI 不是一个外在工具，放到音乐研究里用一用就结束了。它本身也在参与音乐生产、分配和评价。它改变的不只是声音文件，而是声音背后的关系。
最后一个变化，发生在写作和出版环节。
大语言模型确实可以帮助研究者整理文献、寻找研究空白、改善语言表达。Elsevier 的生成式 AI 期刊政策也承认，AI 工具可以在综合复杂文献、概括领域、生成想法、组织内容和提升语言可读性方面提供支持；但同时强调，AI 不能替代人的批判思考、专业判断和评估，作者必须核查 AI 输出，尤其要检查来源，因为 AI 可能生成错误或虚构的参考文献。 对审稿人来说，政策也特别提醒，不能把待审稿件随意上传到 AI 工具中，因为这可能涉及保密、知识产权和数据隐私问题；即使用 AI 辅助，也必须由审稿人承担最终判断责任。
音乐学当然也会遇到同样的问题。AI 可以把一篇文章写得更顺，但它不知道一段田野材料背后的信任关系；它可以生成很像参考文献的条目，却可能并不存在。Nature 在 2026 年报道，AI 生成的无效参考文献已经进入大量科学出版物，成为学术诚信中的现实问题。 对音乐学来说，这种风险并不只是“引用错了”。更深的问题是：如果研究者把判断交给工具，文章可能看起来更完整，却离材料本身更远。
因此，当 AI 成为研究工具之后，音乐学不会简单地变成“更快的音乐学”。它可能变得更跨学科，更依赖数据、工具和协作；也可能更需要重新确认自己的基本工作：如何听，如何比较，如何进入材料，如何说明证据，如何对研究对象负责。
也许未来的音乐学者需要同时具备几种能力：能使用工具，但不被工具牵着走；能理解模型给出的结果，但不把分数当作意义；能处理大规模材料，但仍然保留对具体声音、具体人和具体场景的敏感。
参考文献
Cao, Yijia, Hong Liu, and Tianlun Luo. “Reconfiguring Local Characteristics in Contemporary Muju: An AI-Assisted Study of Vocal Style in Chinese Local Opera.” Frontiers in Psychology 17 (2026): Article 1856609. https://doi.org/10.3389/fpsyg.2026.1856609.
Christodoulou, Anna-Maria, Kyrre Glette, Olivier Lartillot, and Alexander Refsum Jensenius. “MusiQAl: A Dataset for Music Question–Answering through Audio–Video Fusion.” Transactions of the International Society for Music Information Retrieval 8, no. 1 (2025): 265–82. https://doi.org/10.5334/tismir.222.
Elsevier. “Generative AI Policies for Journals.” Accessed July 5, 2026. https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals.
Holzapfel, Andre, Emmanouil Benetos, Andrew Killick, and Richard Widdess. “Humanities and Engineering Perspectives on Music Transcription.” Digital Scholarship in the Humanities 37, no. 3 (September 2022): 747–64. https://doi.org/10.1093/llc/fqab074.
Music Sustainability Initiative. “Report on AI Research from the 2025 Society for Ethnomusicology Conference.” Georgetown University. Accessed July 5, 2026. https://musicsustainability.georgetown.edu/new-research/report-on-ai-research-from-the-2025-society-for-ethnomusicology-conference/.
Naddaf, Miryam, and Elizabeth Quill. “Hallucinated Citations Are Polluting the Scientific Literature. What Can Be Done?” Nature 652 (2026): 26–29. https://doi.org/10.1038/d41586-026-00969-z.
Platt, Heather. “The Digital Humanities and Nineteenth-Century Music: An Introductory Overview.” Nineteenth-Century Music Review 18, no. 1 (April 2021): 3–18. https://doi.org/10.1017/S1479409820000014.
Sturm, Bob L. T., Ken Déguernel, Rujing Stacy Huang, Anna-Kaisa Kaila, Petra Jääskeläinen, Elin Kanhov, Laura Cros Vila, et al. “AI Music Studies: Preparing for the Coming Flood.” AIMC 2024, published August 29, 2024. https://aimc2024.pubpub.org/pub/ej9b5mv1.
“The First International Conference in AI Music Studies 2024.” Accessed July 5, 2026. https://boblsturm.github.io/aimusicstudies2024/.
Vega, Jorge Junior Morgado, Sachin Sharma, and Federico Simonetta. “Drafting the Landscape of Computational Musicology Tools: A Survey-Based Approach.” In Proceedings of the 12th International Conference on Digital Libraries for Musicology, 28–35. New York: Association for Computing Machinery, 2025. https://doi.org/10.1145/3748336.3748340.