鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

后版权时代,汽水音乐掀桌?

编程导航
编程导航
2025-11-18 12:30
阅读 314
编程导航
2025-11-18 12:30
阅读 314

当从业者们感叹着AI对于音乐创作的冲击时,一个更大的搅局者已经出现了。

QuestMobile数据显示,截至2025年9月,汽水音乐的活跃用户规模已达1.2亿,成为仅次于酷狗音乐、QQ音乐、网易云音乐的行业第四。

这款背靠字节跳动的音乐流媒体,正凭借“短视频+音乐”的差异化路径,在腾讯音乐与网易云音乐的夹缝中快速成长,让传统巨头不得不重新审视自己的护城河。

资本市场对此反应敏锐,在腾讯音乐2025年三季报发布后,其股价单日跌幅11%;网易云音乐近一周的股价跌幅更接近20%。需要注意的是,腾讯音乐三季报的表现相当不错,总收入为84.6亿元,同比增长20.6%;调整后净利润为24.8亿元,同比增长27.7%。

由此可见,腾讯音乐和网易云音乐股价的调整,更多是资本市场对在线音乐市场格局生变的担忧,“后浪”凶猛,“前浪”又会否跌倒在沙滩上?

后起之秀的“奇袭”

汽水音乐的“奇袭”,离不开“天时、地利、人和”。

音乐流媒体本质是“二道贩子”的生意,音乐版权是平台参与市场竞争的基础。行业早期,主流音乐平台的资本厚度基本决定了版权护城河的深度。背靠腾讯的腾讯音乐一度囊括了绝大部分热门歌曲的独家版权。

不过这种局面在20年后迎来了转机。2021年,监管层明确要求,之后各平台不得再签订新的音乐独家版权。随后到2022年底,各家平台已经开始为共享版权做准备。

独家版权的松绑,让汽水音乐找到了切入市场的天时。2022年6月,汽水音乐正式上线。

和其他同行相比,汽水音乐最显著的特点莫过于,它是长在抖音上的。汽水音乐和抖音数据互通,用户可以直接用抖音账号登录。用户在抖音、红果短剧等APP上发现的好音乐,可以一键跳转至汽水音乐收听。这样一来,不仅降低全欧水音乐吸引新用户的成本,也显著提升了用户的黏性。

同时,汽水音乐还复制了抖音的算法推荐和短视频体验。用户每次上滑筛选歌曲时,最先听到的是歌曲的高潮片段,最先看到的是歌曲的精彩评论,这种交互往往更能刺激用户的探索欲,让人沉浸在“刷歌”的快感中。

根据Sensor Tower监测,同时使用抖音和汽水音乐的用户占比达38%,另外,汽水音乐去年TOP1000热歌中有86%均源自抖音的推动。

最后,汽水音乐设计了一个极低的使用门槛,用户只要每天登陆就能领取会员,即便购买会员,其会员费也跟行业持平,且没有“套娃式收费”。这切中了相当一部份用户的需求。

今年三季度,腾讯音乐的付费用户规模在三季度净增130万,达到1.26亿,但同比增速已从今年一季度的8.3%降至三季度的5.6%,意味着愿意掏钱的用户也在变少。在社交平台上,不乏“卸载QQ和网易云转投汽水” “用汽水再也不用掏钱”等用户发声。比如小红书用户“牛魔王”表示,“原来使用QQ音乐,一个月VIP 15元,购买数字CD 30元,才能听到朴彩英的专辑,现在汽水音乐打卡领会员就能免费听,已经不想续费QQ音乐。”

短短三年时间,汽水音乐的月活用户规模就从600万爆发式增长至1.2亿,直逼网易云音乐的1.47亿,仅在今年三季度就净增了2000多万用户,9月活跃用户同比增速更高达90.7%。

相较之下,长期霸占在线音乐市场份额的“双雄”——腾讯音乐与网易云音乐,两者加起来的市场份额虽然超过了90%,却陷入了用户增长乏力的窘境。

截至今年三季度,腾讯音乐的在线音乐月活已连续16个季度同比下降,三季度月活跃用户数为5.51亿,同比下降了4.3%;网易云音乐也不遑多让,整体月活用户基数已从2023年的2.06亿人下滑至今年三季度不足1.5亿人。

音乐玩家的生态突围

汽水音乐来势汹汹,腾讯音乐和网易云音乐也感受到压力,这种压力并非仅源于用户被分流,而是汽水音乐“免费+碎片化听歌+病毒式传播”的非常规打法,打乱了行业原有的节奏——让越来越难撬动的用户付费意愿被进一步稀释,倒逼“双雄”重新审视自己的商业逻辑。

先看目标用户。近年,腾讯音乐和网易云音乐的用户规模都出现了下滑,而汽水音乐的用户规模却日益壮大,这很容易给人错觉,汽水音乐的用户增量是从其他平台手上抢来的。

但QuestMobile数据给出了关键洞察,汽水音乐与QQ音乐、网易云音乐的用户交叉重叠仅为2%–3%,这意味着汽水音乐的增量用户并非主要来自对传统平台的分流,而是抖音生态的引流,数据显示,其超80%的流量均来自抖音。

因此,与其说汽水音乐在抢夺用户,不如说它激活了新的增量层,将大量游离于传统“听歌场景”之外的用户,转化为平台用户。这部分用户往往更看重碎片化、随时随地的免费听歌体验,付费意愿较低,也让行业原本依赖的付费变现逻辑受到冲击。

再看收入模式。传统的音乐平台更像是一个唱片店,用户每月支付会员费就可以随意听歌。对用户来说,相较于以往单独为每一张唱片付费,会员模式自然更划算,为此,他们也愿意忍受偶尔弹出的广告页面。

以腾讯音乐为例,其在2025年三季度的在线音乐订阅收入为45.0亿元,占总收的53.2%;广告收入、线下演唱会收入等其他业务收入合计39.6 亿元,占比为46.8%。

但汽水音乐的打法却与传统平台截然不同,其商业模式更接近“流量入口”而非“内容平台”。汽水音乐采取的是“免费+订阅”双模式,虽然其也布局了付费会员与广告收入两大变现路径,但却通过大量优惠措施,比如登录打卡领会员、周卡低价包等,降低了用户的使用门槛。

短期之内,汽水音乐很难从这两大业务中稳定盈利,但它背靠字节生态,并不缺乏其他优质的变现土壤:比如将爆款歌曲赋能短视频生态,吸引更多用户和商家;在汽水音乐的推荐流中加入抖音音乐直播间,实现粉丝点歌、打赏等互动付费场景。

汽水音乐这种生存模式,也更切合后版权时代的行业逻辑,不同音乐平台无需再陷入版权内卷,而是可以依托背后的生态资源和自身基因,拓展出多元的变现路径与增长空间。

在生态布局方面,近年各大音乐平台都开始加码“音乐+生态”,进一步深耕用户价值,打破单一听歌场景的局限。

比如腾讯音乐开始加速向泛娱乐生态布局,通过明星合作、综合合作、举办演唱会等方式,增强平台影响力和用户活跃,构建平台的“第二增长曲线”;

网易云音乐则强调“音乐即社交”,通过强化用户间的情感共鸣来加深粘性,同时拓展播客、有声书等音频品类,丰富生态内容矩阵。

两者的生态氛围各有特色,汽水音乐也深知很难靠模仿实现超越,因此其选择了“去中心化”的音乐流模式,更侧重通过算法挖掘长尾音乐与用户需求的匹配度。不少用户反馈,汽水音乐的算法推送比自己惯常使用的QQ音乐、网易云音乐都更加精准。

从短期爆发力来看,汽水音乐“不走寻常路”的打法,帮助它快速完成了初始用户的积累,待跑马圈地阶段结束,其自然会有更充足的资源和动力,进一步夯实平台的竞争力。

后版权时代的博弈

汽水音乐这个“新物种”能否凭借差异化打法站稳脚跟、改写行业格局?

目前来看,QQ音乐、酷狗音乐、网易云音乐都已形成了一定的定位区隔:QQ音乐主打版权深度与高价值用户,网易云音乐聚焦社区与独立音乐,酷狗音乐发力K歌场景与大众市场,而汽水音乐则开拓出新的增量层,精准对接碎片化听歌需求的泛用户。

但“后版权时代”并不意味着版权不重要了,实际上腾讯音乐、网易云音乐等平台在版权曲库、社交氛围、用户心智和音乐生态等方面的积累让它们形成了深厚壁垒,这些并非汽水音乐短期内能够撼动的。

换句话说,音乐市场的版权壁垒虽然已破,但用户的心智壁垒却依然牢固。再加上版权背后需要真金白银的持续投入,腾讯音乐所拥有的“硬实力”,让它即便面对行业竞争,也很难陷入被动。

不过汽水音乐的出现也倒逼“双雄”跳出舒适区加速革新。同时汽水音乐所吸引来的碎片化用户,也帮助扩大了整个音乐市场的规模,对所有音乐玩家而言,都是利好。

在商业世界中,有竞争才有动力变革,对于“听歌的我们”来说,未尝不是好事。(楷楷)

原文链接: 后版权时代,汽水音乐掀桌?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230