Shazam

1999年的一个深夜，英国企业家Chris Barton正在与一位朋友通长途电话。电话那头传来一首节奏明快的歌曲，他从未听过，却觉得异常动听。他急切地问朋友：“这是什么歌？”朋友也说不清，只记得旋律。挂断电话后，Chris Barton陷入了一种奇特的焦虑——他知道这首歌存在，却无法用任何方式将其从空气中捕获、命名。那个年代，没有Google的“哼唱搜索”，没有Shazam，没有Siri。如果你在收音机里听到一首好歌，你只能祈祷DJ在节目结束时念出歌名，或者记住几句歌词去问朋友，再或者——就像Chris Barton一样——在脑海里一遍遍回放那段旋律，直到它像幽灵一样萦绕不去。

这种“知道却找不到”的挫败感，催生了一个改变人类与音乐关系的想法：如果手机能像人的耳朵一样“听”懂音乐，并且立刻告诉你它是什么，那会怎样？这个想法在当时看起来近乎科幻。2000年前后，手机还被称为“功能机”，屏幕是单色的，网络是2G的，数据传输速度慢得像蜗牛爬行。大多数人用手机只做三件事：打电话、发短信、玩贪吃蛇。然而，Chris Barton和几位联合创始人——包括Avery Wang、Philip Inghelbrecht、Dhiraj Mukherjee——决定挑战这个不可能的任务。

他们最初给这项服务起了一个代号：“2580”。这个数字来自英国电话网络上的一个短号码，用户只需拨打2580，然后将手机靠近音源——比如收音机、酒吧的音响、电视——系统就会自动录制一段约15秒的音频片段，然后通过电话网络将这段音频数据发送到服务器进行识别。识别结果会以短信形式回复给用户，包含歌曲名和艺术家名。整个过程大约需要30秒到一分钟。这在2002年，简直是魔法。要知道，当时互联网上的音乐搜索还停留在手动输入关键词的阶段，而Shazam已经实现了“听音识曲”的实时交互。

但魔法背后是极其硬核的技术挑战。音频指纹（Audio Fingerprinting）是Shazam的核心技术，而这项技术的发明者是一位名叫Avery Wang的华裔科学家。Avery Wang在斯坦福大学获得博士学位，专攻信号处理和计算机听觉。他设计了一种算法，能够将一段音频信号转换成独特的“指纹”——一个紧凑的数字签名，就像人类的指纹一样，即使音频在嘈杂环境中被录制、被压缩、被降噪，它的指纹依然能够被准确匹配。更关键的是，Shazam的指纹算法对“局部”特征极为敏感：它不依赖于整首歌的完整波形，而是分析音频中那些最突出、最稳定的频率峰值（spectral peaks）。这意味着，即使你只录了10秒的片段，即使背景有噪音，系统也能在数百万首歌的数据库中快速找到匹配项。

这个数据库本身也是一个工程奇迹。在Shazam上线之初，它的音乐库只有约100万首歌。但每首歌的指纹数据被压缩到只有几百KB，整个数据库可以被存储在几台服务器上。当用户上传一段音频指纹后，服务器会在毫秒级别内完成比对。这种效率在当时是革命性的。相比之下，同时期的其他音频识别系统（如IBM的ViaVoice语音识别）需要数分钟甚至更长时间才能处理一段音频。Shazam的创新在于，它将“识别”过程从“完整波形匹配”简化为“稀疏特征匹配”，从而大幅降低了计算复杂度和存储需求。

2002年，Shazam作为一项电话服务在英国正式上线。用户拨打2580，听一段音乐，然后等待短信回复。这项服务很快获得了媒体关注，被形容为“用手机听歌识曲的奇迹”。但早期的Shazam面临一个尴尬的现实：它只能在英国使用，而且每次识别收费约50便士。用户基数增长缓慢，因为大多数人并不愿意为识别一首歌支付电话费。更糟糕的是，功能机的音频录制质量很差，很多识别请求因为噪音过大而失败。Shazam的团队意识到，如果只依赖电话网络，这项服务永远无法成为主流。

真正的转折点出现在2008年。那一年，苹果公司推出了App Store，Shazam迅速成为首批入驻的应用之一。iPhone的麦克风质量远高于功能机，而且应用内识别完全免费（后来通过广告和增值服务盈利）。Shazam的iOS应用一经发布，下载量在几个月内突破1000万次。用户只需打开应用，点击一个按钮，手机就会自动“听”音乐，几秒后返回结果。这个“一键识别”的交互设计极其简洁，以至于后来成为所有音乐识别应用的标配。Shazam的团队后来回忆说，他们最初担心用户不会理解“用手机听歌”这个概念，于是设计了一个巨大的、会跳动的“Shazam”按钮作为视觉引导。事实证明，这个按钮成了App的象征，用户甚至发明了一种“Shazam社交”——在聚会中，有人会突然举起手机，对着音响按下按钮，然后所有人安静等待结果，仿佛在进行一场仪式。

从2008年到2014年，Shazam经历了爆炸式增长。2011年，它的用户数突破1亿；2014年，累计识别次数超过150亿次。Shazam不再只是一个工具，它变成了一种文化现象。人们开始用它来“捕捉”生活中遇到的所有音乐——超市的背景音乐、街边艺人的弹唱、电影片尾的配乐、甚至自己哼唱的旋律（Shazam后来加入了哼唱识别功能）。Shazam的数据库也从最初的100万首歌扩展到超过4000万首，覆盖了几乎所有主流音乐平台的内容。

但Shazam的野心不止于识别。它逐渐演变成一个音乐发现和社交平台。用户识别一首歌后，可以直接在Shazam内观看歌词、MV、购买门票、收藏到播放列表。2014年，Shazam与Spotify达成深度合作，用户可以在Shazam内一键将歌曲添加到Spotify歌单。这种“识别-发现-消费”的闭环，让Shazam从一个工具变成了音乐生态的入口。数据显示，Shazam识别出的歌曲中，有超过30%的用户会进一步在流媒体平台上收听或购买，这使其成为音乐产业中重要的“流量分发器”。唱片公司开始主动向Shazam提供新歌的预览片段，以便在歌曲正式发布前就获得识别数据。Shazam甚至能够预测一首歌是否会成为热门——因为当大量用户在短时间内识别同一首歌时，它往往预示着这首歌即将爆红。

2018年，苹果公司以约4亿美元的价格收购了Shazam。这笔交易在当时引发了广泛讨论：为什么苹果要花4亿美元买一个“听歌识曲”应用？答案藏在苹果的生态战略里。Shazam的音频指纹技术可以无缝嵌入Siri和Apple Music。收购后，用户只需对Siri说“这是什么歌”，Siri就会调用Shazam的引擎进行识别。同时，Shazam的识别数据被用来优化Apple Music的推荐算法——当大量用户在某个地点、某个时间识别同一首歌时，系统可以推断出这首歌的流行趋势，并自动将其加入“热门歌单”。此外，Shazam还成为了苹果在“听歌识曲”领域的护城河：Google的“Now Playing”功能和SoundHound虽然也提供类似服务，但Shazam的数据库规模、识别速度和用户习惯已经形成了难以逾越的壁垒。

如今，Shazam的全球下载量已超过10亿次，每月活跃用户超过2亿。它被嵌入iPhone、iPad、Mac、Apple Watch和HomePod中，成为苹果生态的“默认耳朵”。但Shazam的意义远不止于一个商业产品。它是音频指纹技术大规模商业化的先驱，开创了“听歌识曲”这一全新交互范式。在它之前，人们只能通过歌词、专辑封面或朋友口述来寻找歌曲；在它之后，任何一段声音都可以成为搜索起。这种“从声音到信息”的转变，深刻影响了后续的音频识别应用——比如Google的“Now Playing”（自动识别背景音乐）、Snapchat的Shazam集成（用户可以通过Snapchat摄像头识别音乐）、甚至TikTok的“音乐标签”功能。Shazam还推动了移动设备与云服务的结合：它证明了手机麦克风不仅可以用来通话和录音，还可以作为“传感器”来采集环境信息，并通过云计算进行实时分析和反馈。这种“端+云”的架构，后来被广泛应用于语音助手、图像识别、实时翻译等领域。

在科技史中，Shazam是一个被低估的里程碑。它诞生于功能机时代，却定义了智能手机时代的交互方式。它最初只是一个电话服务，后来却变成了一个音乐帝国。它的创始团队中，Chris Barton后来成为天使投资人，Avery Wang继续深耕音频技术，Philip Inghelbrecht和Dhiraj Mukherjee则投身其他创业项目。但Shazam的故事并没有结束：随着苹果将它的技术融入更多产品，它正从“听歌识曲”进化为“环境声音识别”——未来，它可能识别鸟鸣、机器故障、甚至人的情绪。正如Chris Barton在2019年的一次访谈中所说：“我们最初只是想解决一个简单的问题——‘这是什么歌？’但后来发现，这个问题背后是人类对未知声音的本能好奇。Shazam只是给了这种好奇一个出口。”

最后，分享一个有趣的轶事：Shazam的创始团队在开发初期，曾经为了测试识别算法，在办公室里轮流播放各种歌曲，然后用手机录制。有一次，他们播放了一首非常冷门的独立摇滚乐队的歌，结果服务器竟然成功识别了出来。团队成员兴奋地跳起来，但随后发现，那首歌其实是他们自己录制的Demo，根本没有公开发行过。原来，算法“误认”了另一首旋律相似的歌。这个插曲让他们意识到，音频指纹的“误识别”问题比想象中更复杂，但也正是这种对细节的执着，才让Shazam最终成为全球最可靠的音乐识别工具之一。