Mindket
简体中文
English简体中文
登录注册
商店MCP技能计算器学习价格博客
发现
研究314写作59商务95法律13财务33营销175开发1,432效率391教育81陪伴14
帮助与支持
语言
English简体中文
AI 语音与音乐：语音合成、声音克隆与歌曲第 3 节，共 4 节

AI 怎样做歌曲：描述风格、写歌词，并了解规则

Mindket 编辑部 · 发布于 · 阅读约 7 分钟

黑色横幅，标题是“AI 语音与音乐”，下面是“语音合成、声音克隆、歌曲与配音”。

做一首 AI 歌曲，要给出两样东西：一段描述风格的文字，以及带结构标签的歌词，比如 [Verse 1] 和 [Chorus]。Suno、Udio 这类托管工具在浏览器里就能用，ACE-Step 1.5 这类开源模型则在你自己的电脑上运行，许可证公开可读。卖歌之前，先读许可。

本节内容

  • 风格描述里写流派、乐器、情绪和速度，结构则写在歌词里。
  • 一次做两到四个版本，留下效果最好的那个。
  • 某一段不理想，就原地重绘，不要整首重来。
  • 发布或出售模型生成的歌曲之前，先查它权重的许可。
  • 把项目自己写的“比 Suno 好”，当作它的一家之言，不是测量结果。
全部课程
本页目录
  1. 开始之前
  2. 用 ACE-Step 的 Simple 模式做第一首歌
  3. 自己掌控：风格描述、歌词和设置
  4. 修一首歌，不要重来
  5. 看 XL 模型演奏各种流派
  6. 开源模型，以及它们的许可允许什么
  7. Suno 和 Udio：到目前为止发生了什么
  8. 常见错误
  9. 动手试试
  10. 下一课：AI 配音
  11. 自测一下
  12. 常见问题
  13. 资料来源

开始之前

所有 AI 歌曲工具要的输入都是同样两样。第一样是风格描述（caption），用一小段话说明风格：流派、乐器、情绪和速度。第二样是歌词，里面用 [Verse 1] 和 [Chorus] 这样的标签告诉模型每一段从哪里开始。有些工具只要你一句话，就把两样都替你写好。

运行方式有两种。Suno 或 Udio 这样的托管工具，在浏览器里就能用。ACE-Step 1.5 这样的开源模型，在你自己的电脑上运行，它的许可是一份你能读的文本文件。AI 音乐生成器那一课对比了托管套餐，也讲了 ACE-Step 的安装，所以这一课从操作界面讲起。

用 ACE-Step 的 Simple 模式做第一首歌

ACE-Step 有一个网页界面。在项目文件夹里用 uv run acestep 启动，再打开 http://localhost:7860。第一次运行会下载模型。

Gradio 指南把 Simple 模式称作最快的路线。你只写一句话，模型里的语言模型就替你起草风格描述、歌词和各项设置，供你查看。

  1. 在 Generation Mode 选择器里选 Simple。
  2. 输入一句歌曲描述。指南给的例子有“a soft Bengali love song for a quiet evening”和“jazz trio playing in a smoky bar”。
  3. 不想要人声就勾选 Instrumental，想要人声就选一个人声语言。
  4. 点 Create Sample。模型会写出风格描述、歌词和元数据，你先看一遍再往下走。
  5. 点 Generate Music 生成音频。
  6. 听生成的结果。Batch Size 决定返回几个版本，默认是两个。

自己掌控：风格描述、歌词和设置

Custom 模式会显示所有字段。写风格描述时，指南要求你说具体：流派和风格、乐器、情绪和氛围，BPM 留空时再加上速度的感觉。它的示例描述是“upbeat pop rock with electric guitars, driving drums, and catchy synth hooks.”

在歌词字段里，结构靠标签来表达。指南标出一段主歌和一段副歌的写法是这样的。

[Verse 1]
Walking down the street today
Thinking of the words you used to say

[Chorus]
I'm moving on, I'm staying strong
This is where I belong
  • BPM、调性和时长留空，让语言模型自己判断，并保持 Think 勾选。
  • 想再得到同一首歌，就取消勾选 Random Seed 并填一个种子，或者对喜欢的那一批点 Apply These Settings to UI。
  • 点 Format，可以在生成前让语言模型改进风格描述和歌词。
  • 指南建议做两到四个版本，从里面挑最好的。
取自 ACE-Step 的 Gradio 指南，2026 年 11 月 6 日阅读。
字段设置什么范围或默认值
BPM每分钟的节拍数，也就是速度30 到 300，默认自动
Key Scale调性，比如 C Major 或 Am默认自动
Time Signature2 代表 2/4，3 代表 3/4，4 代表 4/4，6 代表 6/8默认自动
Audio Duration时长，单位是秒10 到 600，填 -1 由模型决定
Batch Size一次返回多少个版本1 到 8，默认两个
Seed歌曲用哪一个随机起点-1 表示每次换一个新的

修一首歌，不要重来

同一个界面也能修改已有的音频。把歌曲作为 Source Audio 上传，选一个模式，再写一段风格描述说明你想要什么。Turbo 和 SFT 模型有四种模式，Base 模型再多三种。

最值得记住的是 Repaint。它只重新生成你选定的那几秒，其余保持不变，所以一首好歌里只有一段副歌不理想，也不必重新跑一遍。

取自 ACE-Step 的 Gradio 指南，2026 年 11 月 6 日阅读。
模式做什么要设置什么
Remix改变风格，保留旋律结构Remix Strength，范围 0.0 到 1.0，越高越接近原曲
Repaint重新生成一个时间段，其余保持不变Repainting Start 和 End，单位是秒，-1 表示文件末尾
Extract分离出一条乐器音轨，仅限 Base 模型一个音轨名，比如 vocals、drums、bass 或 strings
Lego添加一条新的乐器音轨，仅限 Base 模型一个音轨名，以及对它的描述
Complete用选定的乐器补全一条不完整的音轨，仅限 Base 模型若干音轨名和一段描述

看 XL 模型演奏各种流派

2026 年 4 月 9 日，AI Search 频道发布了对 ACE-Step XL 模型的评测和教程，距这些模型发布过了一周。它的章节列表先是一连串演示，从灵魂 R&B 抒情曲、意大利歌剧、拉丁 trap 一直到探戈。接着是基准测试、显存和量化，一段赞助商内容，以及安装，从 Git 到下载 XL 模型再到使用界面，最后一章是更多功能。安装步骤是四月的，当前的步骤以 README 为准。

AI Search 评测 ACE-Step 的 XL 模型并播放它们生成的歌曲，发布在自己的频道，时间是 2026 年 4 月 9 日。

开源模型，以及它们的许可允许什么

ACE-Step 的最新版本是 MIT 许可，模型卡说生成的音乐可以商用。更早的第一版是 Apache 2.0。模型卡列出的训练数据是：获得授权的曲目、免版税和公有领域的音乐，以及用 MIDI 合成的音频，这是项目对自己数据的说法。

YuE2 按你是谁来分条款。它的代码是 Apache 2.0，权重是 CC BY-NC 4.0，另加一条创作者许可。个人用户、创作者和音乐人可以把产出变现，不必向作者付费，学术研究可以非商业免费使用，公司则要联系作者洽谈商业许可。

MusicGen 的权重是 CC-BY-NC 4.0，所以是非商业的。它的模型卡说，训练数据获得授权，而且人声已被去掉，模型也无法生成逼真的人声。

每个项目也会给自己打分。ACE-Step 的 README 说它的质量在 Suno v4.5 和 Suno v5 之间，这句话没有写明用的是哪个基准。YuE2 的 README 说，它在 WildSongBench 上可与 Suno v5 和 v6 比肩，这是一次 192 条提示词的自动评测，日期是 2026 年 9 月 12 日。在它的表格里，YuE2 的 SongBench 平均分是 6.7316，八选一取最好时是 6.9632，Suno v5 是 6.8721，README 还补充说，排名随指标而变。这两句都当成项目自己的说法。

三个开源音乐模型的对比
ACE-Step 1.5YuE2MusicGen
能唱你写的歌词是是否
做出什么10 秒到 10 分钟的完整歌曲带可编辑乐谱的完整歌曲纯器乐
权重的许可MITCC BY-NC 4.0 加创作者许可CC-BY-NC 4.0
页面写明的硬件不到 4 GB 显存，XL 模型要更多24 GB 显存，Linux，NVIDIA 显卡模型卡没有写

来源：GitHub: ACE-Step/ACE-Step-1.5 README (2026年11月6日 查阅)；GitHub: multimodal-art-projection/YuE README (2026年11月6日 查阅)；Hugging Face: facebook/musicgen-small model card (2026年11月6日 查阅)

Suno 和 Udio：到目前为止发生了什么

在托管服务上做出的歌曲能用来干什么，由那家服务自己的条款规定。这里不概述那些页面，发布任何东西之前请自己去读。围绕这两家服务的法律局面一直在变，下面的日期来自维基百科上关于它们的文章，2026 年 11 月 6 日阅读。

这是一份有报道的事件清单，不是法律意见，其中任何一项都可能变化。

  1. 唱片公司起诉 Suno 和 Udio

    美国唱片业协会牵头的诉讼指控两家公司大规模侵犯录音版权。

    来源：Wikipedia: Suno (2026年11月6日 查阅)

  2. Udio 与环球和解

    案件以授权协议告终。Udio 表示将推出只用获授权音乐训练的平台，并给用户 48 小时下载自己的歌曲。

    来源：Wikipedia: Udio (2026年11月6日 查阅)

  3. Suno 与华纳和解

    Suno 与华纳音乐集团和解，并签下授权协议，表示 2026 年将推出新的、获授权的模型。

    来源：Wikipedia: Suno (2026年11月6日 查阅)

  4. Suno 与 BMG 签约

    一份全球授权协议，同时了结了 Suno 过去使用 BMG 录音和歌曲的问题。

    来源：Wikipedia: Suno (2026年11月6日 查阅)

  5. Suno 增加每月下载上限

    在 v6 之前推出，目的是限制歌曲在流媒体平台上的大量发行。

    来源：Wikipedia: Suno (2026年11月6日 查阅)

  6. Suno 发布 v6

    三个模型取代此前所有模型。Suno 说它们是和华纳、BMG 及 Believe 一起开发的。

    来源：Wikipedia: Suno (2026年11月6日 查阅)

  7. 环球和索尼再次起诉

    第二起诉讼涉及 60,202 首录音，主张用早期模型的产出训练 v6，等于让侵权延续。Suno 称这些主张有缺陷。

    来源：Wikipedia: Suno (2026年11月6日 查阅)

常见错误

  • 风格描述只写一个词，然后奇怪歌为什么听起来很普通。
  • 习惯性地填上 BPM、调性和时长，其实留空的字段会替你检测。
  • 为了修一小段不理想的地方整首重来，而不是只重绘那几秒。
  • 只留第一个结果，不做两到四个版本。
  • 在 Turbo 模型上选 Extract、Lego 或 Complete，而这三种需要 Base 模型。
  • 出售用 CC BY-NC 许可的权重做出的歌。
  • 把 README 里对比 Suno 的排名，当成测量结果。

动手试试

  • 给同一份歌词写三段风格描述，每段一种流派，各做一批再对比。
  • 做一首歌，找出最弱的十秒，只重绘那一段。
  • 打开你用的模型的许可文件，写下它允许你做的一件事和不允许的一件事。
  • 读一遍上面的时间线，再打开一个托管工具的条款页，看看它关于商用说了什么。

下一课：AI 配音

声音和歌曲，都是你自己做出来的音频。AI 配音则让音频为一段现成的视频服务：转写、翻译、把译文说出来，再对上口型。

自测一下

  1. 在 ACE-Step 的 Custom 模式里，[Verse 1] 和 [Chorus] 这样的标签要写进哪里？

    查看答案

    D. Lyrics 字段 指南说歌词要带结构标签输入，它的示例标出了一段主歌和一段副歌。BPM、种子和源音频接收的是别的输入。

  2. ACE-Step 的哪个模式只重新生成你选定的那几秒，其余保持不变？

    查看答案

    A. Repaint Repaint 接收以秒为单位的起点和终点。Remix 改变整首歌的风格，Extract 和 Complete 是处理音轨的 Base 模型模式。

  3. MusicGen 的模型权重采用什么许可？

    查看答案

    C. CC-BY-NC 4.0 模型卡说代码是 MIT，权重是 CC-BY-NC 4.0，属于非商业许可。

  4. YuE2 的 README 说，公司要商用它的权重必须怎么做？

    查看答案

    B. 联系作者洽谈商业许可 个人用户和创作者可以把产出变现，但公司要就权重洽谈商业许可，权重是 CC BY-NC 4.0 加一条创作者许可。

常见问题

发布歌曲时，必须给模型署名吗？

YuE2 的 README 强烈鼓励你分享生成的作品时署名 YuE2 或加上 #YuE2 标签，并说署名是可选的。ACE-Step 的 README 鼓励用户核实作品的原创性、清楚说明有 AI 参与，并在借用受保护的风格时取得许可。MusicGen 的模型卡没有提到给歌曲署名。请读你所用模型的许可文本。

做一首歌要多久？

ACE-Step 的 README 称，A100 上一首完整的歌不到 2 秒，RTX 3090 上不到 10 秒。在 A100 上最快是 0.5 秒，具体时间视 think 模式和扩散步数而定。这些是项目自己的数字。托管工具则各有各的排队方式。

AI 能唱中文或其他语言吗？

ACE-Step 的 README 说，歌词支持 50 多种语言，界面里也有 Vocal Language 设置。YuE2 的演示清单里，有一首从普通话流行乐变成英文爵士的歌。

做 AI 音乐需要显卡吗？

对 ACE-Step，README 推荐 CUDA 显卡，同时列出了苹果芯片、AMD、Intel 和 CPU 这几条路。README 说它不到 4 GB 显存就能运行，更大的 XL 模型在卸载到内存的情况下至少需要 12 GB。

Suno 和 Udio 还在被起诉吗？

是的，而且不止一个法庭。在 2026 年 11 月 6 日读到的维基百科 Suno 词条里，Suno 已与华纳和 BMG 和解，环球和索尼仍是原告，并在 2026 年 9 月 18 日提起了第二起诉讼。词条还列出，慕尼黑法院在 GEMA 的案件中判 Suno 败诉，Koda 在哥本哈根起诉，Round Hill 也提起了诉讼。此外还有 SOCAN 在加拿大提出的索赔，以及音乐人 Jason Isbell 和另外三位艺术家提起的集体诉讼。它的 Udio 词条说，Udio 与环球的案件以和解告终。案件和协议变化很快，请查一个最新的来源。

资料来源

  1. GitHub: ACE-Step/ACE-Step-1.5 README (2026年11月6日 查阅)https://github.com/ACE-Step/ACE-Step-1.5
  2. GitHub: ACE-Step 1.5 Gradio guide (2026年11月6日 查阅)https://github.com/ACE-Step/ACE-Step-1.5/blob/main/docs/en/GRADIO_GUIDE.md
  3. Hugging Face: ACE-Step 1.5 model card (2026年11月6日 查阅)https://huggingface.co/ACE-Step/Ace-Step1.5
  4. GitHub: ace-step/ACE-Step README (2026年11月6日 查阅)https://github.com/ace-step/ACE-Step
  5. GitHub: multimodal-art-projection/YuE README (2026年11月6日 查阅)https://github.com/multimodal-art-projection/YuE
  6. Hugging Face: facebook/musicgen-small model card (2026年11月6日 查阅)https://huggingface.co/facebook/musicgen-small
  7. Wikipedia: Suno (2026年11月6日 查阅)https://en.wikipedia.org/wiki/Suno
  8. Wikipedia: Udio (2026年11月6日 查阅)https://en.wikipedia.org/wiki/Udio
  9. YouTube: AI Search, The BEST local AI music generator is here! Free & unlimited (2026年11月6日 查阅)https://www.youtube.com/watch?v=UAlLD5fS7-c

分享本节课

对比托管的 AI 音乐生成器

Mindket 在一节课里，把歌曲、背景音乐、音效和录音降噪工具放在一起对比。

对比音乐生成器

本节课的 Markdown 版本 · AI 语音与音乐：语音合成、声音克隆与歌曲 · 全部课程