# AI 怎样做歌曲：描述风格、写歌词，并了解规则

> 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。

Mindket 编辑部 · 发布于 2026-11-06 · 更新于 2026-11-06 · https://mindket.com/cn/learn/ai-voice-music/ai-music

## 要点

- 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。

## 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](https://mindket.com/cn/learn/ai-tools/best-ai-music-generator)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。

````text
[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。

| 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 Signature | 2 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。

| 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。

[The BEST local AI music generator is here! Free & unlimited](https://www.youtube.com/watch?v=UAlLD5fS7-c)

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 1.5 | YuE2 | MusicGen |
| --- | --- | --- | --- |
| 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 | MIT | CC 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](https://github.com/ACE-Step/ACE-Step-1.5) (2026-11-06 查阅)；[GitHub: multimodal-art-projection/YuE README](https://github.com/multimodal-art-projection/YuE) (2026-11-06 查阅)；[Hugging Face: facebook/musicgen-small model card](https://huggingface.co/facebook/musicgen-small) (2026-11-06 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. **2024年6月** 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。
2. **2025年10月** 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。
3. **2025年11月** 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。
4. **2026年8月** 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。
5. **2026年9月3日** 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。
6. **2026年9月9日** 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。
7. **2026年9月18日** 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](https://en.wikipedia.org/wiki/Suno) (2026-11-06 查阅)；[Wikipedia: Udio](https://en.wikipedia.org/wiki/Udio) (2026-11-06 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](https://mindket.com/cn/learn/ai-voice-music/ai-dubbing)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？

   A. BPM 字段
   B. Seed 字段
   C. Source Audio 框
   D. Lyrics 字段

   答案：D。 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？

   A. Repaint
   B. Remix
   C. Extract
   D. Complete

   答案：A。 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？

   A. MIT
   B. Apache 2.0
   C. CC-BY-NC 4.0
   D. Coqui 许可

   答案：C。 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？

   A. 按首付费
   B. 联系作者洽谈商业许可
   C. 每首歌都署名 YuE
   D. 不用做什么，因为代码是 Apache

   答案：B。 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

- [GitHub: ACE-Step/ACE-Step-1.5 README](https://github.com/ACE-Step/ACE-Step-1.5) (2026-11-06 查阅)
- [GitHub: ACE-Step 1.5 Gradio guide](https://github.com/ACE-Step/ACE-Step-1.5/blob/main/docs/en/GRADIO_GUIDE.md) (2026-11-06 查阅)
- [Hugging Face: ACE-Step 1.5 model card](https://huggingface.co/ACE-Step/Ace-Step1.5) (2026-11-06 查阅)
- [GitHub: ace-step/ACE-Step README](https://github.com/ace-step/ACE-Step) (2026-11-06 查阅)
- [GitHub: multimodal-art-projection/YuE README](https://github.com/multimodal-art-projection/YuE) (2026-11-06 查阅)
- [Hugging Face: facebook/musicgen-small model card](https://huggingface.co/facebook/musicgen-small) (2026-11-06 查阅)
- [Wikipedia: Suno](https://en.wikipedia.org/wiki/Suno) (2026-11-06 查阅)
- [Wikipedia: Udio](https://en.wikipedia.org/wiki/Udio) (2026-11-06 查阅)
- [YouTube: AI Search, The BEST local AI music generator is here! Free & unlimited](https://www.youtube.com/watch?v=UAlLD5fS7-c) (2026-11-06 查阅)

[对比音乐生成器](https://mindket.com/cn/learn/ai-tools/best-ai-music-generator)