学习系列课M5 · 职业版 AI 音乐 · 第 2 讲
本节目录

M5 · 职业版 AI 音乐 · 第 2 讲

第 2 讲:人声与编曲控制

让歌词能唱、声线可控、接缝不断

  • P1 已修
  • 45–60 分钟练习
  • 产出:90 秒人声片段

开场:副歌唱到第三句,字被吞了

你把歌词丢进去,副歌第二句“拥抱”被唱成“涌抱”,第三句抢了半拍;你整首重新生成,主歌的口气又不对了。来回抽卡半小时,越抽越不像同一首歌。

带人声的 90 秒,难点不是“生成一首歌”,而是四件事同时可控:歌词能唱、声线对、段落接得上、混音不打架。这一讲只做这四件事。

这一讲说的是唱出来的人声,不是口播配音;口播、数字人见第 15 讲和职业视频课第 5 讲,这里只做边界说明,不展开。

本课目标

  • 按主歌、预副歌、副歌写一版能唱的歌词,控制每行字数与押韵;
  • 用声线、唱法、语言、和声参数指定人声,不用“温暖治愈”这类空词;
  • 分段生成 90 秒片段,按小节拼接,导出可交付音频与参数记录;stems 视平台与计划而定。

一、歌词先按唱来写

歌词的第一标准是好唱,不是好看。读着拗口的句子,唱出来一定更拗口;一行塞两个长定语,人声就会赶拍。

90 秒的歌词只够三段:主歌 4 句、预副歌 2–4 句、副歌 4 句。不要加桥段,也不要在副歌后再来一段变奏;时间不够,结构越满越容易崩。

歌词按主歌—预副歌—副歌写;成片编排采用“副歌前置”:0–15 秒先放副歌 hook(记忆点),15–45 秒再进主歌与预副歌,45–75 秒副歌重复,75–90 秒尾奏。短视频前 3 秒要先抓住人,所以把最抓耳的一句放前面,不是把整首倒过来。

写的时候守住四条:

  • 一行一个气口,7–12 个汉字;副歌可以更短,6–10 个字;
  • 一行只放一个画面,不要在一句里又写景又讲道理;
  • 押近韵即可,AABB 或 ABAB 都行,先保证语义通,再修韵脚;
  • 多音字、生僻字、英文缩写先换成常用写法,模型更容易唱对。

示例歌词(课程示例数据,可直接替换):

[Verse]
凌晨的便利店还亮着灯
我把没说完的话说给风声

[Pre-Chorus]
如果明天还会下雨
你会不会多等一分钟

[Chorus]
别让雨停得太早
我还没学会拥抱
别让灯灭得太快
我还没走到你门外

副歌用“早/抱”“快/外”的近韵,不上严格韵表;唱起来顺,比押得准更重要。写完先朗读一遍,把拗口处改成短句,再进生成。

看一个改错示例:

原句:在那个下着雨的夜晚我独自一人走在回家的路上
改后:雨夜的路 我一个人走

原句 21 个字,两个长定语,人声只能赶拍;改后 9 个字,一个画面,留得出气口。歌词不是把话说完整,是把一句话削到能唱。

二、人声是参数,不是形容词

写“温暖治愈”,模型不知道你要什么;写声线、唱法、语言、和声,才有可复现性。

把人声拆成六个维度:

  • 性别与音域:female / male,low / high register;
  • 音色:breathy(气声)、clear(清亮)、raspy(沙哑)、warm(厚);
  • 唱法:belt(真声高音)、falsetto(假声)、whisper(耳语)、spoken-word(念白);
  • 语言与口音:Mandarin、Cantonese、English,是否 neutral accent;
  • 和声:light harmony、double-tracked chorus、no ad-libs;
  • 情绪强度:restrained verse、open chorus,用收与放描述,不用“感动”。
[Vocal]
female, Mandarin, neutral accent
verse: breathy, restrained, close-mic
chorus: clear belt, light harmony, no ad-libs

不同平台对同一个形容词的识别不同。先花两分钟生成 15 秒试声线,确认“是不是这个人”,再生成 90 秒;不要直接拿整段试错。以 ElevenLabs 为例,UI 选 music_v2_5;music_v1 于 2027-01-31 下线(截至 2026-11)。

人声和伴奏要分开描述。风格框写曲风与乐器,歌词框写结构与唱法;把“女声、气声、副歌真声”混进风格词,模型容易只顾一端。

语言与咬字再补三条:

  • 中文优先用开口音收尾,少用连续闭口音,副歌最后一句尤其要张开;
  • 英文单词、数字、缩写容易被唱错,能换成中文就换,必须保留时拆成音节写;
  • 粤语、普通话、英文不要在同一段里频繁切换,除非你明确要这个效果。

三、分段生成,按小节拼

90 秒不要一次生成;一次生成越长,中段漂移越大。先做副歌,再做主歌:副歌定记忆点,主歌为副歌让路。

本讲第 1 张表:三、分段生成,按小节拼
时间 段落(成片顺序,副歌前置) 生成重点 检查
0–15s 副歌 hook 先做最抓耳的一句,确定声线与速度 字清、拍稳、有记忆点
15–45s 主歌 + 预副歌 同一声线,收着唱,给副歌留空间 不抢拍、不吞字
45–75s 副歌重复 加和声或加鼓,不要换人声 与第一段同调同速
75–90s 尾奏 留 1–2 小节乐器,收住 尾音不拖、不硬切

操作顺序:

  1. 先生成 15 秒副歌,确定 key(调性)、BPM、声线;
  2. 用同一提示词生成主歌与预副歌,优先用平台的 extend(续写),不要跨项目另起一首;
  3. 在鼓点瞬态或小节线处切开,别切在人声长音中间;
  4. 接缝做 50–150ms 交叉淡化,听有没有爆音;
  5. 对齐人声与鼓点,再统一音量。

拼接常见的四个漂移,先听再修:

  • 调性漂移:接缝和弦不和谐。回到同一条生成链上 extend,不要拿另一首的段落硬拼;
  • 速度漂移:鼓点对不上。以鼓点瞬态对齐,必要时做 1–2% 的时间拉伸;
  • 人声距离漂移:一段近、一段远。统一混响与压缩,或重新生成该段;
  • 结尾不齐:尾音拖长或硬切。留一小节乐器,交叉淡化收尾。

接缝检查按三步走:先独奏人声,听有没有吞字、换气声突变;再独奏鼓,听拍点有没有漂;最后听全混,听接缝前后 3 秒有没有音量跳变。三步都过,再接下一段。

四、stems、音量与响度

先认三个单位:LUFS(Loudness Units Full Scale,综合响度)是整段音频的平均响度;dBTP(true peak,真峰值)是可能超过 0 dBFS 的峰值;dBFS(decibels full scale,数字满刻度)是采样峰值,0 dBFS 是上限。LUFS 不是峰值,不能拿人声峰值当交付响度。

能拿到 stems 就优先拿,客户改画面时返工最少。理想情况是 vocals、drums、bass、other 四轨;平台只给“人声/伴奏”两轨时,先确认够不够用,不要假装有四轨。拿不到 stems 就用伴奏版 + 人声版两轨交付,并在交付清单里写明“平台不提供 stems”。所有分轨从 0 秒开始,长度一致,不削波。

音量先给人声让路:人声峰值约 -6 到 -3 dBFS,伴奏比人声低 6–10 dB,这是起点不是铁律。手机外放听一遍,听不清字就继续降伴奏,不要靠加人声硬顶。这里的峰值与伴奏电平是混音阶段的相对关系;交付以母版 LUFS/dBTP 为准,母版阶段可以整体提升,不要用峰值代替响度。

响度按交付方要求走。流媒体常用约 -14 LUFS integrated、true peak -1 dBTP;视频项目常在 -16 到 -14 LUFS。这些是常见起点,不是统一标准,按平台要求复核(截至 2026-11)。平台会做归一化,不要用压限器把整体硬抬到 -8 LUFS,动态被压扁,人声反而更累。

测量路径:把成片拖进剪辑软件或 DAW,打开 Loudness Meter(响度表);没有就装免费插件(如 Youlean Loudness Meter)。读 Integrated LUFS 与 True Peak;平台只显示一项就记录显示值,其余标“待核实”。示例:-14.2 LUFS integrated / -1.0 dBTP。

本讲第 2 张表:四、stems、音量与响度
阶段/用途 格式 参数
混音起点 — 人声峰值约 -6 到 -3 dBFS;伴奏低 6–10 dB
成片母版(视频) WAV 24-bit / 48kHz,约 -14 LUFS,-1 dBTP
成片母版(纯音乐发行) WAV 24-bit / 44.1kHz,响度按平台要求复核
审片预览 MP3 320kbps,只用于沟通,不交母版
分轨 stems(可选) WAV 24-bit / 48kHz,同起点、同长度、不削波;拿不到用两轨

导出前检查:首尾静音、相位、单声道兼容、文件名。文件名写清项目、曲名、版本、日期,客户拿到就能归档。

五、45–60 分钟练习

任务:做一段 90 秒带人声的完整段落,交一版歌词和一份导出参数记录。

输入:用下面这条固定 4 格画面清单,不用自己找素材;没有视频就按画面描述做音频。

0–15 秒:雨夜便利店外,霓虹倒映在湿地,主角撑伞停下。 15–45 秒:店内货架,主角拿起一罐热咖啡,看向窗外。 45–75 秒:收银台,热饮冒雾气,主角扫码付款。 75–90 秒:门口,主角把咖啡揣进口袋,走进雨里。

歌词可以从这两句起头,再补成主歌 4 句、预副歌 2–4 句、副歌 4 句:

[Verse]
雨点敲着便利店的窗
我把伞收在门旁
[Pre-Chorus]
你说今晚会来
我等到咖啡变凉

导出前置:先确认账号能导出 WAV,且是否提供 stems。不能导出就换可导出工具或只交参数记录;没有 stems 就用伴奏 + 人声两轨,不要伪造四轨。

步骤:

  1. 写主歌 4 句、预副歌 2–4 句、副歌 4 句,标好段落标签(10 分钟);
  2. 生成 15 秒副歌,试 1–2 个声线,选 1 个,记下所选声线的六维参数(8 分钟);
  3. 用同一提示词生成主歌与预副歌,优先 extend(15 分钟);
  4. 按小节拼接,做交叉淡化,听接缝(8 分钟);
  5. 导出 WAV(有 stems 则一并导出),打开响度表读 Integrated LUFS 与 True Peak,记录 BPM、调性、响度、文件名(8 分钟)。

完成标准:

  • 90 秒内结构完整:副歌 hook → 主歌+预副歌 → 副歌重复 → 尾奏(副歌前置);
  • 副歌比主歌明显更强,有重复句和记忆点;
  • 副歌每个字能听清,没有明显吞字或抢拍;
  • 接缝无爆音、无明显调性/速度跳变;
  • 导出参数记录含格式、采样率、Integrated LUFS、True Peak;不显示的量已标“待核实”。
  • 没有 stems 时已交伴奏 + 人声两轨,并在记录里写明替代原因。

六、检查清单

  • [ ] 主歌/预副歌每行 7–12 字,副歌 6–10 字,一行一个气口;
  • [ ] 副歌有重复句,能记住;
  • [ ] 声线用参数描述,不用“温暖治愈”;
  • [ ] 先做副歌,再做主歌;
  • [ ] 接缝切在小节线或鼓点瞬态;
  • [ ] 人声 peak 约 -6 到 -3 dBFS,是混音起点,不是交付响度;
  • [ ] 母版响度用 Loudness Meter 读 Integrated LUFS 与 True Peak;
  • [ ] stems 同起点、同长度、不削波。
  • [ ] 拿不到 stems 时已用两轨替代,并在交付记录写明。

七、延伸阅读

下一讲:版权、商用与交付。你会把这段音乐变成客户敢收、你敢开票的交付包。