做短演示视频的人常遇到同一个问题：画面剪好了，背景音乐还没着落。素材站要订阅，免费曲库又带着看不懂的授权条款。有人干脆花了几个周末，把文本生成音乐的工具挨个试了一遍，目标只有一个——给自己的项目配上能用的背景音。

打开网易新闻 查看精彩图片

结论先摆出来：决定成品好坏的不是工具多贵，而是你写的那段描述够不够具体。模糊的提示词只会换来一首泛泛的曲子，具体的提示词才能得到真正能用的东西。

文本生成音乐的逻辑并不复杂。你用日常语言描述一首歌，模型把这段描述转成音频。有的工具能出带人声的完整歌曲，有的专攻纯器乐，比如电影感的配乐或循环播放的背景段。

想让结果可用，提示词至少要覆盖六项：曲风、情绪、速度、乐器、人声、结构。不需要华丽的措辞，清楚就行。一个实际用过的例子是这样的：

  • Lo-fi hip hop 纯器乐，75 BPM
  • 温暖的电子钢琴，轻微黑胶底噪，鼓点柔和
  • 情绪放松，无人声，时长约90秒
  • 结尾做成便于循环的简单收束

其中速度和"无人声"这两项带来的差别最大。缺了它们，生成的曲子里会冒出根本没要求过的含糊人声。点名两三种乐器，也能让声音更聚焦，不至于糊成一团。

流程可以拆成六步走。先想清楚这段音乐要干什么——是视频背景、歌曲小样，还是游戏循环段，答案会决定后面所有选择。然后起草提示词，把六项要素填进去。

接着一次生成三到五个版本，模型每次跑出来的结果差异不小。挑的时候用音箱和耳机各听一遍，别被开头十秒的热闹骗过去。之后进入剪辑：掐掉多余的前奏，加个淡出，把音量压到人声之下，Audacity 这类免费工具就能完成。

最后一步容易被忽略——把提示词、日期和当时的方案存下来。以后想复现或微调，这些记录就是底稿。需要歌词的话，先写好再贴进工具，用主歌、副歌这样的标签分段，模型才有清晰的结构可循。

选工具要看三件事。免费额度的上限，多数工具有按日或按月的点数限制；是否支持人声，取决于你要做什么；以及商用条款，这一项通常和付费档位挂钩。价格和规则变动频繁，直接去各家网站看，别信旧文章，包括正在读的这篇。

原始输出只是草稿，不是成品。开头多余的静音要剪掉，结尾补一段短淡出，整体音量调低，让它稳稳待在人声下面。如果一首曲子里有一段出彩、一段平庸，就剪开重组。不少人还会生成分轨或变体，只留下满意的部分。稍微动动手，AI 音乐听起来会自然很多。

授权和伦理是最常被跳过、却最要紧的部分。商用规则取决于工具和付费方案，随着行业与版权方的纠纷推进，条款也在变。几条习惯能降低风险：发布或售卖前读一遍现行条款；确认自己的方案是否包含商用权，免费档往往不含；不要让模型模仿在世艺术家的嗓音或某首具体歌曲；平台或受众有期待时，标明作品有 AI 参与；提示词和付款凭证留档。这些只是一般性提醒，不构成法律意见。

几个常见坑值得记一下。提示词太短，"来首欢快的歌"只会得到泛泛的结果，补上速度、乐器和明确情绪才有救。曲风堆太多，五种风格混在一起通常是一锅粥，选一个主曲风加一点调味就够。跳过剪辑，第一版很少是最好的。无视授权，一首好听却不能合法使用的曲子，等于白忙一个下午。

说到底，用 AI 做音乐主要是两件事：写一份清楚的说明，再做一点剪辑。从一段简单的器乐开始，试两三个工具，把有效的做法记下来。那批演示视频终于有了配乐，至今也没被标记过。