夜雨聆风
Day 4 | AI 30天实验
前3天：Day 1 阅读58，Day 2 阅读2（一记现实耳光😂），Day 3 已发。
第4天我不折腾写文章了——我让AI写了首歌。
从找模型、配环境、写歌词到生成音频，全程踩坑实录。
一直以来，AI写文章、画图、写代码这些已经见怪不怪了。但"AI唱歌"一直是个又近又远的东西——Suno出来的时候确实惊艳，但每次生成都要付费，而且生成的歌版权算谁的也说不清。
直到我发现了一个开源模型 ACE-Step 1.5，MIT协议完全免费可商用。也就是说——这歌生成出来，版权是我的，可以去汽水音乐/抖音发，播放量还能赚点广告分成。
那就干。
先试了市面上的主流方案：
❌ Suno AI — 效果好但付费，免费额度用完就没了，生成一次几毛到几块
❌ Udio — 英文歌强但中文一般
❌ Mureka — 国内能用但也是付费
✅ ACE-Step 1.5 — 开源免费，MIT协议，可以本地跑，支持中文歌词
选ACE-Step还有一个原因——它是专门为中文歌曲生成优化的模型，据说支持带结构标签的歌词（Verse/Chorus/Bridge这些都能识别）。
GitHub仓库能git clone，但模型文件放在HuggingFace上，国内连不上。直连速度3.5MB/s，下到一半断了重来，反复折腾。
好在找到了 hf-mirror.com 镜像站。模型总大小约 9GB：
• 主模型（acestep-v15-turbo）：4.46GB
• 语言模型（5Hz-lm-1.7B）：3.45GB
• 文本编码器（Qwen3-Embedding）：1.11GB
• 音频解码器（VAE）：322MB
📍 全部存F盘，C盘扛不住
下载完发现代码里自带了国内ModelScope的下载逻辑，但ModelScope上没这个仓库，最后还是靠hf-mirror搞定的。
模型加载上了，RTX 4060 8GB显存，官方说最低4GB就行，够用。
第一次跑——歌词用错了。我自作主张写了一套"青春怀旧"的通用歌词进去。生成完一听...虽然旋律还行，但歌词完全不是想要的感觉。这给了我最重要的一课：歌词必须自己写，AI写出来的词味不对。
第二次——保存音频失败了。模型跑完VAE解码，生成出2个音频张量（立体声左右声道）。但我的代码直接把张量当文件写，没处理张量→numpy的转换。翻来覆去修了3次才写对。
💡 给想自己试的朋友：
ACE-Step 1.5的输出返回值里，audios是一个list，每个元素是 {"tensor": torch.Tensor, "sample_rate": int}。tensor的形状是 [channels, samples]，写入文件前要转置成 [samples, channels]。
工具可以开源，但歌词必须自己写。我做了一些我觉得有意思的设计：
意象选择：用了蝉、冰可乐、凤凰花、话梅糖这些夏天符号，但搭配"碎成满地的韵脚""酸得皱了整片天"这种非常规搭配，让画面感更强。
结构设计：给歌词加了Verse→Chorus→Verse→Chorus→Outro的结构标签，模型会根据标签决定哪段是主歌哪段是副歌，副歌会重复旋律形成记忆点。
风格指导：除了歌词，还需要给模型一个"风格prompt"——我写的是：Mandopop, R&B, warm and playful, piano and erhu, gentle male vocals。也就是说我告诉模型：我要一首中文流行+R&B，钢琴加二胡，男声，轻快夏日感。
🎵 "我们说好要养一缸 会唱歌的火焰
把流星塞进玻璃瓶 等发酵成闪电"
——歌词副歌片段
⏱ 时长：120秒（精简版，原版180秒）
🎚 采样率：48kHz CD级
🔊 声道：立体声（2通道）
💾 文件：22MB WAV
🚀 生成时间：约15秒（其中扩散7秒+解码8秒）
🔥 显存占用：峰值5.7GB（RTX 4060够用）
说实话，ACE-Step的生成质量跟Suno/ Udio比还是有差距，人声清晰度和伴奏丰富度不如商业产品。但它是免费的、开源的、可商用的。对于像我这样想玩一玩而且不想花钱的人来说，足够了。
而且还有一个优势——它在本地跑，想生成多少次都行，不花一分钱。
❌ HuggingFace被墙，用 hf-mirror.com 镜像下载
❌ 8GB显存刚好够，再大一点的模型就跑不动了
❌ 别用 AI 替你写歌词——它写不出你想要的感觉
❌ Windows下MSYS路径和原生路径混用会报FileNotFoundError
❌ 第一次听听可能会失望，开源和商业产品确实有差距
🎧 后面发出来给大家听听
歌已经做好了，等调好版本就发出来。
到时候顺便看看能不能上汽水音乐。
📊 今日数据：阅读12 · 点赞2 · 粉丝8 → 目标100粉开流量主
