我用一张 AMD 显卡,在自家电脑上跑出了一个会写歌的 AI

上个月，一个做了十年唱片监制的朋友问我："现在用 AI 写首歌，是不是比找工作室便宜？"我没直接回答，而是打开了自己那台装着 AMD 显卡的旧电脑，敲了一行字。七分钟后，一段带人声、带伴奏的完整歌曲就出来了。

他愣了一下："这不需要云、不需要月费、歌还归我？"

我说："对，全在本地。"

这不是炫技。过去一年，AI 写歌从实验室玩具变成订阅制 SaaS，但绝大多数方案的底层逻辑是一样的：你的歌词、你的旋律、你生成的作品，得先过别人的服务器。我们想做的，是另一条路——把写歌这件事，彻底搬回自己的电脑。

一、本地化不是情怀，是三笔账

很多人问，为什么不直接用现成的海外 SaaS？答案不在技术，在成本结构。

第一笔是版权账。主流 SaaS 生成的歌曲，商用权和所有权往往受平台条款限制，你付了钱，歌却不一定完全归你。我们用的是 Apache 2.0 协议的开源引擎，生成即归你，可商用、可分发，没有灰色地带。

第二笔是隐私账。把歌词和创作意图传到云端，等于把素材交给第三方保管。本地运行，数据不出机箱。

第三笔是成本账。我们用的显卡是 AMD RX 5500，8GB 显存，二手市场几百块。不升级硬件、不付月费，一首歌的电费可以忽略不计。三笔账加起来，本地化的理由足够硬。

二、硬件现实的打脸：AMD 不是不能跑

真相是，多数开源音乐模型官方只认 NVIDIA 的 CUDA。我们最早试的那版引擎，在 AMD 上能加载、能跑完流程，但出来的全是低频嗡鸣——数值精度在 AMD 的 DirectML 后端崩了。这不是 AMD 的锅，是"自回归 + fp16"这条路线对 AMD 不友好。

转机在于换架构。我们评估过 ACE-Step（质量好，但走 ROCm，只支持 RDNA3 新卡，而 RX 5500 是 RDNA1，跑不了），最终切到diffusion（扩散）架构的 DiffRhythm：它非自回归，对 AMD 的 DirectML fp16 鲁棒得多。实测在 RX 5500 上，真能稳定输出"人声 + 配乐"的完整歌曲，干净、无杂音。

结论很朴素：本地出歌在 AMD 上可行，关键不在堆显卡，在选对架构。

三、工程落地：从一句话到一首歌

光有引擎不够。我们做了个本地工作台 Carbon Studio，把流程跑通成闭环：你写一句话描述（主题、风格、想送给谁）→ AI 自动写歌词 → 引擎出歌 → 导出 mp3。全程离线，约七分钟一首。

这里有个真实踩过的坑：歌词太密会"吞字"。模型每个时间窗口能清晰唱出的音节数有上限，一行塞八个字，它就只吐几个。我们的解法是"稀疏歌词"——每行压到五字、句间隔拉到六秒，密度砍半，字字清楚。

另一个硬约束是显存墙。RX 5500 在 95 秒以内稳如老狗；超过这条线，模型切换到更大的版本，显存随时长平方级增长，必爆。所以当前我们锁 95 秒——够一首完整的副歌加主歌，不够长，但稳。风格方面，我们接了 MuQ 风格编码器，让"伤感 / 钢琴 / 中国风"这类标签真正引导伴奏，而不是摆设。

下面这首《晚风的话》，就是我们本地跑出来的真实样本（伤感流行，约 80 秒）。

四、给想入场的你

如果你也想搭一套本地写歌环境，三条建议：

硬件底线：一张能跑 DirectML 的 AMD 或核显卡即可起步；想写长歌（三分钟以上），再考虑 12GB 以上的卡。
引擎选型：优先 diffusion 架构，别在自回归模型上和 AMD 死磕。
歌词要稀疏：想听清词，就别贪多，短句慢唱。

我们给这个产品起了个名字：碳基圈 AI 写歌。它现在还没做成人人自助的网站，但地基已经通了——你描述，我们后台帮你生成，前 50 名粉丝免费定制一首。

AI 写歌，不该是云厂商的一张月费账单，而该是你电脑里的一个文件夹。这条路，我们走通了第一步。

#AI写歌

#免费生成歌曲# #本地AI# #碳基圈AI写歌# #AMD显卡写歌# #AI音乐生成#