M5 · 职业版 AI 音乐 · 第 1 讲

第 1 讲:从一句话到配乐

把一句感觉变成 30 秒可用的配乐

开场:五版配乐都“感觉不对”

客户发来一条 30 秒的桌面空气净化器产品片,口播从第 8 秒开始,第 26 秒进产品定格。你按“高级、轻快、有呼吸感”换了五首曲子:第一首鼓太满,产品特写像促销广告;第二首前 3 秒几乎没有声音,客户以为片子没开始;第三首带人声,和口播抢字;第四首在第 15 秒突然拔高,把卖点字幕顶掉;第五首在结尾硬切,画面停了,音乐还在往前冲。

你重做了五版,客户还是说“感觉不对”。问题不在曲子数量,而在“高级感”没有被翻译成音乐参数,画面也没有被标成时间点。这一讲只解决一件事:用一页 brief(制作简报/需求单)和一条 30 秒时间线,把客户的形容词变成能生成、能筛选、能卡点的配乐。剪辑、字幕与转场见第 15 讲,这里只做配乐。

本课目标

一、先写用途,再写风格

配乐的第一个参数不是“高级”,而是它在画面里干什么。同样一句“轻快”,放在口播背景里要退后,放在产品发布里要顶上来。先问四个问题:观众该被带到什么情绪?节奏多快、多密?精确多长、哪里有人声?每一段各做什么?

brief 项 要回答的问题 本例写法
情绪 观众该被带到哪里 克制、清透、轻微暖意;不要史诗,不要强鼓点
节奏 多快、多密、哪里变化 约 100 BPM(每分钟拍数),稳定四拍;第 15 秒后加一层,不突然炸
时长 精确多长、哪里有人声 30.0 秒;0–3 秒钩子(hook),8–26 秒口播,26–30 秒收束
结构 每一段各做什么 0–3 秒建立音色;3–15 秒推进;15–26 秒让位口播;26–30 秒收住

四项缺一项,生成结果就只能靠猜。客户说“高级”,你要继续问:是更安静、更克制,还是更有空间感?不要替客户选。把否定条件也写进去:不要人声、不要突然静音、不要高频主奏。否定条件和正向描述一样重要。

brief 不是给模型看的咒语,是给客户确认的一页纸。客户能指着“第 15 秒加一层”说不对,才算写清楚。只写“高级、轻快、有呼吸感”,对方只能继续用“感觉”回你。

二、三条路线,按四个条件选

三条路线没有绝对优劣,只看交付条件。当天要初稿、口播为主,先用生成式音乐工具出候选;客户要求精确到某个转场,或者必须交分轨,转到 DAW;客户已有品牌曲库,优先曲库,不要为了“用 AI”重做一遍。

条件 生成式音乐 版权曲库 DAW 编曲
速度 最快,能在较短时间出一批候选 较快,搜索、试听、下载 最慢,要编配、录制与混音
可控 段落和配器靠提示与筛选 只能选现有曲目,改动有限 每个音符、每个转场都能改
成本 由账号套餐和生成次数决定,具体待核实(截至 2026-11) 由授权类型和投放范围决定,具体待核实(截至 2026-11) 主要是时间成本与素材授权
商用 先查账号条款和生成内容使用范围 先查授权书、投放平台和修改权限 先查采样、循环和音色来源

商用部分只做检查,不替客户下法律结论。把工具账号类型、生成日期、曲目来源、授权范围、投放平台记进 brief;曲库下载保留订单和授权页截图;采样与循环记录来源。任何一条查不清,标“待核实”,不要向客户承诺“肯定能商用”。

三、生成、筛选,再把音乐卡到画面上

顺序不能反:先生成一批,再按画面筛选,最后才剪。反过来做,你会在一堆不合适的曲子里反复修,越修越像在给错误答案打补丁。

  1. 先标时间线。把 0、3、8、15、22、26、30 秒打上标记,写清每个点发生什么:产品露出、口播进入、卖点字幕、产品定格。
  2. 用同一份 brief 生成 4 版,每版只改一个变量:A 版无鼓、氛围铺底;B 版轻鼓加稳定脉冲;C 版暖贝斯加稀疏钢琴;D 版更亮的合成器加轻微抬升。四版都要求纯音乐、无人声、留出口播空间。
  3. 先淘汰,再比较。有人声、突然静音、结尾硬切的版本直接去掉;剩下的按“前 3 秒有钩子、8–15 秒有推进、15–26 秒不盖字、26–30 秒能收住”四项各打 1–5 分。
  4. 把选中的音轨拖进剪辑软件,第一拍对齐 0 秒,按标记点剪掉多余的头尾。候选比 30 秒长,就剪尾,不要整首变速硬凑,变速会让鼓点和小调都变形。
  5. 口播出现时,音乐先降 3–6 dB(分贝)。字还是不清,就换一版更空的编曲,或者减掉高频主奏,不要只把总音量往下拉。
  6. 最后 1–1.5 秒做短淡出,或让最后一个音自然收在 30 秒。不要在第 29 秒突然静音,那会让观众以为播放器坏了。

可以直接改写的提示词如下:

30-second instrumental BGM for a compact air purifier product film.
Mood: restrained, clear, lightly warm; not epic, not aggressive.
Tempo: around 100 BPM, steady pulse.
Arrangement: sparse synth texture, soft pulse, no lead vocal, no sudden drops.
Structure: 0-3s texture hook; 3-15s gentle build; 15-26s leave space for Chinese voiceover; 26-30s resolve.

生成结果不会每次都听话。提示词写的是方向,不是合同;最后仍要按画面听一遍。判断标准很简单:产品出现时音乐托住画面,口播出现时字清楚,结尾停得住。做到这三条,再去谈“高级”。

四、60 分钟练习

任务:为下面这条 30 秒产品片做 1 条配乐和 1 页 brief,导出 MU01_30s配乐.wav 与 MU01_brief.md。

输入:使用下面的脚本与画面描述。没有素材时,用黑底时间码加静帧代替画面,口播用手机录一遍;练习只验收音乐、时间线和记录,不验收拍摄。

导出前置:先确认账号能下载 WAV。若当前计划只能分享链接、不能下载,改用可导出的工具、课程示例音频,或只交 brief/参数记录;不要把分享链接当成交付文件。

0–3 秒:清晨桌面,空气净化器指示灯亮起,字幕“让空气先醒来”。 3–8 秒:手按下开关,出风口的气流吹动桌边纸片。 8–15 秒:产品侧面特写,屏幕显示空气质量数值下降;口播“三档风速,夜间自动调暗”。 15–22 秒:人在书桌前工作,产品安静运行;口播“不打断专注,只把干净空气留在房间里”。 22–26 秒:猫在沙发边打盹;口播“家里有宠物,也能安心开着”。 26–30 秒:产品定格,logo 与字幕“今晚,先把呼吸放慢”。

步骤:

  1. 用 5 分钟标出 0、3、8、15、22、26、30 秒七个点,填完 brief 四项。
  2. 用 12 分钟生成 4 版,保持同一份 brief,每版只改一个变量,写清 A、B、C、D 各改了什么。
  3. 用 10 分钟试听并打分,淘汰明显不能用的版本,给每版写一句去留理由。
  4. 用 15 分钟把选中的版本剪到 30 秒,对齐七个标记点,处理开头、口播段和结尾。
  5. 用 8 分钟录 8–26 秒口播,做 3–6 dB 下压(起点,按素材试听调整),分别用手机外放和耳机听一遍,写 3 句听感记录(外放、耳机、主要问题)。
  6. 用 10 分钟导出 24-bit/48kHz WAV(或按交付平台要求),写 brief,记录工具账号类型、生成日期、素材来源和授权范围。

完成标准:

五、检查清单

六、延伸阅读

下一讲:人声与编曲控制。你会把 4 句副歌做成 90 秒带人声片段。

AI 学习系列课 · M5 · 职业版 AI 音乐 · 第 1 讲 · 内容为原创整理,参考公开资料与官方文档。