挑戰 7 首金曲熔接，打造母帶純伴奏與 KYV 練唱生態。

過去兩年，AI 音樂生成給大眾的普遍印象是「提示詞抽卡」：在 Suno 或 Udio 的對話框裡輸入風格標籤、貼上歌詞，按下生成，然後像開盲盒一樣祈禱模型吐出好聽的旋律。

在上一篇 MiniMax Music 3 實作：給孩子一首歌，也替遊戲留下片尾曲 中，我曾記錄了為剛滿月的小朋友創作《凌晨三點的我們》的過程。那時我們透過本機 ComfyUI 搭配 MiniMax-Music 3，以文字提示詞與歌詞端對端生成出一首兩分鐘的溫暖歌曲。但那一輪實作也留下了非常深刻的體會：黑盒生成「第一版先留好，越改反而越偏」——只要想微調某句歌詞或修整和弦，重新輸入就會得到完全不同的演繹；伴奏與人聲黏在一起，旋律稍有走樣也無從修改。

如果你的目標稍微具體一點——例如想要「翻唱」經典作品（把童年回憶《Butterfly》換成抒情爵士、把流行歌的主旋律重新編曲、或是保留原曲旋律但改填新詞）——商業平台的限制就會立刻浮現：

1. 版權關鍵字封鎖：平台為了避規，往往禁止上傳或直接封鎖已知歌曲名；
2. 黑盒無法控譜：你無法告訴模型「請嚴格維持第 1 到第 8 小節的音高走向，只更換伴奏與歌手聲線」；
3. 伴奏與人聲死結：生成出來的音訊是一個混音成品，旋律稍微走樣你也無從修改，只能消耗點數重新抽卡。

網路上以「開源翻唱音樂模型 YuE2：你的專業程度＝模型上限，沒有 Suno 的各種限制。演示《Butterfly》」為題的展示，精準擊中了音樂創作者的痛點，證明了透過開源模型 YuE2 搭配符號樂譜鏈（ABC 譜）進行「白盒翻唱」的可行性。

然而，當我們真正把這套工具放進真實創作中時，如果只做一首單曲的翻唱，其實只發揮了這套技術最表面的一層能力。

在這篇文章中，我將以自己正在實踐的音樂生成工作流——家庭金曲組曲《每一首都是妳》為核心案例，分享如何從「單曲 Cover」跨越到難度極高的「多曲目混合（Medley 組曲）」，回顧從 MiniMax Music 3 走到 YuE2 的認知躍遷，以及在面對「AI 人聲無法完美匹配」的技術現實時，工作流如何漂亮轉向，產出廣播母帶級純伴奏、毫秒級 KYV（KTV 逐字練唱）變色影片與互動練習工具，並總結爸爸在家自主錄唱的個人實戰經驗。

本文示範影片：上傳 YouTube 的《每一首都是妳》KYV 逐字練唱版

這篇文章的核心示範，不再是單純的網路開源範例，而是直接採用我本次工作流實際產出並已上傳發布至 YouTube 【尚恩說故事】 頻道的 《每一首都是妳》7 首組曲完整純伴奏・KYV 逐字練唱版 作為導覽主體。


📺 YouTube 成果預覽與資訊卡： - 影片標題：《每一首都是妳》7 首組曲完整純伴奏・KYV 逐字練唱版（48kHz 母帶級／伴唱用） - 發布頻道：尚恩說故事 - 線上播放：👉 點此在 YouTube 觀看全曲 KYV 示範影片 - 規格亮點：48 kHz / 24-bit 廣播母帶音質 ｜ 毫秒級 KTV 變色字幕 ｜ 預留 2~3 秒自然過門換氣 - 本機工程產物：V24_逐字練唱全曲.mp4 ｜ 打開逐字練唱.html

全曲 7 首章節時間軸（可於 YouTube 說明欄或本機播放器直接跳轉對照）：

• 00:00 前奏（木吉他溫暖鋪陳）
• 00:02 〈唯一〉：Baby，你就是我的唯一…想作首歌給妳
• 00:16 〈Baby Song〉：你的眼睛像顆水晶通透…和媽媽求婚時作的承諾
• 00:58 〈A Whole New World〉：I can show you the world…以後我們要一起去玩
• 01:14 〈寶貝〉：我的寶貝寶貝…拍嗝時別皺著臉，抽油煙機前哄睡
• 01:48 〈A Thousand Years〉：I have died every day…爸媽都累了，快要凌晨兩點
• 02:07 〈約定〉：終於睡了，現在只怕會落地醒…我會好好的愛妳
• 02:32 〈What a Wonderful World〉：妳又醒了，我抱起妳，今夜已經三點，What a wonderful world

這支影片展示了工作流如何將 7 首經典歌曲無縫熔接為 2 分 56 秒的溫暖組曲，並以毫秒級動態字幕（字到音節起點整字變色發光）為歌唱者提供清晰的進唱與呼吸導引。

從《凌晨三點的我們》到《每一首都是妳》：從黑盒抽卡到白盒組曲的演進

理解這次 YuE2 工作流的意義，最好的參照物正是之前發布的 MiniMax Music 3 實作：給孩子一首歌，也替遊戲留下片尾曲。

這兩次實作並非互相獨立的孤島，而是同一個創作者在面對「如何用音樂留下家庭記憶」這道題目時，技術路徑的深度進化：

graph LR
    A[第一階段: MiniMax Music 3<br/>《凌晨三點的我們》] -->|遭遇黑盒瓶頸: 越改越偏、伴奏人聲死結| B[第二階段: YuE2 符號樂譜鏈<br/>《每一首都是妳》]
    B --> C[白盒樂譜規劃: ABC 格式精確控音]
    B --> D[突破單曲: 7 首金曲跨調跨拍熔接]
    B --> E[漂亮轉向: 48kHz 純伴奏 + KYV 系統]
    E --> F[終點: 爸爸親口唱出真誠體溫]

1. 情感脈絡的深化：從深夜切片到 24 小時生活史詩

在 MiniMax 製作《凌晨三點的我們》時，起點非常具體：兩個人在夜裡輪流抱孩子、餵奶、拍嗝的疲憊與默契。那是一首兩分鐘的片段式抒情。

到了《每一首都是妳》，我希望將這段時光記錄得更加完整。它不再只是一首歌，而是一份涵蓋一整天生活的金曲組曲：從白天的凝視與未來承諾（〈唯一〉、〈Baby Song〉、〈A Whole New World〉），唱到夜晚真實手忙腳亂的抽油煙機哄睡（〈寶貝〉），再推進至午夜十二點、凌晨兩點的疲倦相依（〈A Thousand Years〉），直到凌晨三點落地醒後無怨無悔的抱起（〈約定〉、〈What a Wonderful World〉）。

2. 兩代音樂工具的本質對比：黑盒抽卡 vs 白盒控譜

這場演進清楚表明：AI 音樂工具的進步，不是看它能不能一鍵生成更華麗的展示品，而是看它能否給予創作者更多的精確控制權。

為什麼 YuE2 能做到「真翻唱」？白盒符號規劃 vs 黑盒音波擴散

要理解這套工作流的根基，得先釐清兩條技術路線的分野。

YuE2 是由 Multimodal Art Projection（M.A.P.）於 2026 年 9 月開源的 30 億參數（3B）音樂模型。

其核心哲學是：「Compose in symbols. Create in sound.」（在符號中作曲，在聲音中創造）。在推論 API 中，cot="melody" 是改編與翻唱的靈魂所在——使用者直接提供主旋律譜（ABC 格式），模型只負責依照風格生成全新伴奏與人聲演繹。

graph TD
    A[原曲錄音 Audio: 例如 Butterfly.wav] --> B[音訊轉譜工具: SheetSage2 + MERT2]
    B --> C[生成純旋律譜: score.abc]
    C --> D{人工檢視與校對<br/>修正節奏、錯音、歌詞對位}
    D --> E[YuE2 推論引擎<br/>設定 cot='melody']
    F[新風格 Prompt / 新歌詞] --> E
    E --> G[48kHz 立體聲全新翻唱音訊]

然而，官方流程僅停留在「單曲 Cover」。當我們把這套流程投入到真實生活場景時，真正的挑戰才剛開始。

突破單曲思維：讚揚「多曲目混合」的高維命題與挑戰

在這次的實際創作中，我沒有選擇簡單地「把某一首老歌重唱一次」，而是給工作流提出了一個極具野心、也極具挑戰性的高難度命題：多曲目混合（Medley 組曲）。

1. 命題深度：7 首金曲熔接的一體化父愛敘事

這首名為《每一首都是妳》的作品，不是隨機切碎的歌單串燒，而是一段以「爸爸唱給兩個月大女兒小朵」為核心的生活史詩。它嚴格固定了 7 首橫跨數十年的經典旋律，並在保留原作靈魂 Hook 的同時，無縫接續已核准的改編新詞：

1. 王力宏〈唯一〉：白天生活的開始，「Baby，妳就是我的唯一…想作首歌給妳」；
2. 陳奕迅〈Baby Song〉：凝視女兒清澈的眼睛，「和媽媽求婚時作的承諾」；
3. 迪士尼〈A Whole New World〉：對未來冒險的憧憬，「以後我們要一起去玩，但現在不行」；
4. 張懸〈寶貝〉：真實接地氣的育兒夜晚，「拍嗝時別皺著臉…站在抽油煙機前轟隆隆哄妳入睡」；
5. Christina Perri〈A Thousand Years〉：時間流轉至午夜，「爸媽都累了，現在快要凌晨兩點」；
6. 周蕙〈約定〉：小心翼翼的呵護，「終於睡了，現在只怕會落地醒…」；
7. Louis Armstrong〈What a Wonderful World〉：爵士收尾的滿足與釋懷，「妳又醒了，我抱起妳，今夜已經三點，What a wonderful world」。

2. 為什麼「多曲目混合」是測試 AI 音樂的終極試金石？

把 7 首歌串成一首順暢的音樂，難度是單曲翻唱的指數級倍數：

• 調性轉換（Modulation）：7 首原曲的調性天差地遠（從降 E、C、G 到 D 調），硬接會產生刺耳的走音，必須規劃自然的轉調和弦；
• 拍號與節奏重組（BPM / Meter）：從 4/4 抒情拍、6/8 搖籃律動到爵士三連音，如何讓整首曲子聽起來像同一個樂團在現場演奏？
• 旋律 Hook 保真與字音對位：改編詞的中文聲調必須緊貼原旋律，不能發生「倒字」；
• 呼吸與換氣空間（Breathing Room）：歌曲轉換之間如果沒有預留過門，歌手根本無法換氣接唱。

「提出好題目，往往比給出答案更具決定性。」 將「多曲目混合」作為題目拋給 AI 工作流，徹底打破了「AI 只能做單首罐頭玩具」的成見，真正將符號樂理控制推到了極限。

面對現實瓶頸：為什麼「無法直接搭配人聲產出」？

在追求極致的過程中，我們不可避免地撞上了當前技術的硬邊界：AI 無法在多曲目混合場景下，直接端對端輸出完美契合本人聲線與情感的歌聲。

這並非工作流的失敗，而是極其寶貴的技術驗收證據：

1. 消費級算力（8GB VRAM）的客觀極限：

YuE2 官方推薦環境是 24GB VRAM（如 RTX 4090 或 A10/A100）。在本機 RTX 4060（8GB 顯存）上，即便使用量化（Q4/Q8）或分段 CPU Offloading，處理 7 首歌長達近 3 分鐘的高規格符號樂譜，顯存與推論吞吐量皆已逼近紅線，難以支撐龐大的零樣本多曲人聲合成。

1. DSP 轉調與聲音克隆的「金屬感恐怖谷」：

若嘗試透過現有音訊切片進行時間拉伸（Time-stretching）與音高修正（Pitch-shifting），或是套用聲音克隆（Voice Cloning）模型，演算法會無可避免地破壞人聲的共振峰（Formants），產生明顯的數位毛刺與「機器人塑膠金屬感」。

1. 機器無法計算「爸爸的真實呼吸」：

更重要的是情感維度。一位父親在深夜三點抱著女兒哄睡時，那種極其輕柔、微弱、帶著愛意與一絲疲倦的真實氣息，是任何統計模型無法靠 Prompt 生成的。強行用 AI 人聲，只會讓原本溫馨的生活記錄變成冰冷的技術展示。

工作流的漂亮轉向：完整純伴奏 ＋ 極致 KYV 練唱體系

當意識到「硬逼 AI 出人聲只會得到金屬感複製品」之後，這套工作流展現了極高水準的工程轉折：

「既然 AI 人聲沒有靈魂，那就讓 AI 成為地表最強的編曲樂隊與伴奏製作人；把最真誠的聲音，留給父親自己親自唱！」

工作流迅速收斂並產出了令人驚豔的「完整純伴奏自主錄唱專包」：

1. 廣播母帶級純伴奏體系

• 無損高規格音訊：輸出 48kHz 24-bit 廣播母帶級無損伴奏（01_每一首都是妳_全曲完整純伴奏_48k24.wav）與 320k MP3，樂器分離度極佳，低頻溫暖、中頻飽滿；
• 專屬設計的「過門換氣空間」：在 7 首歌交界處，工作流精確計算並保留了 2.0 ~ 3.0 秒的純伴奏過門。吉他或鋼琴自然流動，為歌唱者留出從容深呼吸的空間，徹底解決了搶拍與突兀轉場；
• 分段單曲練習伴奏：貼心將 7 首歌拆解為獨立的單曲練習伴奏（03_分段單曲伴奏/），降低歌唱者一次錄完整首的心理負擔，隨時可以一段一段錄製。

2. 極致的 KYV (Karaoke Video) 逐字練唱生態

伴奏完成後，工作流並沒有只丟出一個音檔，而是構建了一套甚至超越商用 KTV 的逐字練唱系統：

outputs/每一首都是妳_完整純伴奏_自主錄唱專包_PRIVATE/
├── 01_每一首都是妳_全曲完整純伴奏_48k24.wav  (母帶伴奏)
├── 01_每一首都是妳_全曲完整純伴奏_320k.mp3   (跟唱推薦)
├── 02_每一首都是妳_前兩首短版伴奏_唯一到BabySong... (暖身短版)
├── 03_分段單曲伴奏/                          (7 首單曲獨立伴奏)
├── V24_逐字練唱全曲.mp4                      (KYV 變色字幕影片)
├── 打開逐字練唱.html                        (互動式網頁練習器)
└── README_全曲純伴奏與錄唱指南.md             (完整時間戳與技巧手冊)

• 互動式網頁練唱工具（[打開逐字練唱.html](file:///A:/AI_Workspace/FamilyBridge/music/two-months-of-us/outputs/每一首都是妳_完整純伴奏_自主錄唱專包_PRIVATE/打開逐字練唱.html)）：
• 雙擊瀏覽器即可離線開啟；
• 基於 MMS_FA 聲學對齊，歌詞隨音樂播放即時進行漸層發光（黃色高亮），精確提示起音點；
• 支援「單句循環播放」，哪一句咬字不順就反覆練哪一句；
• 提供「80% / 90% 降速慢練」，讓初學者有充裕時間熟悉轉音與節奏。
• 全曲 KTV 動態字幕影片（[V24_逐字練唱全曲.mp4](file:///A:/AI_Workspace/FamilyBridge/music/two-months-of-us/outputs/每一首都是妳_完整純伴奏_自主錄唱專包_PRIVATE/V24_逐字練唱全曲.mp4)）：
• 毫秒級精度的動態變色字幕，讓創作者在家看著螢幕就像置身頂級包廂，視覺與聽覺完全同步。
• 7 首 39 句精準進唱與呼吸時間表：
• 詳列每一句的時間戳記（例如〈唯一〉於 00:02.55s 入句、〈Baby Song〉於 00:16.50s 進唱），並標明「聽吉他下拍進」、「深呼吸換氣」等專業指示。

爸爸的個人自主錄唱實戰手冊：把 AI 變成你的隨身製作人

有了這套伴奏與 KYV 工具，我親自嘗試了戴耳機跟唱與錄製。這段經驗讓我深刻體會到：真正的 AI 賦能，不是讓 AI 取代你的存在，而是讓 AI 替你把前置障礙全部拆除，讓你能夠心無旁騖地展現最真實的情感。

以下是我在實戰中總結的 4 大錄音避坑法則：

1. 戴耳機聽伴奏，手機只錄純人聲（乾聲）

• 關鍵忌諱：千萬不要用喇叭播放伴奏同時開手機錄音！這會導致伴奏聲音被二次收錄進麥克風，產生嚴重的空間殘響、相位抵消與回授雜音，後製完全無法分離。
• 正確做法：電腦或平板插耳機放伴奏（聽節奏與音準），手機打開「語音備忘錄 / 錄音機」放在面前約 15~20 公分處，平視微仰錄製乾淨的乾聲（Dry Vocal）。

2. 用最舒服的說話音高唱，不盲目飆高音

• 這首歌是唱給小朵聽的，不是參加歌唱選秀。
• 伴奏已經具備完整的和弦厚度與支撐力。爸爸唱歌時不需要刻意壓低嗓子裝深沉，更不需要硬飆原唱高音；像在床邊對女兒說話那樣溫柔、放鬆、真誠地唱，才是最打動家人的聲音。

3. 抓穩伴奏重拍（Downbeat），消除緊張搶拍

• 初次錄音最容易犯的錯誤就是「搶拍」——生怕進慢了而急著開口。
• 解決方法是「學會聽伴奏的腳步」：在耳機裡仔細捕捉木吉他掃弦的第一下、或是鋼琴低音落下的那個重拍點。每一句唱完後，不用慌張，留出半拍讓伴奏的泛音自然飄散。

4. 過門記得「深呼吸」

• 工作流在每首歌轉場特別保留了 2~3 秒的純樂器過門。
• 這不是死寂的空白，而是音樂的「呼吸窗口」。唱完上一首最後一個字後，放鬆肩膀，用這 2 秒深深吸一口氣，心理沉澱一下，再從容切換到下一首的心境。

5. 錄好乾聲後的後製閉環

錄完乾聲後，不必追求一鏡到底無瑕疵。只需將手機錄得的音檔交給後製工作流：

1. 輕度底噪濾除：消除室內冷氣或環境底噪，保留聲音溫暖的高頻空氣感；
2. 微幅節拍對齊：針對稍微晃動的字位進行無感對位；
3. 廣播級動態混音：讓人聲與 48kHz 純伴奏完美貼合，完成專屬於家庭的永久紀念母帶。

算力帳本與部署現實：理性評估你的硬體邊界

回過頭來看整個工作流的技術基礎，如果你也想搭建類似的系統，硬體帳本依然需要算得一清二楚：

對於一般創作者，我的建議是：不要試圖在消費級顯卡上硬跑端對端全曲人聲合成。善用開源工具進行符號提取、樂理校正與伴奏重構，結合本機成熟的聲學對齊工具（如 MMS_FA），產出純伴奏與練唱工具，才是投產比最高、成品最驚艷的落地路線。

結語：AI 負責鋪平道路，人類負責注入靈魂

這次的《每一首都是妳》組曲實踐，為我帶來了遠超預期的啟發：

1. 題目決定高度：多曲目混合的命題，證明了音樂生成不再只是黑盒抽卡，而是具有深度的符號敘事架構；
2. 技術承前啟後：從《凌晨三點的我們》的黑盒摸索，到《每一首都是妳》的白盒控譜，展示了一條從「玩具式抽卡」走向「專業協作」的真實路徑；
3. 體驗重於炫技：48kHz 母帶伴奏、打開逐字練唱.html 與 YouTube KYV 影片，把複雜的 AI 程式碼轉化成了任何人在家都能輕鬆跟唱的溫暖工具。

AI 音樂的終點，從來不是用冰冷的演算法去冒充或取代人類的聲音；而是用強大的運算能力為我們搭好舞台、調好燈光、備好樂隊，然後溫柔地對我們說：

「伴奏已經準備好了，深吸一口氣，現在換你唱給最愛的人聽了。」