开源音乐生成：给视频配 BGM 的三条路
先说清楚三者的区别，这决定了你能拿它做什么：
| 路线 | 产出 | 时长 | 适合 |
|---|---|---|---|
| 整曲生成（带人声） | 完整歌曲 | 分钟级 | 片头片尾、音乐视频 |
| 器乐/BGM 生成 | 纯伴奏片段 | 30 秒级 | 垫在解说下的背景乐 |
| 快速全曲生成 | 结构完整、质量中等 | 2–4 分钟 | 批量出内容、需要大量 BGM |
做视频的人 90% 需要的是第二种，但往往被第一种的宣传吸引——结果生成一首三分钟的歌，剪进 30 秒的视频里，只用了其中 8 秒。
一、整曲生成：技术最亮眼，实用场景最窄
能生成带人声的完整歌曲，中英文歌词都支持，结构（主歌、副歌、桥段）也能控制。技术上确实是开源里的第一梯队，但代价是显存要求高（24 GB 起），生成一次要几分钟到十几分钟。
它适合的场景其实很明确：需要「一首歌」的内容——片头曲、角色歌、音乐类视频。做背景乐用它属于杀鸡用牛刀。
二、器乐生成：藏在老项目里的实用货
Meta 那套音乐生成库，MIT 协议，生成 30 秒级的器乐片段，质量稳定。优势是成熟、稳、协议干净；劣势是时长不够，做长视频要拼接。
拼接的技巧：生成时固定风格描述和种子区间，几段拼起来不会有明显的段落断裂。拼接点选在能量低的位置（比如鼓点间隙），听众察觉不到。
三、快速全曲：为批量场景设计
秒级生成 2–4 分钟的完整曲子，结构完整。质量不如前两者，但胜在快——一晚上能出几百条备选。
这类工具的正确用法是批量生成 + 人工挑选：生成 50 条，听 50 个开头，挑 5 条能用的。比精雕细琢一条更划算。
四、BGM 混音的四个参数
- 响度：人声 -16 LUFS，BGM 比人声低 12–18 dB；
- 闪避：人声起时 BGM 自动压低 6–10 dB，用侧链压缩实现，比手动关键帧自然；
- 频段避让：切掉 BGM 在 1–4 kHz 的部分，给人声让路，清晰度立刻提升；
- 首尾淡化：BGM 开头 1–2 秒淡入、结尾淡出，避免突兀。
五、无版权不等于可以随便用
生成出来的音乐，权利归属取决于模型的协议：
- 代码协议和权重协议要分开看，有些项目权重是非商用；
- 部分模型对「生成内容的商用」有单独条款；
- 如果模型训练数据本身有版权争议，产出物的合法性也有不确定性。
做商业项目时，稳妥做法是把生成过程存档（模型版本、提示词、种子、时间），万一被质疑，能证明这是AI生成而非采样他人作品。
相关阅读
版权声明：如无特殊标注，文章均为本站原创，转载时请以链接形式注明文章出处。
