给八个世界各写一首主题曲，顺便滚出了八十位虚构歌手
本文目录
上一篇讲了 Outland 的世界观是个缝合怪。
这篇讲它的音乐——因为这个项目做到现在，最完整的一块产出其实不是代码，是音频。
而且它开始的时候，根本不是冲着”写歌”去的。
一、我只是想搭个工具
当时的需求特别朴素：游戏需要一个能出声的环境和一个音效库，我想在本地跑一个音乐生成模型，这样以后要什么音乐自己生成，不用满网找素材。
所以我去部署了两套：
- ACE-Step 1.5 turbo（跑在 ComfyUI 里）——主要生成有歌词的歌
- Stable Audio 3——纯器乐和音效
两套都通了，实测下来 ACE-Step 生成 45 秒 48kHz 立体声大概花 15 秒，Stable Audio 出一段 4 秒音效大概 6 秒。工具能用了。
然后我顺手用它批量生成了一批环境音和音效。
这是我犯的第一个错。
我有一个挺明确的习惯：让工具跑通之后，总想”顺便”再往前一步，看看它到底能做到什么程度。结果就是我在没想清楚要什么的情况下，先产出了一批东西。
那批东西质量其实不差，我自己听也觉得还行。但方向不对——我要的不是环境音循环，是每个世界一条完整的主题曲。
这批次生成了十八来条，最后全部封存，留在硬盘里没删（说不定以后哪天用得上），但项目里一个都没用。白白烧掉的时间不算，还多花了不少算力钱。
教训记下来了：工具跑通就停，需求没想清楚之前不要批量生产。 这句话后来被我写进了项目的 AI 协作守则里。
二、八首主题曲
痛定思痛，把需求想清楚了再动手。
规格：八个世界各一首完整主题曲，用在主菜单”选择世界”和跨世界穿梭的选择界面上。
定了几条硬规矩：
| 项 | 要求 |
|---|---|
| 形式 | 完整曲子，不做循环切分 |
| 长度 | 至少 60 秒，不设上限（实际都在 145~200 秒） |
| 人声 | 纯器乐，无人声（蒸汽朋克例外，用圣咏当织体） |
| 独立性 | 八个世界各自独立，不共享任何动机 |
| 响度 | 峰值 −6dB，48kHz / 16bit / 立体声 |
关于”不共享动机”这条——我一开始犹豫过。八个世界如果有一小段共同的旋律碎片，穿梭的时候会有”回家”的感觉。
后来否了。因为八世界的定位是互不相干的独立位面，被大裂隙硬拽到一起的。它们之间没有血缘关系，共享动机反而会让它们显得像同一个世界的八个区域。各写各的，才符合”八个世界被强行缝合”这个设定。
八首的主题分别是：
| 世界 | 风格方向 | 时长 |
|---|---|---|
| 赛博朋克 | dark synthwave，冷酷霓虹，脉冲贝斯 | 196s |
| 现实 | 电影感暗氛围，孤独钢琴 + 低音大提琴持续音 | 180s |
| 蒸汽朋克 | 维多利亚管风琴 + 管弦乐 + 机械鼓轨 | 193s |
| 废土 | 芝加哥电布鲁斯，失真吉他 + 放大口琴 | 173s |
| 奇幻 | 魔法门风格，大键琴动机 + 全管弦 + 合唱 | 173s |
| 仙侠 | 中式器乐，古琴古筝 + 笛子二胡 + 编钟 | 176s |
| 太空歌剧 | 《星际牛仔》Tank! 风格的 Funk 硬波普大乐队 | 169s |
| 克苏鲁 | 暗黑管弦，低音持续音，大教堂混响 | 180s |
有一首我特别想说：蒸汽朋克那首。
它没法用常规方式做。我想要的是”蒸汽阀门喷气 + 金属碰撞”那种质感，但ACE-Step 只能用文字去描述，让模型”演奏”这些拟声，拿不到真正的采样音色。
所以走了条野路子：
ACE-Step 生成一个无人声底子（管风琴 + 管弦 + 圣咏织体）
↓
Stable Audio 3 生成一堆机械音色（阀门、铁砧、齿轮、活塞……）
↓
把每段音色切成单次打击，做成一套采样鼓
↓
按固定 BPM 铺鼓轨，再和底子混音
采样套鼓里每个音色都是从频谱上挑出来的：
| 音色 | 频谱质心 | 低频占比 | 用在什么位置 |
|---|---|---|---|
| 金属板共振 | 489 Hz | 74.5% | 重拍（最厚） |
| 厚重铁砧 | 1027 Hz | 65.0% | 弱拍 |
| 铸件铁块 | 1143 Hz | 41.0% | 中音撞击 |
| 活塞汽缸 | 2934 Hz | 33.9% | 切分点缀 |
| 齿轮咬合 | 3129 Hz | 29.2% | 十六分碎拍 |
| 铁链拖曳 | 2597 Hz | 22.3% | 段落过门 |
| 蒸汽阀门 | 11119 Hz | 0.4% | 每拍前导瞬态 |
这里有个挺有意思的原理：蒸汽声是宽带噪音，只有瞬态没有音高，单独用根本不成鼓点；而金属碰撞提供音高和实体感。两者叠加才是一个完整的 kick。
所以”脆”和”厚”这两个听感其实是可测量的——质心高就是脆（高频多），质心低就是厚（低频多）。
三、然后它失控了
八首主题曲做完了，按理说该收工了。
但游戏里不是只有主菜单。玩家在世界里探索的时候得有点背景音乐吧？一个世界走进去，总不能从头到尾听同一首主题曲循环。
所以有了第二个需求：每个世界需要一套游戏内电台/BGM。
这里我定了一条规则，是整件事后来滚起来的直接原因：
不同风格的音乐 = 不同歌手。
意思是，我不做”每个世界一套纯器乐 BGM”，而是给每个世界虚构一批歌手/乐队，每位歌手有自己的专辑。
因为不同风格本来就不该是一个人唱的——你不可能让同一位歌手既唱 1930 年代的三角洲布鲁斯又唱电音，那太假了。一个世界有几位甚至十几位歌手，各有各的风格，各有各的专辑。
结果数量是这样：
| 世界 | 歌手/乐团 | 曲目 | 语言 |
|---|---|---|---|
| 奇幻 | 20 位 | 100 首 | 英/拉丁/德/俄 + 无词 |
| 废土 | 10 位 | 42 首 | 英/西 + 无词 |
| 科幻 | 10 位 | 40 首 | 中/日/英/粤 + 无词 |
| 赛博朋克 | 10 位 | 40 首 | 英/日/中 + 无词 |
| 蒸汽朋克 | 10 位 | 40 首 | 英/拉丁 + 无词 |
| 现实 | 10 位 | 40 首 | 英/中/韩/西/阿/法/印地 七种 |
| 仙侠 | 10 位 | 40 首 | 中文 |
| 合计 | 80 位 | 342 首 | 14 种语言 |
（克苏鲁不做歌手专辑——那个世界我不想给它加”人味”的东西。）
三百四十二首歌。这个数字现在回头看有点离谱，但当时是一世界一世界推过去的，每一步都觉得”再来一位歌手不多吧”。
四、每个世界的电台，其实是它的社会切片
虚构歌手这件事，一旦认真做，就会变成一个用音乐写世界观的过程。
举废土世界为例。它最后长出了十位歌手，而且天然分成了三个时间层——这不是我硬凑的，是不同的音乐风格自己带来的：
| 层 | 歌手 | 录音年代 | 在废土上是什么 |
|---|---|---|---|
| 战前·三角洲布鲁斯 | 盲眼·约伯·塔克 | 1939 | 只存在于旧唱片里，人早没了 |
| 战前·流行 R&B | 艾迪·万斯与月光四重唱 | 1951 | 同上，旧唱片 |
| 战后·活人 | “深水”·托利弗与求索者乐队 | 战后 | 还活着，还在唱，在聚居点之间游荡 |
这个层次的意义是：废土的电台里，三十年前的旧唱片和昨天在防空洞录的新歌会混在一起播。
而世界观里写的那些设定，全部变成了歌：
- 设定写着”烧汽油的是穷鬼、用核能的是权贵”。于是有了两首正面对撞的歌：穷鬼韦德那首《The Atom Boys Don’t Wave Back》（我冲核能车队挥手，司机看我的眼神像看脏东西），和权贵乐团”原子钟”那首《Space Age Bachelor Vault》（太空时代单身避难所，宝贝 / 一间卧室，一颗炸弹）。
- 设定写着”幸存者把核战前遗迹当神话圣地，对着残破的可口可乐广告牌叩拜”。于是避难所第三代合唱团唱了首《The Sign of the Red Circle》——他们把那块红圆标当圣物，因为读不懂上面的字。
- 设定写着”玩家的躯体也能卖”（走投无路时可以出卖肢体/生命值换资源）。于是丧尸族的”收尸人”唱了首《You Have Two Hands》。
科幻世界也一样：一位星际牛仔唱爵士布鲁斯，一位打捞客唱粤语工人民谣，空间站驻场唱日文 citypop，殖民地工人唱中文工业电子，还有一位是空间站 AI 用声码器唱歌，最后一位是 40 年代的老唱片 crooner——因为月亮爆炸被政府宣传成都市传说，老唱片成了唯一还记得真相的东西。
赛博朋克那边更直接：有一首叫《第十次》（赛博精神病），因为设定里”人性第十次降到 0 必然触发赛博精神病”；还有一首是财团广告部的中文洗脑电波，这个就是纯坏心眼了。
五、踩过的坑
音乐这块的技术细节，踩的坑比代码那块有意思。挑几个说。
1. AI 不按你要的 BPM 生成
我想给一首曲子铺鼓，就按模型请求的 112 BPM 去铺。
结果实测：前 34 秒确实约 113 BPM，34 秒之后变成 167~174 BPM。
我按请求的 BPM 铺鼓 → 鼓和音乐成了 3:2 拍的关系 → 听感上就是”打架”，节奏感全毁。
AI 音乐模型不保证按你请求的速度生成。 这个必须实测验证，不能信参数。
（不过反过来说：如果走”鼓自成拍”那条路线，底子没有拍点反而是好事，因为鼓是唯一的节奏来源，不存在冲突。所以体检的目的是判断”底子是不是自带一个会跟鼓打架的节拍”。）
2. 内部静音 = 生成失败
首尾有静音是正常的，但曲子中间出现数字静音就是废品。
我用 50 毫秒窗口的 RMS 扫全曲，排除首尾各 2 秒之后还有低于 −50dB 的段落，就是废品，得重新生成。实测过的几例：
- 一次 40.9 秒的内部静音
- 一次 53.8 秒
- 一次 14.6 秒——这次是我自己听出来的，工具还没跑到
实测残品率大概四分之一。 批量生成必须带这项检查。
3. 指标不能代替试听
这条是最重要的。
能测的东西：内部静音、响度、开头是不是太闷、段间频谱变化。 测不了的东西：旋律好不好听、有没有抓耳的主线、重复感重不重。
我实测过一个反例：一首我觉得还行、用户也认可的版本，段间相似度是 0.986；而另一个被否掉的版本反而不相似度更低（0.893）。
指标高不等于好听。
所以我现在不拿指标去否掉任何一首被人说好的曲子。指标只用来筛”明显是废品”的（静音、暴音、响度异常），好不好听这件事，只能靠人耳朵。
4. 输出长度用 round() 不要用 int()
很小但很典型的一个：
120 / 4.1379375 = 28.999…
int() 截断成 28 小节 = 115.86 秒，整整短了 4 秒。round() 才是 29 小节。
这种错误在音频上特别隐蔽，因为 4 秒的差别听起来只是”稍微短一点”，不会报错。
六、一些数字
最后交代一下这块的家底：
- 八世界主题曲：8/8 定稿（2026-10-01 克苏鲁用 Stable Audio 3 收尾）
- 虚构歌手专辑：7/7 完成（克苏鲁按规则不做），80 位歌手 / 342 首 / 14 种语言
- 音频文件总体积：粗算 15 GB 上下（每首都有 48kHz/16bit 立体声的 wav 给引擎用，和 mp3 给人试听）
- 被否掉的版本一律不删，移进
_alternates/——因为用户说过”留着，后面可以放在游戏里做各种曲子” - 每首纯器乐都配了 mp3 试听版，方便人耳逐个过
七、两个后知后觉
写完这段回头看，有两点当时没意识到：
第一，音乐这块最后比代码更完整。
引擎那边还在补系统，八世界里只有前几个真正铺了内容。但音乐这边——八首主题曲全定稿，七套歌手专辑齐全，规格统一，文件齐整。一个游戏项目最先做完的居然是它的原声带，这事有点荒唐，但它就是这么发生了。
原因是音乐可以”逐个定稿”：一首做到满意再开下一首，经验带到下一首。而代码是咬合在一起的，改一个系统会带动一片。
第二，“不同风格 = 不同歌手”这条规则，比我想象的更值钱。
它一开始只是为了解决”纯器乐 BGM 太单调”这个技术问题。但它带来的副作用是——每个世界的音乐突然变成了那个世界的社会切片。电台里在播什么，就说明那个世界里谁在活着、流行什么、记得什么、被谁洗脑。
赛博朋克有财团广告部的洗脑歌，废土有对着广告牌叩拜的赞美诗，科幻有被当成都市传说的月亮——这些设定不用写进日志文本，光听歌就知道了。
下一篇想写点纯技术的：这套引擎本身是怎么搭的，还有为了对齐 CDDA 那些模拟系统踩的坑。