AI 按伴奏演唱：为什么听起来像说唱

你上传一段做好的伴奏，粘贴歌词，选「抒情」，拿回来的却更像口语化的说唱，歌词好像和音乐不搭。一位 MuziAI 用户的投诉原话正是如此：他们以为自己「听成了说唱」，音乐和歌词「各走各的」，AI「自己编了歌词」，还「一直在嚎」。在改动任何东西之前，我们先把他们的三次生成全部测了一遍。简短的答案是：人声从来没有跑调。他们听到的是晚进了四个小节、更像说话而不是唱歌的唱法，以及一段由工具从零写出的旋律。前两个问题可以部分修复，第三个不能。

投诉：三次生成，在任何修复之前先测量

一位用户在一段 276.5 秒、60 BPM 的伴奏上粘贴了 48 行歌词，这段伴奏的主唱部分从 32.5 秒开始。

第 1 次，四十八行之间没有空行，被读成了一整段主歌：模型恰好晚进了四个小节，半说半唱地走完了全程。第 2 次和第 3 次准时开始，但含有 11 秒的「呼呼呼」，那是用户自己写进歌词的一段纯哼唱。

我们在三次生成中都检查了人声相对伴奏的调：三次都在调上。「各走各的」的感觉来自别处。伴奏只包含配乐，不包含人声旋律，所以工具会为歌词重新创作一段全新的旋律。熟悉这段歌词另一个曲调的人，听到的是熟悉的词配上陌生的曲，于是把这种错位归结为「跑调」。任何按伴奏演唱工具里的算法都修不了这一点，因为原先的旋律根本不在输入里。

长音占比：一个区分唱歌与说话的数字

为了检验「听起来像说话」这条投诉，我们做了一项指标：在有声时间里，落在保持稳定 0.6 秒或更久的音符中的比例。我们用本站完整歌曲分离出的人声做校准，每首取中间的 90 秒：

第 1 次得分 0.139，完全落在说唱区间。一首长音占比低于 0.2 的「抒情歌」听起来确实像说唱，所以这条投诉是准确的描述，而不是挑剔。第 2 次和第 3 次的 0.262 和 0.283 被嚎叫声抬高了；只算有歌词的部分，会降到 0.22-0.25，处在抒情区间的下沿。

工具如何找到进唱点、调和结构

人声从哪里进

如果让模型从第 0 秒开始唱，它会在 79% 的歌里压到前奏上，这是在 57 首已知答案的歌（本站的伴奏和分离出的人声）上测得的。我们的第一条规则「在音乐变化最大处进唱」，不出所料地失败了：在另一位用户的伴奏上，它选了 16.5 秒，恰好是一段响亮的器乐 riff 开始的地方。现在的规则多了一个条件：绝不在音乐变响的地方进唱。它查看前 40 秒内的四小节边界，去掉音乐升高超过 2 dB 的位置，再取变化最大的那一处。结果：64.9% 的歌误差在 ±1 小节以内，误差中位数 0.5 小节，只有 1.8% 仍会压到前奏上。那位用户的伴奏现在恰好在 32.0 秒进唱。

可以让演唱模型只在一个时间窗口内生成，但在窗口之外，模型会把整段伴奏复制进人声轨。所以工具会在进唱点切开伴奏，在剩下的部分上演唱，把人声放回正确的秒数，再用人声分离器去掉渗进来的鼓和吉他声。

调与歌词结构

旧的调性检测只用一种方法，在 48 首已知调的歌里判对 40 首。新的检测让三种方法投票，没有多数就不给结论，因为没有提示总好过错误的提示：46/48。有一段示例伴奏以前被识别为 C# 小调，现在是 B 大调，3 票中得 3 票。

工具还会找出重复出现的歌词块来划分段落，把重复最多的块认作副歌。在 300 首已标注的歌曲上，96% 的歌能找出结构，87% 的副歌句能被正确认出，92% 的情况下不会把主歌误认作副歌。对这位用户的歌词，它准确还原了他们手工加的标签。纯哼唱的段落会变成器乐间奏。每一遍演唱都会打分（在 CPU 上约 15 秒），晚进会触发重唱，最多两次。用这位用户的原样输入重跑：晚进 1.1 s 和 0.0 s，歌词覆盖率 0.906 和 0.921。

一整遍长唱，还是每段单独唱

像说话一样的唱法更难解决。改写声音描述没有用：三种描述，各三个种子，默认为 0.203、0.150、0.200；「soft breathy」为 0.217、0.183、0.180；「slow ballad, long sustained notes, legato」为 0.189、0.201、0.174。真正起作用的是单次生成的长度：同样的伴奏、歌词和描述，一次唱完 244 秒，或者按段落每段约 100 秒分开唱：

按段落演唱能把抒情歌从说唱区间拉回抒情区间。问题在于：分开生成的两段是两位不同的歌手。同一遍演唱的前后两半，声音相似度为 0.89-0.97；用同一个种子分开生成的 A 段和 B 段，只有 0.57、0.68 和 0.84。把整首那一遍反过来作为音色参考，能保持同一个声音（0.886，阈值为 0.80），却把那一遍的唱法也一并带了过来：长音占比只从 0.181 升到 0.202，而不是大约 0.30。由于每个任务要多花五分钟以上，这一步已关闭。

局限与未解的问题

• 试过当天就撤掉的： 凡是长音占比低于 0.2 的抒情歌，都换一个种子重唱。13 遍、7 个种子下来，长音占比随机落在 0.093 到 0.217 之间，每个任务要多花约五分钟。晚进重唱保留了下来，因为晚进跟着种子走（大约每 3 遍有 1 遍）。
• 进唱点检测在 64.9% 的歌上误差在 ±1 小节以内，所以大约三分之一的歌会偏得更多。
• 调性检测可能报出关系调：有一段示例伴奏被识别为 F，而它的乐谱写的是 D 小调（72 BPM 的速度是准确的）。
• 长歌里像说话一样的唱法，目前还没有上线的修复；用现成的持续演唱乐句作为音色参考，尚未测试。
• 现有歌曲的原旋律，无法从卡拉 OK 伴奏里还原出来。

这对你生成歌曲意味着什么

1. 段落之间留一个空行，或者用 [Verse] 和 [Chorus] 标注。整块粘贴的歌词导致了那次 16.1 秒的晚进。
2. 除非你想听到哼唱，否则别把哼唱写进歌词：一段纯哼唱变成了 11 秒的嚎叫。
3. 看看结果页上工具报告的 BPM 和调。BPM 明显不对，可能说明伴奏中途变速，或者以自由节奏的前奏开场。
4. 如果你想保留你有权使用的某段录音的旋律，请用 AI翻唱，而不是按伴奏演唱。AI翻唱听的是包含歌手的录音，所以会保留旋律，只换声音。按伴奏演唱是一个写歌工具：它会给你的歌词配上一段新旋律。
5. 如果你需要长音饱满的抒情歌，而且只用其中一段，就只把那一段的歌词交给工具：约 100 秒的演唱，长音占比明显高于 244 秒的。新歌从 MuziAI 首页 开始。