上个月一个做播客的朋友找我，说片头曲用了三年听腻了，想换一段，找人定做报价两千起。我说先别急，让 AI 出几版听听。结果他最后用的就是 AI 生成的那段，前后花了不到一小时。
真上手才发现，写歌和配背景音乐是两回事，用的工具也不太一样。我把踩过的顺手记下来。
Suno 是我做「带人声的歌」第一个打开的。你把风格、情绪、大概主题写进去，它直接出一整首，词曲唱都有。第一次听到成品我愣了一下，旋律完整度比想象中高很多，副歌的起伏也有模有样。
它的短板是中文咬字。唱中文词的时候偶尔会出现含混的音，尤其句尾，听感像嘴里含了东西。做片头曲问题不大，要拿去当正式发布的主打歌，这一关还过不去。另外商用授权条款每家都在变，用之前务必去官网看最新的授权说明，别凭印象。
海绵音乐 是我做纯背景垫乐用得最多的。把想要的情绪和乐器写进去，它出来的是无人声的纯音乐，长度和结构比直接去素材库里翻更贴合视频节奏。十分钟以内的短片配乐，它经常一版就能用。
它的短板在精细控制。你想要「前三十秒只有钢琴、之后弦乐再进来」这种分层，它编排出来的结果往往不按你的想法走，只能靠多生成几版去碰。情绪转折要卡画面节点的段落，我最后还是去素材库挑现成的更稳。
魔音工坊 严格说是做配音的，不是做音乐。我把它列进来，是因为很多人会把配音和配乐混成一件事。做视频旁白时我用它批量出，一次把十几段文案丢进去，统一音色和语速，出来的风格能保持一致。
它的音色库偏实用向，挑不出特别有辨识度的那种，情绪层次也有限。需要强表演的旁白，这部分还是得自己录。
ElevenLabs 是英文场景我的首选。英文配音的自然度目前还是它最稳，停顿和重音听着像真人。它也有多语言能力，中文能说，但中文的表现不如英文那么自然，做中英双语版本时可以英文用它、中文换回国内工具。
背景音乐和写歌要分开想。背景音乐的目标是不抢戏，旋律起伏要平，最好没有强记忆点，人声存在时它得往后退。写歌反过来，你要的是抓耳的钩子和记忆点。用同一个工具两套需求都能跑，但 prompt 写法完全不同。
我给背景音乐写描述时会加「无人声、循环友好、中低频为主、渐进不突兀」这类约束，给写歌的 prompt 则写清楚段落结构，比如前奏几秒、主歌几段、副歌要上扬。约束写得越具体，出来的东西越接近你要的。
生成出来别急着用。我一般一次出四到五版，全部听一遍再挑，第一版很少有能直接用的。听的时候重点看两件事，一是开头两秒能不能立住，二是结尾会不会突然断掉。这两处最容易出问题。
对时间轴这一步很多人会忘。音乐长度很少正好等于视频长度，我的做法是先按视频剪音乐，把多余段落掐掉，再在结尾做两秒淡出。硬切会显得廉价，淡出几乎听不出接缝。
音量也得压。人声出现时背景音乐通常要压到人声音量的一半甚至更低，具体看内容。我一般把人声轨先定到标准音量，再把背景音乐往下拉，边拉边听，听不清台词就再降一点。
版权这件事值得单独说一句。AI 生成音乐的商用规则各家不一致，而且会随时间调整。凡是打算用在商业项目、投放素材、客户交付里的，生成前先去官网确认当前授权范围，截图留存。别拿别人的口头结论当依据。
还有个容易忽略的点，生成结果有随机性。同一段描述今天出的和明天出的可能完全不一样。遇到一条特别满意的，立刻把种子或者版本信息记下来，不然想复现第二遍时你会发现怎么都回不去。
我自己的流程是先用 Suno 出带人声的歌，给片头和结尾用；中间的纯垫乐交给 海绵音乐；英文版本换 ElevenLabs；需要旁白时再上 魔音工坊 统一风格。四件套下来，一个十分钟的播客音频从零到成品大概两小时。
拿不准的地方我会用最笨的办法验证：把生成结果放给不懂技术的朋友听，问他能不能听出是机器做的。他要是听不出来，这条就能用；他一耳朵听出来，我就重做。
更多工具见 AI 视频工具。
你现在要配的是有人声的歌，还是纯背景垫乐？告诉我时长和用途，我可以直接给你一套 prompt 起点和音量混音的具体数值。