音潮：全自研 AI 音樂創作平台，15 秒到 1 分鐘生成一首歌

音潮是一個全端自研的 AI 音樂創作平台，定位是把靈感盡快變成一首完整歌曲。它接受三種輸入：一段文字描述、一張圖片，或一段哼唱旋律；輸出的是帶人聲與編曲的成品，官方公布的生成時間是 15 秒到 1 分鐘。對沒有編曲經驗的人來說，這個入口夠低；對有製作經驗的人來說，價值在於快速做出可以評判的草稿。

與只做「文字進、音訊出」的工具不同，音潮把圖片與哼唱也當作正式輸入。這兩類輸入對應音樂創作裡最常見的兩種起點：一種是先有畫面感或情緒，想找一段貼合的音樂；另一種是腦中已有旋律，只是不知道怎麼編成曲。把哼唱當作輸入，等於承認「人先想出來的動機」比「描述精準的提示詞」更接近真實創作過程。

技術面上，音潮自研音樂大模型，強調多模態表徵能力與高保真重建能力，並以自研的 Diffusion Transformer（DiT）模型生成音訊。官方描述的產出特徵是「具有自然寬度與深度的立體聲音訊」，也就是在聲場與層次上更接近成型作品，而不只是單聲道的旋律片段。除了消費端產品，平台還提供音樂 API，涵蓋多模態生成、音色複製、音樂續寫與智慧混音，讓開發者與企業把音樂能力嵌進自己的產品。

主要功能

多模態創作入口

文字、圖片、哼唱三種輸入並列。文字適合描述風格與場景，圖片適合從視覺氛圍反推情緒與配器，哼唱適合把已有的旋律動機交給模型擴展成完整編曲。可依手上的素材選擇，不必硬把想法翻譯成提示詞。

快速生成整曲

官方給出的生成時間是 15 秒到 1 分鐘一首完整歌曲。這個速度的意義不在「快」，而在於讓「多試幾版」成為常規操作：同一段動機生成四五個方向，再挑一個繼續做，比一次生成就定稿更接近真實的創作流程。

個人化參數控制

可調整曲風、樂器編排、情感基調等參數。參數化的好處是可重現、可微調，缺點是自由度受限於平台暴露的維度；需要更細的控制時，通常要回到歌詞、結構與提示詞的描述上著手。

立體聲音訊輸出

基於 DiT 模型生成具有自然寬度與深度的立體聲，聲場與層次比單聲道輸出更接近成品。對短影音、播客、遊戲這類以耳機與小喇叭為主要收聽場景的內容，立體聲的空間感直接影響沉浸度。

創作者社群

提供作品展示、經驗交流與協作創作的社群空間，也有平台活動與挑戰。社群的作用不只是發布管道，也是判斷「什麼風格現在有人聽」的樣本來源。

音樂 API 服務

面向開發者與企業提供介面，支援多模態生成、音色複製、音樂續寫、智慧混音。音色複製與續寫屬於工程能力而非創作技巧，適合把音樂功能嵌進既有產品的團隊。

版權檢測

提供音樂版權檢測功能，用於核對作品的原創性與合法性。生成式音樂的實際風險常出現在「風格過於貼近某首已知作品」這一層，檢測能提前暴露這部分問題，但不能取代正式的法律意見。

使用步驟

1. 前往音潮官網，選擇網頁端直接使用，或下載行動端 APP，註冊並登入帳號。
2. 選擇創作模式：手上是文字想法就寫描述，是畫面就上傳圖片，是旋律就錄一段哼唱。
3. 提交創作素材。描述裡優先寫清用途、情緒與配器，比堆疊風格詞更容易得到可用的結果。
4. 調整曲風、樂器編排與情感基調等參數，把生成範圍收窄到想要的方向。
5. 點擊生成，等待 15 秒到 1 分鐘得到成品並試聽。不滿意時改參數重新生成，比在結果上硬改更省時間。
6. 對生成的音樂進行編輯，調整旋律、節奏或和聲，直到結構、段落與情緒走向符合預期。
7. 保存到平台或本機，再決定是否分享到創作者社群與社群平台；商用前先做一次版權檢測。
8. 瀏覽社群作品與平台活動，觀察同類題材的處理方式，反推自己下一版該怎麼改。

費用與授權說明

• 來源未公布訂閱價格、單曲生成成本、免費額度與商用授權條款，也未說明 API 的計費方式與呼叫限制。
• 生成音樂的商用範圍、版權歸屬與二次散布條件屬於使用前必須確認的事項，素材中沒有明確說明。
• 若計畫把音樂用於廣告、影視或遊戲發行，建議在正式使用前向平台確認授權範圍，不要以「生成即擁有全部權利」為前提安排專案。

適用場景

• 個人創作：沒有樂理與編曲基礎的人，用哼唱或一段描述做出完整歌曲，記錄情緒或紀念某個時刻。
• 內容創作：影音創作者與自媒體為影片配背景音樂，依畫面節奏生成貼合主題的曲子，避免通用曲庫的重複感。
• 廣告與行銷：為品牌短片、活動宣傳生成客製音樂，在風格與情緒上對齊品牌調性，縮短找曲與授權的週期。
• 遊戲與影視：為場景或分鏡快速試出多個配樂方向，先確定情緒與節奏，再決定是否進入正式製作。
• 音樂教育：用同一段動機生成不同編曲版本，讓學生直接聽到配器與風格變化帶來的差異。
• 產品整合：開發者透過 API 把音樂生成、音色複製、續寫與混音能力接進自己的應用。

使用限制與注意事項

• 來源未揭露免費額度、訂閱檔位與 API 價格，實際可用量需在平台內確認，不能依宣傳語推斷成本。
• 「15 秒到 1 分鐘」是官方給出的生成時間，實際耗時受曲長、併發與網路影響，批次生成時應預留等待時間。
• 參數化控制只涵蓋曲風、樂器編排、情感基調等維度，混音細節、具體演奏法與結構微調仍需後期處理。
• 版權檢測能提示相似風險，但不構成法律結論；商用前仍須自行核實授權與平台條款。
• 音色複製涉及他人聲音時存在肖像與聲音權益問題，使用前必須取得授權，平台功能可用不代表使用合法。
• 生成結果存在風格趨同的可能，同一批提示詞容易產出相似的編曲，正式專案建議混合人工編曲或二次創作。

常見問題

完全不懂樂理能用嗎？

可以。三種輸入方式裡，哼唱與圖片都不要求樂理知識，文字描述也能用日常語言表達用途與情緒。真正的門檻在於判斷結果好不好，這需要多聽、多比較不同參數下的差異。

哼唱輸入對音準有要求嗎？

來源未說明對音高與節奏準確度的具體要求。實務上哼唱的作用是傳遞旋律走向與節奏感覺，走音通常不影響模型理解動機，但結構清楚、段落分明的哼唱更容易得到完整編曲。

生成的歌能直接商用嗎？

素材未給出授權條款，無法確認。平台提供版權檢測功能，說明官方關注原創性問題，但商用範圍、版權歸屬與散布條件仍需向平台核實，涉及廣告與發行時尤其要謹慎。

生成一首歌要多久？

官方給出 15 秒到 1 分鐘。實際用時應把試聽、改參數、重新生成的時間算進去，做出一個滿意的版本通常是多輪生成的結果，而不是一次點擊。

和只支援文字輸入的工具相比有何不同？

差別在輸入端。文字工具要求你把想法翻譯成描述，音潮多出的圖片與哼唱入口減少了這一次翻譯。對已有旋律動機的人，哼唱往往比寫一段精準的風格描述更快。