音色、节奏、配乐:三个被混着用的词
「音色好」「节奏对」「配乐贴合画面」指向三件不同的事。本文把三者分开讲清,并说明三家音乐生成模型的实际边界和「能商用」有几种含义。

结论先行
「音色」「节奏」「配乐」这三个词常被混着说,混着谈就永远谈不清楚。它们指向三件完全不同的事:音色是声音本身的样子,节奏是时间上的结构,配乐是音乐和画面的关系。
这篇不讲怎么做,讲清楚是什么。读完你应该能分辨:我想改的到底是声音的哪个部分、这条音乐的结构、以及我能不能把它放进要发布的地方。
一、音色:声音本身的样子
「音色」在中文里经常被用来指「音质好」,但它其实有更具体的意思——声音的身份特征。同一个字念出来,换个人念,你还是能听出是谁。这就是音色。
把音色拆开成可以控制的维度,会清楚很多:
| 维度 | 它决定什么 | 常见的描述词 |
|---|---|---|
| 音高 | 声音的高低位置 | 高、低、厚重、尖细 |
| 共鸣位置 | 声音在身体哪个位置共鸣 | 胸腔共鸣、鼻腔共鸣、喉音 |
| 质感 | 声音的表面状态 | 沙哑、气声、干净、颗粒感 |
| 情绪色彩 | 声音传递的情绪 | 疲惫、兴奋、冷淡、笃定 |
| 语速与停顿 | 说话的节奏习惯 | 缓慢、紧凑、拖长尾音 |
ElevenLabs 的语音文档把这套控制写成了可操作的形式:
在 Eleven v4 里,voice settings 可以调稳定度(stability)和相似度(similarity),标点符号和 Audio Tags 用来塑造节奏,
Audio Tags 写成 [whispers]、[hesitant]、[excited] 这类提示直接嵌在稿子里。要把专有名词念准,用 IPA 或发音词典。
要点:音色是「谁在说话」。它和「说什么」是两条独立的轴。同一段文案换一个音色,是另一个人在说同一件事;同一段音色换文案,是同一个人在说另一件事。做配音时先定音色再做稿子,比反过来省事。
克隆音色这件事,各家的门槛不一样。
ElevenLabs 的说明写得很直接:
即时克隆(Instant Voice Cloning)用一到两分钟录音,Starter 档及以上可用;
专业克隆(Professional Voice Cloning)要 30 分钟以上干净录音,Creator 档及以上可用,并且经过验证后只限克隆自己的声音。
文档同时写了一句硬约束:「You can only clone a voice you have permission to use」——你只能克隆你有权使用的声音。ElevenLabs 还用 AI Speech Classifier 检测克隆音频。
这一条不是平台规则,是法律问题。后面「边界在哪」那节会展开。
二、节奏:时间上的结构
节奏在音乐里不是「快一点慢一点」这么简单,它有三个层次。
速度(BPM):每分钟多少拍。ElevenLabs 的音乐提示词最佳实践里明确说,要获得更多对时间和和声的控制,就在提示词里写节拍提示(比如「130 BPM」)和调号(比如「in A minor」),模型会足够精确地保持你给的 BPM 和调,这样输出的结果才能和其他素材叠在一起用。
律动(groove):不是速度,是鼓点怎么落。切分、是否 Swing、人声在拍子的哪一侧。
结构(structure):整首歌分几段,每段多长。这是新手最容易忽略、但对成片影响最大的一层。
ElevenLabs 的音乐文档把结构控制做成了工具:
可以用 composition plan(作曲计划)来精确控制段落结构、歌词位置和多声部编排,而不是只写一句提示词。
Music v2 支持逐段生成(long-form section-by-section composition)、曲中风格切换、inpainting(只重做某一段而不影响整首)。
要点:一条 30 秒的短视频配乐,和一条 3 分钟的产品片配乐,需要的「节奏」完全不是一回事。前者要的是立刻起势、30 秒内收得住;后者要的是段落起伏和情绪递进。用同一套描述去生成,出来的结果一定有一头不对。
三、配乐:它和画面的关系
配乐不是背景音乐,它在片子里承担一个具体功能。这个功能通常有四种:
| 配乐承担什么 | 什么时候用 | 失败的样子 |
|---|---|---|
| 交代环境 | 需要让观众知道「这是室内/室外、热闹/安静」 | 音乐和画面完全无关,观众感觉不到空间 |
| 推动情绪 | 需要观众紧张、感动、振奋 | 音乐很满但情绪不对,比没有更干扰 |
| 掩盖瑕疵 | 画面有瑕疵,用音乐盖过去 | 能听出音乐在「救」画面 |
| 标记节奏 | 短视频需要卡点 | 音乐和剪辑点对不上 |
ElevenLabs 的音乐最佳实践里有一句话点出了配乐的核心:
The model renders sound itself, and it holds no opinion on whether the sound you're describing could physically occur.
模型自己渲染声音,它不判断你描述的声音在物理上是否可能发生。也就是说非音乐的声音(音效、环境音、质感)可以直接写进提示词,混在曲子里。
要点:如果你想要的是配乐而不是一首完整的歌,提示词里要写清楚它在片子里的角色,而不是只写一个风格标签。「一段 30 秒的轻快口哨旋律,只用单簧管和手拍鼓,无人声,在第 5 秒进入,结尾干净收住」和「一段欢快的音乐」是两个完全不同的需求。
四、三家音乐生成模型的实际边界
把公开页面上的说法摆在一起,能看出三种不同的产品定位。
Google Lyria
Google 的 Lyria 模型文档写得非常克制。
模型 ID 是 lyria-002,输出是 30 秒的 WAV,采样率 48 kHz,只有器乐。
提示词要求用美式英语(en-us)描述,支持负向提示词,可以指定 seed(确定性生成)或 sample_count(生成多个样本),两者不能同时用。
安全措施列了四项:内容安全过滤、朗诵检测(recitation checking)、艺术家意图检查(artist intent checks)、SynthID 水印。
提示词建议只说四件事:曲风、情绪、配器、速度。
定价:Lyria 2 是每 30 秒输出 0.06 美元;Gemini API 定价页上 Lyria 3 的 30 秒片段是每首 0.04 美元,Lyria 3 Pro 和 Lyria 3.5 都是每首 0.08 美元。
ElevenLabs Music
Eleven Music 的说明更接近「工具」而不是「黑箱」。
文档写它由唱片公司、出版商和艺术家合作创作,「cleared for nearly all commercial uses」——覆盖影视、播客、社交媒体视频、广告、游戏。
音乐时长最短 3 秒最长 5 分钟,输出 MP3(44.1kHz,128-192kbps)和 WAV。
它的 Audio Reference 功能可以上传约 30 秒的参考音频来引导风格,官方明确说:每一次上传都会先做版权合规筛查。
文档也说得很诚实——Audio Reference 不是混音工具,也不是流派转换工具,上传爵士乐参考然后要求生成说唱,结果可靠性会下降。
音乐微调(Finetune)可以用你自己上传的非版权曲目训练,官方会先做版权筛查,微调模型大约 5 到 10 分钟可用。
Suno
Suno 的定位是「用提示或歌词创作完整歌曲」,它的档案结构和其他两家不一样——它是按订阅档位划分权利的,不按模型。
Suno 的定价页上,免费档写明:不提供商业权利;Pro 档 8 美元/月,2500 积分/月,20 首下载/月,包含商业使用权;Premier 档 24 美元/月,10000 积分/月,60 首下载/月,同样包含商业使用权。
Suno 的帮助中心把归属问题讲得最清楚:
- 如果你创作这首歌时正订阅着 Pro 或 Premier 档,这首歌的所有权归你,订阅取消后你仍保留商业使用权。
- 如果你用的是免费档(Basic),Suno 保留歌曲的所有权,你只获准作非商业用途使用。
- 订阅之后不会追溯授权。用免费档做的歌,事后升级不会自动获得商业许可。官方说特殊情况可能给追溯授权,但不保证,且只针对特定歌曲。
- 关于版权,官方写得很明确:Suno 不保证输出的著作权归属。它授予的是「商业使用权」(granted commercial use),意思是允许你尝试变现而不被 Suno 分走版税。
- 官方还提醒:任何时候要变现,你必须是这段素材 100% 的独占权利人。
要点:这四句话合起来说明了一件事——「生成成功」和「可以商用」之间隔着一个订阅状态和一个独占权判断。这不是 bug,是这类产品的商业模式设计。
五、音乐不能用参考素材做像素级复制
不能,这是各家都在守的线。
ElevenLabs 的音乐条款里有一条写得很清楚:不得提示音乐服务生成复制或模仿任何录音艺人(无论在世与否)的声音、肖像或可识别特征的输出,且这种行为可能造成误导或暗示虚假背书。
同一条款里还有一句值得注意的话:
ElevenLabs 可能会把输出标记为 AI 生成,但不保证任何输出都带有水印或来源标记,
并且「no marking ElevenLabs applies satisfies your disclosure obligations under applicable law」——它自己加的标记,不等于满足你在法律上需要做的披露义务。
Google 的 Lyria 也有对应的一道:artist intent checks(艺术家意图检查),加上 recitation checking(朗诵检测,防止它把已有歌词唱出来)。
要点:想做「某某歌手风格的音乐」这件事,在法律上和事实上都不成立。能做的是描述音乐本身的属性——速度、配器、情绪、年代感。ElevenLabs 的文档给了示范写法:把制作年代当成和 BPM 一样的旋钮来用,「1950 年代摇滚加 slapback 回声」「1990 年代丛林」这种命名会设定整首歌的制作性格。
六、边界在哪:四种「能商用」不是一回事
这一节是全文最该记住的部分。音乐和图像的版权问题不同,因为音乐的授权链条更长。
| 层 | 这一层要求什么 |
|---|---|
| 第一层:平台的条款允许你商用 | Suno 的付费档写明包含商业使用权,ElevenLabs 的音乐条款说清除了几乎所有商业用途,Google 的 Gemini API 付费层说明 Google 不用你的提示和输出去改进产品。这层是「平台不拦你」 |
| 第二层:法律上你有权使用这段素材 | 平台允许你商用,但它不会替你解决输入材料的问题。如果你上传了一段别人的歌当参考、用了别人的词、克隆了别人的声音,这三层权利的归属在你自己身上 |
| 第三层:署名义务 | ElevenLabs 音乐条款里定义了 Attribution 的标准:在展示、分发或发布输出及其衍生物的地方,以大致「Created in collaboration with ElevenLabs」的形式给credit,出现的显著程度不低于周围的文字。免费档的语音也需要注明 ElevenLabs |
| 第四层:披露义务 | 中国的规则已经写进《人工智能生成合成内容标识办法》 |
具体怎么执行。该办法由国家互联网信息办公室、工业和信息化部、公安部、国家广播电视总局联合发布,2025 年 9 月 1 日起施行。
第三条把标识分成两种:显式标识是在生成合成内容或交互场景界面中添加、以文字声音图形等方式呈现且能被用户明显感知的标识;隐式标识是采取技术措施在文件数据中添加、不易被用户明显感知的标识。
第四条规定了各类内容的显式标识要求:图片在适当位置添加显著提示标识;视频在起始画面和播放周边适当位置添加显著标识,可以在末尾和中间适当位置添加;音频在起始、末尾或中间适当位置添加语音提示或音频节奏提示。
第五条要求在生成合成内容的文件元数据中添加隐式标识,包含生成合成内容属性信息、服务提供者名称或编码、内容编号等要素。
第十条对使用者的义务写得很直接:用户使用网络信息内容传播服务发布生成合成内容的,应当主动声明并使用服务提供者提供的标识功能进行标识;任何组织和个人不得恶意删除、篡改、伪造、隐匿本办法规定的生成合成内容标识。
平台层面已经有落地规则。
抖音 2026 年 9 月 3 日发布的公告写明,2026 年 5 月发布的《抖音内容标识使用规范》要求创作者发布使用平台 AI 特效或第三方 AI 工具生成的内容时,应添加「内容由 AI 生成」的标识;
平台把「自主声明」作为内容标识的重要抓手,同时会核验、检测站内未主动标识的内容,对疑似 AI 内容补充添加显式标识。
要点:三层义务是叠加的,不是替代的。平台允许你商用(第一层),不代表你自动完成了法定披露(第四层);法定披露(第四层)也不代表你可以随便用别人的词和声音(第二层)。
七、一份判断清单
不是操作步骤,是判断依据。发布前逐条对:
| 要判断的事 | 判断标准 | 去哪查 |
|---|---|---|
| 这段音乐是不是我有权用的 | 我是不是 100% 独占权利人 | 自己的创作记录、授权书 |
| 平台允不允许商用 | 我创作时订阅的是哪一档 | 该平台的定价页与帮助中心 |
| 会不会被当成真人作品传播 | 平台条款是否要求披露 | 平台条款 + 标识办法 |
| 有没有模仿具体艺人 | 提示词里有没有指名某位艺人或某首曲子 | 自己检查提示词记录 |
| 参考素材有没有风险 | 参考素材是否过了平台的版权筛查 | 平台对上传素材的筛查结果 |
| 输出有没有来源标记 | 需不需要额外加标记 | 平台说明 + 内容标识要求 |
| 声音是谁的 | 克隆的声音有没有获得授权 | 书面授权记录 |
最后一栏是很多人漏的。声音克隆的授权要留书面记录,口头同意在纠纷里很难用。
资料来源与未核实项
核对日期:2026-11-10。以下均为当日实际打开过的官方页面。
| 页面 | 本节用到的内容 |
|---|---|
| https://docs.cloud.google.com/gemini-enterprise-agent-platform/reference/models/lyria-music-generation ↗ | Lyria 模型 ID lyria-002;30 秒 WAV 48kHz 纯器乐;美式英语提示词;负向提示词;seed 与 sample_count 互斥;提示词要素为曲风/情绪/配器/速度;四项安全措施含 recitation、artist intent 检查与 SynthID;Lyria 2 每 30 秒 0.06 美元 |
| https://ai.google.dev/gemini-api/docs/pricing ↗ | Lyria 3 Clip Preview(30 秒)每首 0.04 美元;Lyria 3 Pro Preview 与 Lyria 3.5 每首 0.08 美元;免费档与付费档的数据使用差别 |
| https://aistudio.google.com/docs/terms ↗ | 免费服务(Google AI Studio 交互与 Gemini API 免费额度)下 Google 使用你提交的内容与生成的回复来提供、改进和开发产品与服务,可能有人工审核;付费服务下不使用提示与回复改进产品 |
| https://elevenlabs.io/docs/capabilities/music ↗ | Eleven Music 时长 3 秒到 5 分钟;MP3 44.1kHz 128-192kbps 与 WAV;Audio Reference 约 30 秒且每次上传做版权合规筛查;Finetune 需上传非版权曲目并自动筛查;音乐条款中不得模仿录音艺人的规定;ElevenLabs 可能标记但不保证输出带水印或来源标记 |
| https://elevenlabs.io/docs/overview/capabilities/music/best-practices ↗ | 生产词汇(BPM、调号、制作年代、Audio Tags)实际影响输出;结构时长与自动模式;composition plan 用于精确段落结构;音效可直接写进提示词 |
| https://elevenlabs.io/text-to-speech ↗ | 即时克隆 1 到 2 分钟录音、Starter 档起;专业克隆 30 分钟以上干净录音、Creator 档起且限本人;「你只能克隆你有权使用的声音」;付费档含商业权利、无额外版税、输出所有权归你;免费档仅限个人非商业使用且需署名 |
| https://suno.com/pricing ↗ | 免费档 50 积分/天、无商业权利;Pro 8 美元/月 2500 积分 20 首下载含商业使用权;Premier 24 美元/月 10000 积分 60 首下载含商业使用权;积分不跨周期累积、充值积分不过期但需有效订阅 |
| https://help.suno.com/en/articles/2416769 ↗ | 订阅 Pro/Premier 期间创作的所有权归你且取消后仍保留商业使用权;免费档 Suno 保留所有权、仅准非商业使用 |
| https://help.suno.com/en/articles/2425729 ↗ | 订阅不追溯授权免费档歌曲;特殊情况可能给追溯授权但不保证 |
| https://help.suno.com/en/articles/2410177 ↗ |
未核实项:
- 本文没有实际使用任何音乐生成工具生成了作品,也没有试听对比。所有描述来自官方文档与帮助中心。
- Lyria 的「30 秒」长度来自
lyria-002模型文档;Gemini API 定价页上的 Lyria 3/3.5 标注为「每首」,各档实际时长本文未逐一核对模型页,属未核实。 - 各家音乐模型输出的实际音质、咬字准确度、中文人声表现,本文没有实测,无法给出优劣判断。
- ElevenLabs Music 条款里的 Music Commercial Rights Table(不同订阅档对应的可用范围表)位于条款附录,本文抓取到的页面正文未包含该表的完整内容,因此「哪些档位能用于流媒体分发」这类细节本文只写条款正文明确的部分,其余标注为未核实。
- Suno 帮助中心的多篇问答之间存在版本差异(例如 Pro 档是否包含流媒体分发),本文只引用了当日抓取到的页面表述,未逐条比对条款正文。
- 中国大陆以外的司法辖区对 AI 生成音乐的版权认定差异很大,本文只引用了中国大陆的规则和一家中国法院的判决,未涉及其他法域。
- 「参考素材是否过了平台版权筛查」只能以平台自己的筛查结果为准,第三方无法核验,本文在清单里如实标注了这一限制。
能播放音频文件
适用范围:方法练习。音频生成工具的界面与套餐会变,具体入口以官方当前说明为准,本文没有实测生成效果。
以下来源方便你逐项对照;引用文档不代表已经完成实际操作测试。 本文标注为 AI 辅助起草。
- 正文引用的官方页面已逐条打开核对;文中数字均来自这些页面,未实测的部分已在「资料来源与未核实项」写明
- 核对了什么:本次只做表达层改写(拆长段落、结论前置、删重复与填充句),数字、型号、版本、日期、URL、官方表述、否定表述(没有/不支持/不含)以及限制条件全部保留;改写前后用脚本抽取正文里的数字、英文专名与 URL 做集合比对,差集为空,说明没有丢事实。没做什么:没有新增任何事实,没有重新实测文中提到的产品,没有改动正文里已有的表格、清单、代码块与图。
- 核对了什么:这条只说明本文的适用范围与方法边界,不是对某个产品版本的实测结论 —— 写法与站内其它方法类文章一致(明确说明依赖不依赖某个客户端版本、哪些具体环节没有实测)。核的时候逐句确认了正文与这条说明一致:正文里讲的步骤不依赖特定按钮或菜单,涉及具体工具的部分都写了「以官方当前说明为准」。没做什么:没有实测任何一个产品的当前版本、菜单路径、价格或套餐;凡涉及具体价格、额度、地区可用性的表述,正文里都保留为未核实项,没有在这里被当作已核实。
- 2026-11-10 补配图后重新核对:正文文字与事实未改,仅在对应小节末尾插入示意图;正文引用的官方来源链接均已实际打开确认可达,插图文件已核对存在并上传到站内静态资源
- | Lyria 模型 ID `lyria-002`;30 秒 WAV 48kHz 纯器乐;美式英语提示词;负向提示词;seed 与 sample_count 互斥;提示词要素为曲风/情绪/配器/速度;四项安全措施含 recitation、artist intent 检查与 Sy
- | Lyria 3 Clip Preview(30 秒)每首 0.04 美元;Lyria 3 Pro Preview 与 Lyria 3.5 每首 0.08 美元;免费档与付费档的数据使用差别 | | https://aistudio.google.com/docs/terms
- | 免费服务(Google AI Studio 交互与 Gemini API 免费额度)下 Google 使用你提交的内容与生成的回复来提供、改进和开发产品与服务,可能有人工审核;付费服务下不使用提示与回复改进产品 | | https://elevenlabs.io/docs/
- | Eleven Music 时长 3 秒到 5 分钟;MP3 44.1kHz 128-192kbps 与 WAV;Audio Reference 约 30 秒且每次上传做版权合规筛查;Finetune 需上传非版权曲目并自动筛查;音乐条款中不得模仿录音艺人的规定;Eleven
- | 生产词汇(BPM、调号、制作年代、Audio Tags)实际影响输出;结构时长与自动模式;composition plan 用于精确段落结构;音效可直接写进提示词 | | https://elevenlabs.io/text-to-speech | 即时克隆 1 到 2 分
相关工具
发现内容与当前界面不一致?
提交内容纠错金额随意,多少都帮得上忙。AITime 的资料整理、事实核对和每日更新由个人完成, 没有付费墙,所有内容都可以免费读。
扫码使用微信支付,备注可以留空。
哪个工具卡在哪一步、想给文章补一个真实案例、都可以加我。 留言时写清来源和具体问题,我看到会回。
扫一扫添加好友,备注写「AITime」我更容易认出来。
讨论与使用经验
正在加载讨论…