7
14
用4090本地跑AI写歌是什么体验？第二弹，挑战冷门曲风
2026-07-23 16:16:57
0点赞
0收藏
0评论
上一期发了篇用 ACE-Step 1.5 在本地跑 AI 写歌的体验，有朋友问：常规风格确实能出，那冷门的呢？国风戏曲、韩语、印度、拉丁这些，AI 能不能 hold 住？
这个问题问得好。我手头的机器正好拿来试一下。
先晒一下配置
这次参与「我的电脑」话题，先把家底亮出来：
CPU：Intel i9-14900KS，24 核 32 线程，这颗 U 我日常全核跑稳定超频，跑 ComfyUI 推理的时候基本满载但不降频。
内存：128GB DDR5，四条 32GB 4800MHz 插满。为什么上这么大？因为除了跑模型我还同时开一堆虚拟机和 Docker 容器。实际跑 ACE-Step 单任务的话，16GB 就够，但谁让内存便宜了呢。
显卡：RTX 4090 24GB，这张卡不用多说了，目前消费级卡皇。跑 ACE-Step 1.5 XL Base 模型（大概 6GB），显存峰值不到 10GB，余量很充裕。生成一首 100 秒左右的歌，30~45 秒就出结果，大概是实时的 2.5~3 倍速。
主板：华硕 Z790 UD，供电够 i9-14900KS 发挥，PCIe 5.0 给显卡和 SSD 都拉满了。
硬盘：致态（Zhitai）Ti600 2TB NVMe，装在 PCIe 4.0 的 M.2 口上。读写在 7000MB/s 左右，加载模型文件基本秒开。
系统：Ubuntu。之前用的 Windows 11 跑 ComfyUI，偶尔会莫名其妙掉驱动或者显存泄漏，跑久了不稳定。后来干脆装了 Ubuntu 双系统，专门用来跑本地 AI 推理任务。稳定性提升很明显，连续跑几十个任务不重启也没问题。
这套配置不算顶级但也不差，总花费大头就是 CPU + 显卡 + 内存条。如果你只想跑 ACE-Step 写歌这一件事，3060 12GB 级别的卡就够用，CPU 用个中端 i5 也完全带得动。我上这套主要是为了同时跑多个不同的 AI 任务。
这次挑战了什么
上次五首是常规风格（流行、情歌、R&B、嘻哈、电子），这次专门挑冷门和跨文化的：
① 《梨园惊梦》— 国风+戏曲融合（110 秒） ② 《별빛 노래》— 韩语 K-Pop Ballad（100 秒） ③ 《孟买之夜》— 印度宝莱坞风（105 秒） ④ 《街头律动》— Rap+R&B 融合（95 秒） ⑤ 《烈焰舞步》— 拉丁/弗拉门戈（100 秒）
每首都写了完整歌词（Verse / Pre-Chorus / Chorus / Bridge / Outro），时长都在 90 秒以上，不是那种 30 秒的片段。想认真测试一下 AI 对不同音乐文化风格的还原能力到底到什么程度。
五首歌逐首说
①《梨园惊梦》国风+戏曲融合（110 秒）
《梨园惊梦》
这首是我最期待的一首，也是测试难度最高的。
提示词里填了 chinese traditional、opera fusion、guzheng（古筝）、erhu（二胡）、pipa（琵琶）这些关键词，BPM 设的 85，偏慢板叙事。
实际听下来：古筝和琵琶的音色出来得挺像回事的，前奏那段水墨画般的铺陈有点意思。戏曲人声部分——说实话，AI 唱不出真正的京剧或昆曲韵味，它更像是"用中文唱一个偏古风的旋律"，离真正的戏曲唱腔差得远。但作为一首"有中国风元素的 AI 歌曲"，整体氛围算立住了。"梨园惊梦""粉墨登场"这几句词唱出来的时候，还是能感觉到一点意境的。
评分：7/10——风格氛围到位，但戏曲唱腔还原度有限。AI 目前对非西方音乐文化的理解还是比较表面的。
②《별빛 노래》韩语 K-Pop Ballad（100 秒）
《별빛 노래》
语言设成了韩语（language=ko），风格走的 K-Pop 情歌路线。
效果出乎意料地好。钢琴前奏一出来就有那味了，弦乐进来的时机也符合 K-Pop ballad 的编曲习惯。人声虽然明显是合成的，但韩语发音比中文自然不少（我猜训练数据里韩语歌占比不小）。副歌 "별빛 노래" 那段旋律挺抓耳的，听完两遍就在脑子里转。
评分：8/10——几首里面完成度最高的一首。K-Pop 的标准化制作风格可能反而适合 AI 还原，因为它的编曲套路比较固定。
③《孟买之夜》印度宝莱坞风（105 秒）
《孟买之夜》
sitar（西塔琴）+ tabla（塔布拉鼓）+ bollywood orchestra，BPM 110，偏欢快节日感。
西塔琴那个滑音味道出来了！这是让我比较惊喜的一点。塔布拉鼓的节奏型也有点印度打击乐的意思，虽然跟真人的复杂度没法比。整首歌的热闹感和庆典氛围是对的，放在一部宝莱坞电影里当背景音乐也不会太违和。
问题是：人声部分完全不像印度唱法，更像是普通的英文流行唱法配了个印度风伴奏。AI 对声乐风格的文化特征捕捉，明显弱于对乐器音色的捕捉。
评分：7.5/10——乐器音色还原不错，人声风格没跟上。
④《街头律动》Rap+R&B 融合（95 秒）
《街头律动》
trap beat 做底层，上面叠 melodic rap flow 和 R&B 式的旋律段落，试图做两种风格的切换和融合。
beat 本身做得还行，808 贝斯的低频够厚，鼓点的编排有层次。rap 段落的 flow 节奏框架基本合理，停顿和重音的位置没有乱。但一到 R&B 过渡段就显得生硬了，两种风格之间的衔接不够自然，像是两首歌拼在一起而不是有机融合。
中文 rap 的咬字问题依然存在——一听就有机器味。这个在上期就发现了，这期换了提示词也没本质改善。
评分：6.5/10——单看 beat 可以，融合完成度一般，rap 人声是短板。
⑤《烈焰舞步》拉丁/弗拉门戈（100 秒）
《烈焰舞步》
spanish guitar（古典吉他）+ castanets（响板）+ clapping percussion（拍手节奏），BPM 100，E 小调。
吉他音色出来得很好！弗拉门戈那种扫弦的力度感和节奏感有了。响板的点缀也加对了位置。整首歌的热情和张力是对路的，闭上眼睛能想象到一个穿红裙子的舞者在旋转。
但同样的问题：人声没有弗拉门戈歌手那种特有的颤音和情感爆发力，更接近普通的英文流行唱法。而且弗拉门戈那种复杂的 12 拍节奏循环，AI 明显没掌握住，拍手节奏段的节拍偶尔会飘。
评分：7/10——乐器部分优秀，节奏和人声还需迭代。
冷门曲风 vs 常规风格：差别在哪？
对比上期的五首流行风格和这期的五首冷门风格，说几个直观感受：
乐器音色 > 人声风格。不管什么曲风，ACE-Step 对乐器音色的还原都明显好于人声风格。古筝、西塔琴、弗拉门戈吉他，这些有强烈文化特征的乐器，AI 都能给出像样的音色。但对应文化的人声唱法（戏曲唱腔、印度唱法、弗拉门戈唱法），它基本做不到。出来的声音更像"用同一种合成嗓音唱不同语言的歌词"。
标准化风格 > 地方性风格。K-Pop 效果最好，很可能因为 K-Pop 本身就是一种高度标准化的全球性流行音乐，有固定的编曲公式可循。而戏曲、弗拉门戈这些地方性更强的音乐传统，变化太多样，AI 训练数据覆盖不够。
节奏框架 > 细节装饰。大框架的 BPM、段落结构、基础节奏型，AI 控制得不错。但各音乐文化特有的细节装饰音、微节奏变化（比如弗拉门戈的 compás、印度的 tala 循环），AI 基本忽略了。
这台机器跑起来什么水平
补充一些实测数据，给想自己折腾的朋友参考：
项目 数据 单首生成时间（95~110秒歌曲） 36~45 秒 实时倍率 约 2.5~3 倍 显存占用峰值 < 10GB（模型 6GB + 推理中间态） GPU 利用率 95%~98%（几乎跑满） 连续生成 5 首 总耗时约 3 分半，无报错 系统稳定性 Ubuntu 下连续运行无崩溃
如果用 3060 12GB，预计生成时间会翻倍到 70~90 秒一首，但也完全可用。4060 Ti 16GB 的话大概在 50~60 秒。核心瓶颈其实在显存大小而不是计算速度——只要显存塞得下模型，就能跑。
几句实在话
AI 写歌能做到的事：
出一段完整结构的曲子，有前奏主歌副歌过门结尾
模仿多种乐器的基本音色，包括跨文化的特色乐器
按你给的歌词和风格描述来生成，可控性不错
速度很快，本地跑不花钱不排队
AI 写歌还做不到的事：
真正的文化性人声唱法（戏曲、弗拉门戈、印度唱法都不行）
复杂的音乐文化特有的节奏体系（tala、compás 等）
超过 2 分钟的长曲目结构把控
替代真人 musician 的细腻表达和情感传递
作为一个创意辅助工具，它已经超出我的预期了。特别是想到这东西完全免费开源、本地运行、数据不出机器，我觉得值得推荐给有兴趣的朋友试试。
怎么上手
下载 ACE-Step 1.5 XL Base 模型（HuggingFace 免费下载）
装 ComfyUI（官网有一键包，Windows/macOS/Linux 都支持）
导入工作流 JSON，改 tags 和歌词就行
不想碰界面？用 WorkBuddy 技能封装，对话里直接说"帮我生成一首 XX 风格的歌"
最后说一下，我这台机器除了跑 AI 写歌，平时还跑画图生视频的开源模型、本地 LLM 大模型推理、视频编码渲染之类的活。i9-14900KS + 4090 这个组合，目前来说干啥都够用， bottleneck 反而在软件生态和模型质量上而不在硬件性能上。
以上就是第二弹的全部内容。有问题评论区见，下一弹打算测测 AI 写纯器乐和无歌词的氛围音乐，感兴趣的朋友可以关注一下。
本文所有歌曲均为 AI 生成，仅供技术交流和学习使用。
作者提示含AI生成内容。作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～
