【AI实测】ACE-Step 1.5 实测：给播客和视频配乐，这免费的 AI 音乐行不行？

给结论先：行，而且对中文创作者特别友好。

我用 ACE-Step 1.5（免费、能商用的 AI 音乐模型）按播客和短视频的真实创作动线生成了 12 段音乐，请 Gemini 3.1 Pro 老师逐段盲听打分，结论比预期乐观——片头、BGM、转场、片尾这些功能性配乐几乎全 5/5，中文人声”字正腔圆”，连”让音乐模型做转场音效”这种刁难测试都没翻车。

先听三段最直观的：

🎧 片头 Jingle（温暖钢琴，3 秒品牌音）

🎧 BGM 轻快垫底（尤克里里 + 拍手，不抢人声）

🎧 中文人声歌曲（女声咬字字正腔圆）

关于”满分太多”先说句实话：纯器乐段确实几乎全 5/5，这是 Gemini 老师的主观听感——功能性配乐是这模型的舒适区。但 BGM「不抢戏」这点，建议你自己拿人声垫一次再下结论；带人声的几段评分就克制多了（有 4 分短板）。满不满分不重要，能不能用进你的内容才是关键。

这篇测评回答三个问题：① 12 段场景实测成什么样（第一章）→ ② 提示词怎么写才能出这效果（第二章）→ ③ 这模型适合做什么、不适合做什么（第三章定位）。想直接看结论的跳第三章末尾，想学写提示词的从第二章看起。

（这模型怎么调用——网页端怎么用、API 怎么调、本地怎么部署、并发能跑几路，后续会单独写一篇《ACE-Step 1.5 使用指南》，敬请关注。）

一、12 段播客 + 视频场景实测

按播客和短视频的真实创作动线生成 12 段样本（编号 01-12），每段给四样东西：场景 → 提示词 → 写法要点（教你怎么写）→ 🎧 音频 + Gemini 3.1 Pro 老师听评 + 客观打分。

评分怎么来的：听感分（提示词遵循度、音质、情绪、场景可用性，1-5 分制）由 Gemini 老师听完音频盲评；时长精度由作者实测。满分 5 分，4 分及以上算可用。

1.1 播客场景（主线，样本 01-06）

按一期播客的真实制作动线：片头 Jingle → 垫底 BGM（三情绪对照）→ 中插 Bumper → 片尾 Outro。

样本 01：播客片头 Jingle（温暖钢琴，3 秒）

场景：节目开场”声音 logo”，要短、要独特、3 秒内建立品牌识别。

提示词：

<prompt>warm piano instrumental, gentle chime, brand ident, bright and welcoming, short opening logo, no vocals, no drums</prompt>

（指定 3 秒、勾上纯器乐。）

写法要点：brand ident（品牌标识）是关键——它告诉模型”这是 logo 音效不是一段曲子”，生成会更短促、有辨识度；配 no vocals, no drums 锁死纯器乐，避免模型自作主张加人声或鼓点。

🎧 样本 01（片头 Jingle）

Gemini 点评：温暖钢琴配清脆钟声，开头无爆音，质感极佳的播客品牌开场（听感全 5/5）。

唯一短板——时长：要求 3 秒实给 5.12 秒（时长精度 2/5）。云端有 ≈5.12 秒的隐性下限，想要更短的 jingle 必须用剪辑工具裁切（好在开头无爆音，裁前 3 秒是安全的）。

样本 02-04：BGM 三情绪对照（平静 / 科技 / 轻快，各 30 秒）

场景：这是整篇测评的核心实验——同一套结构、只改情绪词，看模型能不能准确区分 calm / tech / uplifting 三种 mood。这是播客 BGM 最真实的需求：不同主题的节目要配不同情绪的垫底音乐。

三个提示词（三段都指定 30 秒、勾上纯器乐，只改情绪和乐器描述）：

样本 02 - calm 平静
<prompt>calm ambient instrumental loop, soft piano, gentle pads, no vocals, no drums, no melody lead, seamless and unobtrusive</prompt>

样本 03 - tech 科技（与 02 对照，只改情绪和乐器）
<prompt>tech instrumental loop, subtle electronic, minimal synth arpeggios, clean and focused, no vocals, no drums, seamless background</prompt>

样本 04 - uplifting 轻快
<prompt>uplifting instrumental loop, light ukulele strumming, soft handclaps, warm acoustic guitar, cheerful and breezy, no vocals, seamless background</prompt>

写法要点：这三段是”只改情绪词、其他结构不动”的对照实验。两个关键技巧——① calm/tech 都加了 no melody lead（不要主旋律），BGM 一旦有明显旋律线就会和人声抢注意力；② uplifting 故意不放这个约束，改用具体乐器（ukulele+handclaps）让”轻快”有抓手。看 Gemini 点评三段听感差异大不大，就知道模型对 mood 词敏不敏感。

🎧 样本 02（calm）

🎧 样本 03（tech）

🎧 样本 04（uplifting）

样本 02（calm 平静）：柔和钢琴与 Pad，无鼓点无主旋律，极度平缓克制，可直接垫底（听感全 5/5）。

样本 03（tech 科技）：克制的合成器琶音，干净利落，科技感、专注感足（听感全 5/5）。

样本 04（uplifting 轻快）：尤克里里 + 拍手 + 木吉他，阳光轻松，轻快但不抢人声（听感全 5/5）。

三段时长均 30.00s 精确命中（时长精度 5/5）。

对照小结：只改情绪词、其他不动，三段听感差异巨大——02 极致平缓、03 克制电子、04 明朗原声，说明模型对 mood 词极其敏感。不过”不抢戏”是裸听听感，真要用还是建议你拿同一段人声分别垫三段试一次，那才是 BGM 的终极考核。

样本 05：播客中插 Bumper（过渡 stinger，2 秒）

场景：长播客的中段过渡，用 1-2 秒的 stinger 提示”要切到下一个话题了”，功能性大于音乐性。

提示词：

<prompt>short transition stinger, soft bell chime with a single warm piano note, clean and crisp, section divider, no vocals, no drums</prompt>

（指定 2 秒、勾上纯器乐。）

写法要点：bumper 是功能性音效不是音乐，所以要极力约束模型别发挥——single warm piano note（单个钢琴音符）+ section divider（段落分割器）明确告诉它”只出一个短促的提示音，别铺旋律”。

🎧 样本 05（播客中插 Bumper）

Gemini 点评：干净的单音加钟声，没有塞多余旋律，起落干脆，是极佳的段落过渡提示（听感 5/5，情绪不适用）。

唯一短板——时长：要求 2 秒实给 5.12 秒（时长精度 1/5，本批最严重）。时长还是那个隐性下限在作怪。其实更省事的做法是——直接从现成的 jingle 里裁一段当 bumper，不用单独生成。

样本 06：播客片尾 Outro（收束音乐，15 秒）

场景：节目结尾，要”收得住”——渐弱、结束和弦明确，给听众”结束感”。

提示词：

<prompt>warm piano outro, gentle resolving chord, soft strings fade out, calm and conclusive ending, no vocals, no drums</prompt>

（指定 15 秒、勾上纯器乐。）

写法要点：outro 的核心是收束感，AI 音乐常见问题是”不知道怎么结尾”（戛然而止或无限循环）。两个关键指令：resolving chord（解决和弦，让音乐”落回主音”有结束感）+ fade out（渐弱），组合起来模型才懂”要收了”。

🎧 样本 06（播客片尾 Outro）

Gemini 点评：钢琴配弦乐，自然渐弱（fade out），收束感明确无生硬切断，适合直接贴片尾（全 5/5，时长 15.00s 精确命中）。

1.2 视频场景（拓展，样本 07-09）

播客能用，短视频呢？这节测三个视频典型场景。

样本 07：视频开场 Cinematic Intro（渐强史诗，10 秒）

场景：短视频开场，要”抓人”——渐强结构、史诗感、10 秒内建立氛围。

提示词：

<prompt>cinematic orchestral intro, slow build from soft strings to powerful brass, dramatic and heroic, gradual crescendo, no vocals, epic film opening</prompt>

（指定 10 秒、勾上纯器乐。）

写法要点：渐强（crescendo）是动态变化指令，光写”epic”模型不知道怎么铺排——要用 slow build from soft strings to powerful brass（从柔和弦乐慢慢爬到强力铜管）把”起伏过程”写出来，模型才会做出层次分明的渐强，而不是一上来就满配器。

🎧 样本 07（视频开场 Cinematic Intro）

Gemini 点评：弦乐到铜管的渐强（crescendo）层次分明，复杂管弦配器下依然干净无电流声，开场冲击力足（全 5/5，时长 10.00s 精确命中）。

这是本批的音质压力测试——管弦乐（弦乐 + 铜管 + 定音鼓）是 AI 音乐最容易翻车的配器，常出现金属感铜管、糊掉的弦乐群。Gemini 给音质 5/5 是个超出预期的强信号：ACE-Step 在重配器场景下没暴露伪影。

样本 08：视频转场 Transition whoosh（能力边界，3 秒）

场景：视频画面切换的”嗖”一声过渡音效。这是故意为难模型——让音乐生成模型做音效设计。

提示词：

<prompt>cinematic transition whoosh, rising synth sweep with impact hit, dramatic scene change, no vocals, no drums, short swoosh</prompt>

（指定 3 秒、勾上纯器乐。）

写法要点：这是故意为难模型——让音乐模型做无音高的转场音效。关键是描述音效结构而不是音乐要素：rising synth sweep（上升的合成器扫频）+ impact hit（撞击）把”嗖—砰”的音效动作写清楚，模型才不会自作主张塞段旋律。

🎧 样本 08（视频转场 Transition whoosh）

Gemini 点评：合成器 sweep 加撞击声，真的做出了纯音效而没塞旋律，超出预期（听感 5/5，情绪不适用）。唯一短板还是时长（要求 3s 给 5.12s）。

这是我最预期翻车、结果没翻车的样本——原以为音乐模型做不了无音高的转场音效，结果它真的做出了”嗖—砰”。说明 ACE-Step 的指令控制力比想象中强，能跨界做简单音效设计。

样本 09：视频片尾 outro（带英文人声，20 秒）

场景：YouTube/B 站片尾常见的”感谢观看，下次见”，带人声、有结束感。

提示词（风格描述 + 歌词，指定 20 秒、语言选英文）：

<prompt>upbeat indie pop outro, clean electric guitar, warm male vocal, cheerful and feel-good, closing credits vibe</prompt>
<lyrics>[Chorus]
Thanks for watching till the end
Hit subscribe and be my friend
See you next time, take it slow
This is how the story goes

[Outro]
Catch you later, bye for now</lyrics>

写法要点：视频片尾是”功能性短曲”,歌词要口语化、有明确动作指向(Thanks for watching / Hit subscribe),配合 closing credits vibe 告诉模型”这是片尾引导订阅的调性”。注意这里只写了 [Chorus] 和 [Outro] 两段 (没写 Verse),因为 20 秒装不下完整曲式，精简结构反而更贴。

🎧 样本 09（视频片尾 outro，英文人声）

Gemini 点评：Indie pop 男声准确，情绪欢快贴片尾；但人声边缘偶有机器处理感，“Thanks for watching” 等核心词可懂、个别连读微含糊（听感有 4 分短板，时长 20.00s 精确命中）。

这是第一段出现 4 分的样本——纯器乐段全是 5/5，一带人声就降到 4/5。这个**“器乐强、人声略降”**的规律后面 10/11 也会重复出现，是 ACE-Step 能力分布的真实写照。

1.3 能力边界（测极限，样本 10-12）

这三个样本测模型的”天花板”和已知短板。

样本 10-11：中/英文人声歌曲对照（各 30 秒）

场景：用同结构的提示词测中文和英文人声，重点对比中文咬字和英文咬字的差异——业界（钛媒体实测）指出多数 AI 音乐模型中文人声咬字偏弱，ACE-Step 作为国产模型理论上中文应有优势，这两段直接对照。

提示词（中文 10，指定 30 秒、语言选中文）：

<prompt>gentle mandopop ballad, warm acoustic guitar and soft piano, clear female vocal, emotive and nostalgic</prompt>
<lyrics>[Verse 1]
夜色慢慢落下来
灯光把影子拉长
一个人走在街头
风吹过旧时光

[Chorus]
那些没说出口的话
都变成了星光
亮在回去的路上</lyrics>

提示词（英文 11，同结构，语言选英文、风格换 indie pop + 男声）：

<prompt>upbeat indie pop, clean electric guitar, energetic male vocal, summer vibe</prompt>
<lyrics>[Verse 1]
Walking down the sunny street
Feeling the rhythm in my feet
Every corner holds a song
This is where I belong

[Chorus]
We are the dreamers tonight
Dancing under the city lights
Catch the moment, hold it tight</lyrics>

写法要点：两段是对照实验，结构完全一样，只换语言和风格。两个关键——① 生成中文歌一定要把语言选项指定成”中文”,咬字会准很多 (不指定的话模型可能用英文音色硬唱中文，怪腔调);② 歌词用 [Verse]/[Chorus] 分段，模型会按段落铺排旋律起伏，结构越清楚曲式越像样。两段对照能直接听出中英文咬字的差异。

🎧 样本 10（中文人声）

🎧 样本 11（英文人声）

样本 10（中文人声）：女声自然真实、呼吸感接近真人，中文咬字字正腔圆，几乎可当成品单曲（全 5/5，时长 30.00s 精确命中）。

样本 11（英文人声）：夏日感活力足，但相较中文女声略逊——高频有轻微压缩感，男声发声带电音感、个别连读微含糊（音质/人声/可懂 4/5，时长 30.00s 精确命中）。

对照小结：业界（钛媒体实测）指出多数 AI 音乐模型中文人声咬字偏弱，而 ACE-Step 的中文女声拿到双 5/5，Gemini 用了”字正腔圆""几乎听不出 AI 痕迹”这种强表述；英文男声三项降到 4/5。中文明显优于英文——这对中文创作者是个实打实的利好。（注：性别和曲风也不同，严格对照需控制变量，这里只是初步信号。）

样本 12

分钟长曲子（长结构连贯性，240 秒）

场景：测长时长上限——4 分钟（240 秒）能不能精确命中，以及更重要的是”4 分钟内段落过渡自不自然”。官方 API 文档标注时长范围是 04-600 秒（最长 04 分钟），我直接测接近上限的 4 分钟。

提示词（多段结构 [Verse 1]/[Chorus]/[Verse 2]/[Chorus]/[Bridge]/[Chorus]，指定 240 秒、语言选中文）：

<prompt>gentle mandopop ballad, warm acoustic guitar and soft piano, emotive female vocal, nostalgic and cinematic, slow build</prompt>
<lyrics>[Verse 1]
夜色慢慢落下来
灯光把影子拉长
一个人走在街头
风吹过旧时光

[Chorus]
那些没说出口的话
都变成了星光
亮在回去的路上
陪我走到天亮

[Verse 2]
抽屉里的旧信
字迹已经模糊
那时候的我们
多认真啊

[Chorus]
那些没说出口的话
都变成了星光
亮在回去的路上
陪我走到天亮

[Bridge]
如果有一天再相遇
会不会还认得彼此的脸
时间带走了什么
又留下了什么

[Chorus]
那些没说出口的话
都变成了星光
亮在回去的路上
陪我走到天亮</lyrics>

写法要点：长曲子的关键是用结构标签把整首歌的骨架搭出来——[Verse 1] → [Chorus] → [Verse 2] → [Chorus] → [Bridge] → [Chorus]。尤其是 [Bridge]（桥段）不能省，它是副歌反复之间的”变化点”,没有它模型容易在重复中陷入死循环。风格描述里加 slow build（慢热爬升）,让 4 分钟有情绪起伏而不是一条直线。

🎧 样本 12（4 分钟长曲）

Gemini 点评：4 分钟内声学质量稳定，主副歌过渡自然、桥段有变化、后半段无崩坏或死循环，女声音准稳、中文咬字始终清晰（全 5/5，时长 240.00s 精确命中）。

AI 长曲的常见死穴是”前 30 秒很好，后面开始重复或崩坏”——这段扛住了。另一个反直觉发现：长曲子几乎不多花时间，4 分钟的歌生成耗时只比 30 秒的多 6 秒（Turbo 模型一次性生成完整音频）。对想直接生成完整歌曲的创作者是关键能力。

二、提示词怎么写

看完 12 段效果，想自己动手写了？这章讲方法论。提示词写得好不好，生成质量天差地别——下面是这套方法的实战总结。

2.1 万能公式：风格 + 乐器 + 情绪 + 人声/器乐 + 结构

风格描述遵循一个跨平台通用的万能公式：

[风格/流派] + [乐器] + [情绪] + [人声/器乐] + [结构]

对照上面的样本看：片头是”温暖钢琴 + 钟声 + 明亮欢迎 + 纯器乐 + 短开场 logo”，BGM 是”平静氛围 + 柔和钢琴 + 纯器乐 + 不要鼓点/主旋律”。经验：4-7 个描述词是甜区，太少不精确、太多模型会混乱；风格和情绪词放最前面（模型对开头词权重最高）。

2.2 三条关键技巧

① 先说不要什么，比正向描述更管用。做 BGM 时一定要写 no vocals（不要人声）、no drums（不要鼓点）、no melody lead（不要主旋律）——模型很容易”自作主张”加人声或鼓点，样本 02/03 就靠这几个负向约束把”垫底不抢戏”做出来的。

② 乐器和氛围要具体。warm piano 比 piano 好，gentle mandopop 比 pop 好——越具体越贴合。calm ambient 比 background music 好，因为模型知道你要的是”平静氛围”这种具体色彩。

③ 带歌词就用 [Verse]/[Chorus] 分段。歌词用 [Verse]（主歌）、[Chorus]（副歌）、[Bridge]（桥段）分段，模型会按段落铺排旋律起伏——结构越清楚曲式越像样，看样本 10/12 的歌词就懂了。

2.3 时长和模式：两个要记住的坑

• 锁时长用 Tagged 模式（用 <prompt> 标签那种）：指定多少秒就给多少秒，10 秒到 4 分钟实测零误差。别用 Sample 模式（直接写一句话那种）——它会自作主张覆盖你的时长（实测传 30 秒只给 19 秒）。
• 短时长有 ≈5.12 秒隐性下限：样本 01/05/08 要求 2-3 秒全被补到 5.12 秒，这是云端 turbo 的最小生成单元。想要更短必须用剪辑工具裁切。

（四种输入模式的完整对比、官方文档链接，后续的《使用指南》会详细展开。）

三、评分汇总：12 段样本一目了然

把第一章的打分汇总成一张表。听感维度（遵循度/音质/情绪/可用性/特化）为 Gemini 3.1 Pro 老师评测，时长精度为作者 ffprobe 实测：

说明：”—“表示该维度不适用（如纯器乐不评人声）。分数 1-5 分，5 分最佳。听感维度由 Gemini 3.1 Pro 评测，时长精度由作者 ffprobe 实测。

从场景评测看 ACE-Step 1.5 的定位

把 Gemini 的听评 + 我的客观实测合在一起看，ACE-Step 1.5 在播客/视频配乐场景的定位非常清晰：

🎯 强项（5/5 护城河）

1. 纯器乐功能性音乐是绝对舒适区。播客动线全部样本（01-06）在听感维度几乎全 5/5——Jingle、BGM 三情绪、Bumper、Outro 都拿到了”完美""极具辨识度""完美收束感”这种强评价。对一个想给播客配乐的创作者，这套动线开箱即用。
2. 管弦乐重配器不翻车。样本 07（Cinematic）是音质压力测试，Gemini 确认”复杂配器下依然干净""铜管爆发力足”——这是 AI 音乐模型的常见死穴，ACE-Step 扛住了。
3. 中文人声是国产模型的硬实力。10/12 两段中文女声拿到人声真实感 + 歌词可懂度双 5/5，“字正腔圆""几乎听不出 AI 痕迹”。对照英文（11）降到 4/5，中文明显优于英文——这是中文创作者选它的核心理由。
4. 长结构稳定。4 分钟样本（12）Gemini 确认”后半段无崩坏、桥段有变化”，AI 长曲”前好后崩”的通病没有出现。
5. 指令控制力超预期。样本 08（whoosh 转场）我预期翻车，结果模型真的做出了纯音效没塞旋律——说明它对”no melody”类负向约束的执行力很强。

⚠️ 边界（要避开的坑）

1. 短时长有 ≈5.12 秒隐性下限。01/05/08 要求 2-3 秒全被补到 5.12 秒，是本批唯一的硬性技术短板。想要 <5 秒的 Jingle/Bumper/转场，必须 ffmpeg 裁切，不能依赖 API 直接给。
2. 英文人声略逊中文。11 的音质/真实感/可懂度都是 4/5，“略带电音感""个别连读微含糊”——英文歌能用但不如中文惊艳。
3. “不抢戏”需真实混音验证。BGM 的”不抢人声”是 Gemini 裸听听感（全 5/5），但 BGM 的终极考核是垫在人声底下——建议你自己拿同一段人声分别垫 02/03/04 试一次，那才是”能不能用”的最终判据。

📌 一句话定位：ACE-Step 1.5 是当前中文创作者做播客/短视频配乐最省心、中文人声最不踩坑的选择——纯器乐 BGM 动线开箱即用，中文歌词歌曲接近成品级；唯一要记住的是”短时长靠 ffmpeg 裁、英文人声留余量”。

（想知道云端 API 能同时跑几路、批量生成怎么压并发，后续的《ACE-Step 1.5 使用指南》会有完整压测数据。）

结语

ACE-Step 1.5 这模型，从选型到实测给我两个清晰的感受：授权上没有坑（MIT + 合规训练数据），能力上够用且省事（免费云端、4 分钟长曲子 30 秒出活、时长听话）。这一轮请 Gemini 3.1 Pro 老师逐段听了 12 个场景样本，结论比我想的更乐观——纯器乐功能性音乐（播客片头/BGM/转场/片尾）几乎全 5/5，中文人声”字正腔圆”，连我预期翻车的 whoosh 转场都没翻车。对一个想给内容加点音乐、又不想踩授权雷的中文创作者来说，它就是当下最合适的那一个。

不过也要留两个清醒：一是 Gemini 给的满分是主观听感，尤其 BGM 的”不抢戏”得在你自己的真实混音里验；二是云端有 ~5 秒的时长下限，批量场景还要考虑并发瓶颈（这个后续《使用指南》会专门讲）。强烈建议你点开上面全部 12 段音频样本听一遍，自己耳朵说了算——尤其是 BGM 三情绪（02/03/04），拿同一段人声分别垫一次，那才是”能不能用”的终极考核。

如果这篇测评帮到你，想知道这个模型具体怎么调用（网页端、云端 API、本地部署），后续会写《ACE-Step 1.5 使用指南》，敬请关注；想知道选型对比和混音手艺，回看系列首篇《给播客加音乐：找到一个免费能商用的 AI 音乐 API》。两篇合起来，是从”选什么”到”怎么写好提示词”的完整路径。