【创作手记】当审美凌驾于算法：AI音乐作品《我们怎么了》技术与美学复盘

一、前言：一次反“灵感”的工程实践

在这个圣诞节，我发布了作品《我们怎么了》。这并非一次由“灵感”驱动的即兴生成，而是一次高度可控、可复现的 AI 音乐创作工程实践。

本次项目的核心目标并非单纯追求“好听”，而是为了验证一个命题：

当创作者具备成熟审美与清晰情绪模型时，AI 可以被“降维”为一套稳定、服从性的表达工具。

这不仅仅是一首歌曲，更是一份关于如何在算法时代保持人类主体性的技术文档。

在创作中，我刻意放弃了隐喻系统的绝对物理自洽，允许情绪在局部突破逻辑边界。

案例分析： 歌词中使用了**「还能不能让落叶复活」**，而非更符合冰雪物理系统的「还能不能让裂痕结霜复原」。
美学考量：
- 逻辑断裂即人性： AI 的生成倾向通常是逻辑完美的（基于概率最大化），但由于过于工整而显得乏味。人类之所以是人类，是因为我们会产生非理性的渴望。
- 图灵测试的防伪水印： 少女的情绪是不讲“材料力学”的。这种“一本正经地唱出非逻辑的渴望”，恰恰构成了听觉上的“人性时刻”。逻辑是 AI 的强项，因此也是 AI 的破绽；非逻辑是人类的弱点，却是艺术的支点。

作品严格限定在**「冬 / 雪 / 冷却」**这一母题系统内，避免了常见 AI 歌词的“意象堆叠失控”。所有推进均基于状态的演变：

提示词（Prompt）在我的工作流中，不再是描述“结果”的许愿清单，而是用于限制模型自由度的工程指令。

AI 模型（如 Suno）本质上存在“恐怖真空”本能，倾向于用音符填满每一个频段。为了对抗这种“音墙”效应，我采用了负向约束策略：

指令： minimal piano and ambient pads, falling snow soundscape
原理： 强制模型执行“低密度预测”。通过限定乐器数量，迫使 AI 将算力集中在**人声的细腻度（Vocal Texture）和残响（Reverb）**的运算上。做减法，是让 AI 产生“空气感”的唯一途径。

指令： female vocal group harmony like S.H.E, three female voices alternating verses
目的： 这不是简单的风格模仿，而是工程级的结构锁定。它规定了声区、音色质感以及那标志性的“三部和声”层级，防止主副歌的人声逻辑混乱。

指令： Makoto Shinkai inspired healing anime ballad, cinematic wide sky feeling
原理： “新海诚”在这里不是音乐风格，而是视觉滤镜。目前的 AI 模型已具备跨模态的通感能力。通过引入视觉关键词，调用模型潜在空间（Latent Space）中的通感映射，能比单纯的音乐术语更精准地控制整体的色温与光照感。

整首歌曲的设计并非追求戏剧性的爆发，而是一场**“热力学熵增”**的过程——从低温走向绝对零度。

本次创作的成功，标志着我个人创作模式的范式转移：从“尝试生成”转变为**“审美主导下的工具调度”**。

在 AI 音乐的工作流中，人类的核心价值已不再是负责每一个音符的堆砌（那是 AI 作为 Session Musician 的工作），而是转移到了策展（Curation）与决策（Decision）：

《我们怎么了》它是一件被准确放置在正确季节、正确温度、正确情绪层级的礼物。

AI 音乐创作的上限，永远取决于人类的审美边界，而非模型的能力。