一个人就是一家唱片公司：做歌成本归零之后，什么变贵了
素材说明：本文为个人 AI 音乐生产实践的第二篇（上一篇讲工程踩坑，本篇讲设计与判断），
所涉流程、参数、取舍均为实际操作记录，不涉及任何收益数据，亦非产品推广。
01 五十个文件，和它们背后真正的问题
先给一个直观的量级。
一个系列做下来，磁盘上的交付物是这样的：每首歌 5 个文件——普通话音频、藏语音频、两份歌词、一张封面。一个二十来首的系列，就是一百多个成品文件。
如果这些东西交给你手工做：登录平台、粘贴歌词、等生成、点下载、重命名、上传下一首……按每首歌十分钟算，只是重复劳动就得小半天。
而现在是几条命令。中间断网、浏览器崩了、超时了，重跑同一条命令就能接着走。
但我想说的不是"我做了多少"。我想说的是做完之后我发现的一件反直觉的事：
当生产一首歌的边际成本趋近于零，稀缺的东西并没有消失，它只是换了个位置。
下面四节，讲它换到哪儿去了。
02 第一件事：双语版本几乎不要钱
这个系列每首歌都有普通话版和藏语版（或藏汉混唱版）。
在原来的生产方式里，这意味着什么？意味着双倍的词曲、双倍的录制、双倍的预算。绝大多数独立创作者到这一步就停了——不是不想做，是做不起。
而现在，第二个版本只是"同一份歌词流水线再跑一遍"。增加的是机器时间，不是人的时间。
这才是真正的变化：不是快了，是原本做不到的选项，现在能选了。
顺着往下一步想，你会发现一个更大的东西：系列化企划才成为可能。
单首歌思维和多首歌思维是完全不同的两种创作。单首歌要考虑"这一首能不能爆"；而当你确定自己能稳定产出二十首的时候，你可以开始考虑：这二十首之间的顺序是什么？情绪曲线怎么走？哪几首应该相邻，哪几首必须隔开？
手工时代，只有唱片公司的企划部会想这个问题——因为只有他们有资源把它落地。
现在一个人也可以想了。
03 第二件事：真正的人工智能，藏在歌词那条红线里
这一节是全文最想说的。
很多人以为 AI 做歌的难点是把歌词写长。恰恰相反——写长最容易，写对最难。
这个项目里有一份明文写死的规范，我把它抄一段出来（原文）：
这是佛教证道歌，必须保持严肃性和专业性。
之前有一版《瑜伽饮酒歌》写成了戏谑小调，被明确要求返工重写。
请注意这个成因：不是 AI 写不出来，是 AI 写出来了一版戏谑的，然后被人否掉了。
那份规范里还有一组对照样例，我觉得值得全文引出来——比任何理论都清楚：
✗ 酒肉穿肠过 佛祖心中留 喝他个痛快 ✗ 修行嘛 就是躺平嘛 别卷了兄弟 ✗ 嘿哟嘿哟 念经真累 ✓ 以酒喻空乐 饮的是觉受 醉的是执著 ✓ 荨麻煮水就是我的羹汤 ✓ 灯传给了灯 火传给了火 看出区别了吗？
右边这三句之所以成立，不是因为用词更华丽。恰恰相反——它们更朴素。区别只在于：它知道自己在一首什么歌里。
那份规范很朴素地把「戏谑、调侃、网络梗、口语化吐槽」列为禁止项，再补上一条语气要求——恳切、笃定、悲悯。然后再加一条我以为很有意思的规定——"一首歌只承载一种情绪"（圆满 / 悲悯 / 决绝 / 叮咛），不要在一首里忽悲忽喜。
还有一条我认为最有分量的：佛法语汇要朴素准确，不要用自造的、似是而非的伪佛法词。 用词必须是「觉受」「菩提心」「无常」「上师」「本尊」「空乐」这类本来就有出处的。
这几条加起来，指向同一件事：AI 最不缺产量，缺的是判断它该在哪条路上走。
而且这份判断没法自动化。你只能把它写成字，钉在规范里，每次生成前先读一遍。
当生成变得不要钱，"不做什么"反而成了唯一的创作行为。
04 第三件事：二十张封面，怎么看起来像一个画师画的
AI 生成单张图很容易。难的是生成一套。
二十张独立生成、互不相关的图摆在列表里，一眼就能看出是拼的：有的暖有的冷，有的是写实有的是插画，字体和排版毫无关系。这种"每个都很精致、放一起就散架"的感觉，是 AI 做系列内容最常见的失败模式。
解法不复杂，但需要在一开始就定死。我用的是三要素：
一、画面要具体到能画出来。 不是"宁静的雪山"，是"红崖岩洞的洞口、风里的经幡、远处戴雪的喜马拉雅山峰、一只大鹏盘旋在崖顶"。
二、色板要锁定。 整套统一用唐卡矿物色：deep crimson, ochre, indigo, gold leaf, turquoise。明确避开两样：高饱和塑料感、现代摄影棚打光。
三、氛围词也要锁定，并且和歌曲情绪对齐。reverent（虔敬）、contemplative（静观）、austere（苦寒）、luminous（光明）——每一首按情绪选一个。
然后是关键的一步：所有提示词共用同一条尾巴。
Traditional Tibetan thangka aesthetics blended with cinematic realism, mineral pigments, painterly detail, sharp focus. No text, no letters, no watermark. 这条尾巴才是二十张图能放在一起的原因。它相当于给这个系列雇了一个固定的美术总监——每个人都知道用色、笔触、景深的标准是什么。
底下还有一层工程细节：AI 底图出 1536×1536，然后由脚本缩到 2048×2048，用微软雅黑 Bold 叠上中文曲名、用 Light 叠拼音，底部三分之一压一条渐入的黑带，完全盖住 AI 自己的水印。
（这里有个批量生成特有的坑：同一秒发起的多个任务会拿到同名输出文件互相覆盖。曾经一批二十张底图里有四对撞了车，画面和曲名完全对不上。所以每批生成完我都逐张打开核对。）
这套方法跟是不是 AI 无关。任何要做系列视觉的人——专辑、播客、短视频封面——用的都是同一个道理：先定规矩，再作画。
05 第四件事：只剩一步不能自动，而那一步恰好是责任的边界
上一篇文章里我写过，整条链路自动化到最后，唯一做不了的是短信验证码。
平台的合同签约需要手机验证码，这串六位数字进不了脚本。我的处理办法是：脚本自动点"获取验证码"，然后每 4 分钟自动重发一次，总共等 30 分钟——所以你什么时候回到电脑前，手里的码都还是有效的，把码写进一个本地文件，它自动填、自动签。
当时我把它当成一个技术障碍来写。现在回头想，它其实另有含义。
提交作品是机器可以做的，签合同不行。
签字这个动作意味着：有人为这批内容负责。平台把这一步留给人，不是技术做不到，是它必须确认有一个真实的人在这个位置上。
这一点比任何功能都重要：自动化能帮你把一件事做到极致，但它无法替你承担后果。 越是把整条链路都跑通，最后那一步的分量就越重。
顺带说一句这个行业的规矩：平台要求明确标注是否为 AI 作品。这个字段我是如实勾的。这不是负担，是这个游戏能持续下去的前提。
06 所以，什么变贵了
回到开头那个问题。
以前做一首歌，贵的是设备、是录音棚、是会乐器的人。这些现在都不贵了。
现在贵的，按顺序排，我认为是这三样：
第一，知道该做什么。 一个系列二十首歌的顺序是什么、情绪曲线怎么走——这是企划能力，机器不会有，它只会一首一首地生成。
第二，知道不该做什么。 那份被返工的《瑜伽饮酒歌》是最好的例子。AI 可以无限量地生成"还行"的东西，而分辨"还行"和"不对"的能力，才是这个时代真正的手艺。规范里那句"一首歌只承载一种情绪"，写起来只有八个字，守起来要听很多遍。
第三，愿意为结果负责。 这是第四节说的那个按验证码的动作。
这三者有一个共同点：它们都不随产量摊薄。
产出一百首歌不会让其中任何一样变得更简单。恰恰相反——产量越大，这三样越贵。
所以这整套东西最诚实的总结其实是：
AI 把做歌的成本压到了零，但它没有把"做一个好东西"的成本压到零。它只是把那笔账，从一个你付不起的地方，挪到了一个只要你肯投入就付得起的地方。
机器负责把事情做完。剩下的，还是你的。
文中所述为个人环境下的实践记录，各平台页面与规则可能随时调整，请以官方说明为准。