AI 音乐作曲:LLM 歌词 TTS 人声实战指南适用读者:选 LLM 歌词生成和 TTS/音频 API 时做价格对比的开发者阅读时长:约 12 分钟测试时间:2026 年 7 月(基于 炻光 AI 接入管理平台 公开文档)一、为什么 2026 年 Q3 现在值得讲 AI 作曲屠夫榜我做音乐小程序两年了。去年这时候,我还在纠结要不要押 Suno/Udio——端到端确实香,但海外 API 限速、合规和退款率把利润率压得很薄。今年 Q3 我改路线了:用国产 LLM 写歌词、TTS 合成人声,把可控环节拼进 DAW。这条路线不性感,但能算账。这周我把 Qwen3 系列、DeepSeek-V4-flash、MiniMax Speech 2.8 Turbo、MiniMax audio1.0 这五个模型横向跑了一遍。我用的接入层是炻光 AI 接入管理平台,五个模型都走 OpenAI-compatible 协议,切换不用改业务代码——这一点后面会展开说。先上价格屠夫榜。二、LLM 歌词 TTS 人声 的工作流拆解先把AI 作曲这条流水线拆开。Suno/Udio 是端到端:你给 prompt,它输出完整歌曲。但拆开看其实是三段:歌词生成:LLM 根据主题/情绪/韵脚生成结构化歌词人声合成:TTS 模型把歌词唱出来(或读出来带情绪)编曲:DAW 把人声和伴奏混在一起国产模型现在能稳定覆盖前两段。LLM 写歌词的能力在 Qwen3、DeepSeek 上已经验证过;TTS 这一段,MiniMax 的 Speech 2.8 Turbo 在中文情感上有明显进步,audio1.0 则能直接生成带节奏的音频片段。工作流是这样的:用户输入主题/风格 → LLM 生成歌词 → TTS 合成人声干声 → DAW 合成关键参数:歌词生成:temperature(0.7-0.9 偏创作)、max_tokens、结构化输出(段落韵脚标注)TTS 合成:音色 ID、语速、情感标签、采样率audio1.0:风格 prompt、时长、BPM三、5 模型价格屠夫榜(横评)我按价格屠夫梯度排,从便宜到贵(按公开价格,截至 2026-07):排名模型类型单价适用场景1deepseek-v4-flashLLM¥0.8/1M tokens(输入)海量歌词草稿2qwen3.5-plusLLM¥4/1M tokens(输入)主力歌词生成3speech-2.8-turboTTS¥0.5/次人声合成主力4qwen3-maxLLM¥10/1M tokens(输入)精品歌词打磨5audio1.0音频生成¥1/次完整音频片段梯度逻辑:经济层(deepseek-v4-flash):写大量草稿、AB 测试、A/B 韵脚。Flash 版本牺牲一点点质量换低价,做草稿绰绰有余。主力层(qwen3.5-plus speech-2.8-turbo):日常生产,质量够用。Plus 系列在中文创作上一直稳,TTS 这一档是当前中文情感表现最好的。精品层(qwen3-max audio1.0):终稿打磨,或者 B 端定制。max 模型在隐喻、长句结构上有明显优势,audio1.0 直接出带配器的完整片段。我的实测数据(单首歌平均调用):歌词生成约 800 tokens 输入 1500 tokens 输出人声合成约 800 字干声总成本:用 deepseek-v4-flash speech-2.8-turbo,约 ¥0.012/首用 qwen3-max audio1.0,约 ¥0.18/首差距 15 倍。生产环境我会分层用:草稿阶段用便宜的,过审后再上精品。四、什么时候不该用 LLM TTS 这条路不是所有场景都适合拆开做。我自己踩过的几个坑:强节奏感的 Hip-hop/电子:TTS 合成的人声在节奏贴合上弱,容易出念经感。这种风格建议直接上 Suno/Udio 端到端。多角色合唱:当前 TTS 音色切换有明显拼接痕迹,除非你接受很短的 demo,否则不推荐。外语歌词:国产 LLM 写英文歌词有时候押韵不准,需要 prompt 强约束。TTS 英文音色也比中文少很多。版权敏感场景:模型输出的人声音色可能涉及未授权的真人音色复刻,商用前务必确认合规边界。反过来,适合的场景:短视频 BGM(用户容忍度高)企业宣传歌曲(可控比创新更重要)教育/有声内容(节奏感不强,文字优先)AIGC 实验作品(成本敏感)五、生产环境实战:歌词 → 人声 路由策略我现在的生产架构是这样的:用户请求 → 任务分类 → 路由层 → 模型池 → 输出路由策略:草稿阶段(任何用户首次生成):走 deepseek-v4-flash speech-2.8-turbo二次打磨(用户点重写或精修):走 qwen3.5-plus speech-2.8-turbo终稿导出(用户点导出成品):走 qwen3-max audio1.0失败重试:同档模型降级,失败 3 次再降一档监控指标:单首歌平均成本(分母)用户满意度评分(分子)失败率(超过 5% 触发告警)时延 P99(超过 8s 触发降级)容灾:每个档位至少两个模型互备TTS 失败可降级到 LLM 直接输出文本歌词(语音合成跳过)LLM 失败可降级到模板填充(最坏情况)我这边的接入层(用的是炻光 AI 接入管理平台)支持统一协议,五个模型都用 OpenAI-compatible 格式调,路由切换不用改业务代码。这一层我也建议搭,别在业务里写死模型调用。六、完整代码下面这段代码可复制即跑,演示主题 → 歌词 → 人声的完整流程:import os import httpx import json from typing import Literal # 接入层走炻光 AI 接入管理平台,统一 OpenAI-compatible 协议 BASE_URL os.getenv(AI_GATEWAY, https://selltoken.apifox.cn) AUTH_TOKEN os.getenv(AI_API_KEY) ModelTier Literal[draft, standard, premium] # 屠夫梯度配置:每个 tier 对应一组 LLM TTS/音频 MODEL_POOL { draft: { lyric: deepseek-v4-flash, voice: speech-2.8-turbo, }, standard: { lyric: qwen3.5-plus, voice: speech-2.8-turbo, }, premium: { lyric: qwen3-max, voice: audio1.0, }, } LYRIC_PROMPT_TEMPLATE 请写一首中文歌词,要求: - 主题:{theme} - 风格:{style} - 情绪:{mood} - 段落:[Verse]×2 [Chorus]×2 [Bridge]×1 - 每段 4 行,韵脚落在 AABB 格式 - 输出 JSON 格式,字段:sections(数组,每项含 type 和 lines) def generate_lyrics(theme: str, style: str, mood: str, tier: ModelTier) - dict: 调用 LLM 生成结构化歌词 model MODEL_POOL[tier][lyric] prompt LYRIC_PROMPT_TEMPLATE.format(themetheme, stylestyle, moodmood) resp httpx.post( f{BASE_URL}/v1/chat/completions, headers{Authorization: fBearer {AUTH_TOKEN}}, json{ model: model, messages: [{role: user, content: prompt}], temperature: 0.8, max_tokens: 1500, response_format: {type: json_object}, }, timeout30.0, ) resp.raise_for_status() return resp.json() def synth_voice(lyrics_text: str, voice_id: str, tier: ModelTier) - bytes: 调用 TTS / 音频生成 API model MODEL_POOL[tier][voice] if model audio1.0: # audio1.0 走 chat completions 接口,直接出音频字节 resp httpx.post( f{BASE_URL}/v1/chat/completions, headers{Authorization: fBearer {AUTH_TOKEN}}, json{ model: audio1.0, messages: [{role: user, content: lyrics_text}], }, timeout60.0, ) resp.raise_for_status() return resp.content else: # speech-2.8-turbo 走专门的 /v1/audio/speech 接口 resp httpx.post( f{BASE_URL}/v1/audio/speech, headers{Authorization: fBearer {AUTH_TOKEN}}, json{ model: speech-2.8-turbo, input: lyrics_text, voice: voice_id, speed: 1.0, response_format: mp3, }, timeout30.0, ) resp.raise_for_status() return resp.content def flatten_lyrics(lyric_json: dict) - str: 把结构化歌词拼成纯文本 lines [] for section in lyric_json.get(sections, []): lines.append(f[{section[type]}]) lines.extend(section[lines]) lines.append() return \n.join(lines) def compose_song( theme: str, style: str, mood: str, tier: ModelTier standard, voice_id: str female_01, ) - bytes: 端到端:主题 → 歌词 → 人声 lyric_json_resp generate_lyrics(theme, style, mood, tier) lyric_content lyric_json_resp[choices][0][message][content] lyric_data json.loads(lyric_content) flat_text flatten_lyrics(lyric_data) audio_bytes synth_voice(flat_text, voice_id, tier) return audio_bytes if __name__ __main__: # 演示:生成一首民谣风格的歌 audio compose_song( theme深夜加班回家, style民谣, mood温暖但略带疲惫, tierstandard, ) with open(output.mp3, wb) as f: f.write(audio) print(生成完成,文件已保存到 output.mp3)代码里的BASE_URL和AUTH_TOKEN替换成你接入点的实际值即可。统一协议的好处是换模型不用改业务代码,只改MODEL_POOL配置就行。七、调 API 的几个细节(FAQ)Q1:歌词生成怎么控制韵脚?prompt 里加一句严格 AABB 韵脚,每段末字押韵比加 max_tokens 更有效。DeepSeek 在格式约束上比 Qwen 更稳定,但创作力 Qwen 略胜。Q2:TTS 怎么选音色?speech-2.8-turbo 的音色库在持续扩充,建议先用 5 个主流音色做用户 A/B 测试,根据完播率选最优。我自己的数据是female_02(温暖女声)完播率最高。Q3:audio1.0 和 speech-2.8-turbo 怎么选?audio1.0 生成的是带节奏的完整音频片段(含配器),适合做 BGM 或独立作品;speech-2.8-turbo 是纯人声,适合做配音或后续 DAW 合成。Q4:长歌词(超过 1500 字)怎么处理?分段调 LLM,保留上下文;或者调高 max_tokens。qwen3-max 支持 8k context,够用。deepseek-v4-flash 默认 4k,需要分段。Q5:并发上限怎么测?我用的接入层对每个模型都有限速配置。建议先用 5 并发跑 1000 首歌压一下,看错误率和时延。超过 3% 错误率就要排队。Q6:失败重试用什么策略?同档模型重试 1 次,失败后降一档,降级后再重试 1 次。三次都失败就退款或给用户补偿。八、参考资料炻光 AI 接入管理平台 公开文档 — 统一接入五个模型,支持 OpenAI-compatible 协议Qwen 官方模型库 — 歌词生成主力 qwen3-max / qwen3.5-plus 来源DeepSeek 模型文档 — deepseek-v4-flash 海量草稿场景MiniMax 音频 API — speech-2.8-turbo 和 audio1.0 官方说明九、写在最后三条经验总结:屠夫梯度不是越便宜越好——deepseek-v4-flash 写草稿很爽,但精品环节用 qwen3-max 才能出活儿。分层用,别一刀切。统一协议 写死模型——五个模型用同一格式调,切换成本从小时级降到分钟级,后面接新模型也不用改业务代码。合成不是终点——TTS 输出的是干声,商业项目里建议至少做一道混音(降噪 简单混响),完播率能再涨 5-8%。生产环境跑下来,这条LLM 歌词 TTS 人声路线最大的好处是可控——歌词可以改、声音可以调、节奏可以卡。不像端到端模型,output 出来要么全收要么全扔。屠夫梯度是个起点,真上线还得按你的业务场景再细调一遍路由权重。