好想要做一張專輯喔！——如何躺著讓 Agent 製作系列的 Album Lyric Video（物理意義上的躺著）

我的資料夾裡躺著一堆 Demo。寫的時候很快樂，寫完之後，就沒有然後了。

我沒有錄音室，唱歌不好聽，吉他也彈不好。Demo 要做成專輯，那個距離太遙遠了。

於是乎，只好又請小獅妹（大杯居的虛擬小助手）幫忙了。

目標是年底把這幾張專輯送上 Spotify 和 Apple Music。

昨天半夜，委託小獅妹幫我把 11 首 Lyric Video 做完，我就去睡覺了。我的 2019 年 Intel 版老 Mac 風扇轉了整個晚上，實在是有點勞煩她了。

早上起來，十一支都躺在資料夾裡，檔名整整齊齊。我傳了幾支給幾位做音樂的朋友，其中一位好友回我：

「這畫風跟設計，好喜歡。」

於是我問他，要不要我寫一篇小分享，也許他也可以做出自己喜歡的版本。

一首四分鐘的歌，大概五十句歌詞。用剪輯軟體做，等於在時間軸上排五十次：對進點、對出點、調字級、調位置、調淡入淡出。做完一支，下一支從頭再來一次。一張專輯十一首，就是十一遍。純純的手工藝。

在 Before AI 的時期，我想都不敢想。

這篇寫的是另一條路，是把「品味和抉擇」交代清楚之後，接下來就交給小獅妹來處理，然後，就可以去睡覺了。

整個流程大概是這樣：

把音檔、封面、歌詞交出去，讓電腦自己聽出每一句唱在第幾秒，再一幀一幀把畫面算出來。

第一支要花一個下午，第二支之後，換一首歌只要改三行設定。

全程在自己的電腦上跑，不花錢買算圖服務。

01成果：一個晚上，十一支

先看成品。這是《路燈廣場》裡的〈讚美月光〉，四分三十八秒。

畫面下方那一行字，是從一份純文字歌詞檔來的。

留給自己一輪明月的時間
任憑午夜的車流與我擦肩
我願披著夜色 做一隻優雅的龜
讚美 今夜的月色真美

畫面上有四樣東西：一張會緩慢呼吸的專輯封面、一層隨時間飄移的光點、一行歌詞、一個在長空檔時浮出來的曲名。這四樣都是算出來的，沒有一格是用剪輯軟體排的。

同一套程式換一份設定檔，就變成另一種氣氛。下面這張是同一首歌的日文版，換成《温泉の町》的配色。

這一批的實際數字，2026 年 9 月在我的筆電上量的：

十一支裡有中文版也有日文版，日文版的畫面上同時有日文歌詞與中文原詞兩行。

那台筆電已經六年了。這條流程沒有用到顯示卡算圖，也沒有把音檔傳去任何雲端服務。

02架構：五個階段，agent 站在哪

整條流程分五段，前面四段的產出都是下一段的輸入。

1. 素材：您準備三樣東西——音檔、一張正方形封面、一份歌詞文字。
2. 分離人聲：把伴奏和人聲拆成兩軌。後面要靠人聲的音量變化抓時間，伴奏會干擾判斷。
3. 對時：讓電腦聽人聲，算出每一句歌詞唱在第幾秒到第幾秒，存成一份時間檔。
4. 渲染：照著時間檔，一幀一幀把畫面畫出來，再跟原始音軌合成影片。
5. 驗收：看字有沒有跟上嘴、有沒有被裁掉、有沒有多出實際沒唱的句子。

agent 負責的是您不想做第二次的事

AI agent 和聊天機器人差在一雙手。聊天機器人給您一段文字，您自己去執行；agent（能在您電腦上執行指令的 AI 助手）自己跑指令、自己讀錯誤訊息、自己改參數重跑。

這條流程裡，agent 做的是四件事：

• 照您的描述把環境裝起來，裝壞了自己看錯誤訊息修。
• 把您的歌詞文字整理成程式吃得下的格式。
• 依序跑完分離、對時、渲染，中途出錯就停下來告訴您卡在哪。
• 您說「日文那句慢了半秒」，它去改時間檔再重渲那一段。

您負責的是判斷：字有沒有跟上嘴、這個顏色對不對、這句歌詞實際上有沒有唱。這些 agent 判斷不了，因為它沒有在聽。

03工具：五樣東西各管一段

這條流程用五樣工具，各管一段，互相不重疊。

字不是影片軟體畫的

這條流程裡的文字，是用瀏覽器畫出來的。

聽起來繞路，原因很實際：Homebrew 裝的 ffmpeg 預設沒有帶 libass（處理字幕樣式的函式庫），所以它的字幕濾鏡不能用。要在 macOS 上用 ffmpeg 直接燒字幕，得換裝 ffmpeg-full 那顆。

改用瀏覽器畫字有兩個好處。第一，字體、字重、字距、陰影、發光這些都用 CSS 寫，改一個數字就看得到差別。第二，中文與日文的襯線字，瀏覽器的排版品質比多數命令列工具好。

做法是把一句歌詞寫成一張網頁，用無頭 Chrome（沒有視窗、只在背景執行的瀏覽器）截一張透明底的 PNG，存進快取。同一句歌詞只畫一次，之後重複使用。

04安裝：把工作環境準備好

這一章要裝四樣東西：Claude Code、ffmpeg、一個 Python 環境，以及環境裡的五個套件。全部裝完大約半小時，多數時間在等下載。

步驟 1：裝 Claude Code

Claude Code 是在終端機（用打字下指令操作電腦的視窗）裡跑的 AI agent。官方提供一行安裝指令。

curl -fsSL https://claude.ai/install.sh | bash

irm https://claude.ai/install.ps1 | iex

步驟 2：裝 ffmpeg

brew install ffmpeg

winget install Gyan.FFmpeg

步驟 3：建一個乾淨的 Python 環境

這條流程會裝進五個套件，其中 Demucs 會連帶裝進 PyTorch（機器學習框架），體積大約好幾 GB。把它們裝在一個獨立的虛擬環境裡，跟系統的 Python 分開，之後要刪掉也乾淨。

python3 -m venv ~/.venvs/lyric
~/.venvs/lyric/bin/pip install -U demucs faster-whisper numpy pillow soundfile

Windows 的路徑是 %USERPROFILE%\.venvs\lyric\Scripts\pip.exe。

步驟 4：請 agent 幫您檢查

裝完之後，在您打算放專案的資料夾裡輸入 claude 進入 agent，把下面這段貼給它。

請幫我檢查這台電腦上的影片工作環境是否齊全，逐項回報版本號，缺哪一項就告訴我怎麼補：

1. ffmpeg：跑 `ffmpeg -version`，告訴我版本，以及 configure 選項裡有沒有 `--enable-libass`。
2. 虛擬環境：〔填入：您的 venv 路徑，例如 ~/.venvs/lyric〕底下的 python，跑 `-c "import numpy, PIL, soundfile, faster_whisper, demucs"`，逐一回報版本。
3. Chrome：確認這台電腦裝了 Google Chrome，並告訴我執行檔的完整路徑。

全部檢查完，用一張表回報「項目、版本、是否通過」。有缺的項目先不要自己動手安裝，列出建議指令讓我決定。

最後一句刻意寫成「先不要自己動手安裝」。裝東西是會改變您電腦狀態的動作，讓它先問過您。

05素材：音檔、封面、歌詞

每一首歌要準備三樣東西，放在同一個資料夾裡。

歌詞檔的規矩：唱幾次就寫幾次

歌詞檔最容易出錯的地方，是副歌。

歌詞本上的副歌通常只寫一次，後面標「重複」。畫面上的歌詞要跟著唱的走，副歌唱三遍，檔案裡就寫三遍。段落標記（Verse、Chorus 這些）可以留著，程式會把它當分組資訊，不會顯示在畫面上。

如果您要做雙語版本——畫面上一行日文、底下一行中文——那就準備兩欄：主行是實際演唱的語言，副行是對照翻譯。

讓 agent 幫您整理成程式吃得下的格式

程式讀的是一份 JSON 檔（一種用括號和引號組織資料的文字格式，程式好讀，人也看得懂）。您不用自己編，交給 agent。

我有一份歌詞文字檔在〔填入：歌詞檔路徑〕，請幫我整理成 lyrics.json，格式如下：

```json
{"lines": [
  {"main": "實際唱出來的那一行", "sub": "對照翻譯，沒有就留空字串", "sec": "段落名稱"}
]}
```

規則：
- 順序就是演唱順序，副歌唱幾次就重複寫幾次。
- `main` 是畫面主行，`sub` 是畫面副行（單語版一律留空字串）。
- `sec` 填段落名稱（Verse 1、Chorus 之類），沒有標記就沿用上一段的。
- 空行與純段落標記行不要變成歌詞行。

整理完存到〔填入：工作資料夾〕/lyrics.json，並回報總共幾行、分成幾個段落。先不要跑其他步驟。

06對時：讓字幕跟上嘴

這一章是整條流程的核心，也是最容易看出品質差別的地方。

目標是算出每一句歌詞的進點與出點。做法分兩步：先讓電腦聽出「大概」的時間，再用人聲的音量把時間修準。

步驟 1：分離人聲

先把人聲從伴奏裡剝出來。Demucs 是 Meta 出的音源分離工具，跑在自己的電腦上，不上傳雲端。

~/.venvs/lyric/bin/python -m demucs --two-stems=vocals -n htdemucs -o 分離結果資料夾 您的音檔.wav

第一次跑會自動下載模型檔。三分多鐘的歌，在我的筆電上大約要一分鐘。

步驟 2：聽出大概的時間

接下來用 faster-whisper（語音轉文字模型的高效版本）聽人聲軌，它會吐出每個字大概唱在第幾秒。同時量人聲軌的音量變化，每 50 毫秒記一個值。

這兩份資料分工很清楚：whisper 負責「哪個字」，音量負責「什麼時候開始有聲音」。

步驟 3：把歌詞和時間對起來

這一步是把您的歌詞檔和 whisper 聽到的字做比對，讓每一句歌詞領到自己的時間。畫面上顯示的字永遠是您的歌詞檔，whisper 只貢獻時間，不貢獻文字。

三個實際踩過的坑都在這一步。

步驟 4：看一眼對時結果

程式會印出每一句的時間與一個「比對率」。比對率低的句子代表 whisper 沒聽清楚，那幾句要自己聽一次。

請依序執行對時流程，腳本在〔填入：scripts 資料夾路徑〕：

1. 用 venv 的 python 跑 `probe_timing.py 〔工作資料夾〕 〔zh 或 ja 或 en〕`。
2. 接著跑 `align_lines.py 〔工作資料夾〕`。
3. 讀 timing.json，把 `cover` 低於 0.5 的句子整理成一張表給我，欄位是：句號、歌詞、進點、出點、比對率。
4. 另外檢查有沒有句子的顯示長度短於 1 秒，或是進點比前一句的出點還早，一併列出來。

先不要渲染影片。我看完這張表再決定要不要手動修時間。

07渲染：把畫面算出來

對時做完，剩下的就是把畫面算出來。這一步不需要判斷，交給 agent 跑完即可。

一首歌一份 job.json

每一首歌用一份設定檔告訴程式素材在哪、要用哪一套視覺風格。

{
  "series": "lamp",
  "lang": "zh",
  "title": "讚美月光",
  "audio": "音檔的完整路徑.wav",
  "cover": "封面的完整路徑.jpg",
  "work": "工作資料夾路徑",
  "out": "成品要存去哪.mp4"
}

換下一首歌，改的是 title、audio、cover、work、out 這五行。視覺風格那一行維持不變，整張專輯就會長得像一套。

一套風格一份 series.json

視覺參數集中在另一份設定檔，一個系列一組。這是《路燈廣場》夜色版的幾個關鍵欄位：

要調氣氛，改顏色與數量就好。想從零配一套新風格，把您的封面丟給 agent，請它從封面取色再寫一份設定檔，會比自己試快。

為什麼可以切成八段同時算

四分半的歌是八千多幀。一幀一幀慢慢算，單核心要跑很久。

這支程式把畫面切成八段，八個程序同時算，最後接起來。

前提是畫面上每個元素的位置都由「時間」這個變數直接算出，中間沒有一格一格累加的狀態。第 4000 幀不需要知道第 3999 幀發生過什麼，代入時間就能算出光點在哪裡。

接縫因此不會跳。

請幫我渲染這首歌的歌詞影片：

1. 確認〔填入：工作資料夾〕底下有 timing.json 與 rms_db.npy。
2. 用 venv 的 python 跑 `render_full.py 〔job.json 路徑〕 --jobs 8`。
3. 這一步會跑很久（我的機器上單支 11 分鐘到 1.5 小時），中途請不要中斷，跑完回報實際耗時與輸出檔案大小。
4. 如果分段失敗，去 chunks 資料夾讀對應的 log，把錯誤訊息貼給我，先不要自己改腳本。

〔填入：如果您的電腦核心數少於 8，把 --jobs 改成核心數〕

08驗收：出片之前看三件事

渲染完的檔案不等於做完了。這一批我退回重做過兩輪，問題都出在這三件事上。

一、字有沒有跟上嘴

把影片拉到副歌，聽三句。字幕早半秒或晚半秒，耳朵聽得出來。

有問題就回去改 timing.json 那一句的 t0，只重渲那一段來看，確認好了再整支重跑。

二、有沒有多出沒唱的句子

抽格檢查比從頭看快。用 ffmpeg 每隔幾秒抽一張圖，拼成一張聯絡表（contact sheet，把許多幀縮小排在一起的檢查用圖），一眼掃過去。

我這批就是靠這張圖抓到三首歌有實際沒唱的段落。

三、字有沒有被裁掉

歌詞面板固定在畫面下方。句子太長時，字會超出面板寬度。

檢查方法是找出最長的那幾句，直接看那幾格。要修有兩條路：把長句在歌詞檔裡拆成兩行，或把 main_px 字級調小兩級。

下面這支是同一套程式的日文版成品，畫面下方同時有日文與中文兩行，可以看看雙語版的排法。

09上架：YouTube 的幾個欄位

影片做好了，最後一段是上傳。這裡只寫容易漏掉的欄位。

一次可以拖幾支

YouTube Studio 一次最多同時上傳 15 支。帳號沒有完成驗證的話，單支影片長度上限是 15 分鐘；完成驗證之後是 256 GB 或 12 小時，以先到的為準。（2026 年 9 月查證）

標題上限 100 個字元，說明欄上限 5000 個字元。整首歌詞貼進說明欄通常放得下。

AI 生成內容要不要揭露

如果您的音樂是 AI 生成的，這一欄需要處理。

YouTube 的規定是：內容看起來逼真、可能被誤認為真實時要揭露。官方明文把 AI 生成音樂列在需要揭露的項目裡。操作位置在上傳流程的「顯示更多」裡，Attributes 區塊的「AI use」欄位，選「是」。

揭露之後，逼真類的內容會在播放器上顯示標籤，其他類型則顯示在展開後的說明欄。

播放清單先建好

上傳流程的 Details 那一步就能選播放清單。一張專輯建一個清單，上傳時順手選，比事後一支一支加快。

被誤判成別人的音樂怎麼辦

自己創作的音樂被 Content ID（YouTube 的版權比對系統）主張的情況會發生。

處理方式是先提出爭議（Dispute），聲明您擁有全部權利。對方三十天內拒絕的話，可以再提出申訴（Appeal），對方要在七天內回覆。

如果該筆主張已經導致影片被封鎖，可以直接走 Escalate to Appeal。

10Q&A

門檻

費用與時間

歌詞與對時

版權與揭露

11最後

這些 Demo 從二號路燈和小杯居時期就都在了，細數時日，十來年了。

（大二那年開始寫歌，哇，2013 還是 14 年的事情了。）

這篇就是一個音樂夢的小小起點，我把四支腳本和一份設定檔整理出來，想著如果有人也要做，照著跑就好，不必再摸一次我摸過的路。

雖然是全 AI 校潤和編曲，概念上已經是「虛擬歌手 葉阿瑋」了，但聽著自己的「創作動機」透過科技的輔助具象化，仍然滿心歡喜。

After AI 的時代，我無情的把重複且機械化的那部分，全部外包。

我願悉心且珍重的呵護，那熱愛音樂的，粗糙而拙劣的初心。

阿瑋 記於 2026 年 9 月 23 日