先说结论：想让角色"唱"起来，声音和画面必须分开做。

【为什么别让 TTS 直接唱】

TTS 的旋律是现编的——同一句词唱两遍，旋律都不一样，也不保证落在调内。所以修音救不回来，因为它根本没有音准这个概念。

【流程】

① 原曲拆轨（Demucs）

python -m demucs --two-stems=vocals -n htdemucs --out stems 原曲.wav

得到 vocals.wav 和 no_vocals.wav。这一步不能省，伴奏要原样保留。

② 换声（Seed-VC，只换音色不改旋律）

--diffusion-steps 30 --inference-cfg-rate 0.75 --f0-condition True --auto-f0-adjust True

三个参数是重点：

· 参考音 3–10 秒。短了不像，长了会跑。我实测 9.76 秒的中文参考音，相似度到 0.94。

· cfg 0.75 是平衡点：0.70 咬字清楚但音色偏，0.90 音色像但字全糊。

· f0-condition 必须开，否则它会自己改旋律。

换声前相似度 0.67，换声后 0.94——这个差值才是真变了。

③ 画面：updream 只负责"镜头"

updream 强在分镜和角色一致性，但它没有视频合成节点，心态要摆正：它是素材工厂，不是剪辑台。

提示词结构：[角色]+[服装细节]+[动作]+[环境]+[光线]+[镜头]+[风格]

例：蓝色长发少女，白色荷叶边围裙，站在雪夜的旧戏台上，手里提着一盏昏黄的纸灯，抬头看向飘落的雪，暖色侧逆光，浅景深，中景，国风动画电影质感

三个实测有效的技巧：

· 角色写死在素材库里，每次提示词加一句"沿用素材库中的 XX 角色"，一致性明显好。

· 一个镜头只写一件事。写"她在雪中回头"比写"回头、跑开、哭"成功率高得多。

· 先出图再出视频，图便宜，用来试风格。

镜头怎么切：主歌 3–4 个镜头（每个 8–10 秒），副歌 2–3 个（每个 4–5 秒），间奏 1 个空镜。总共 8–10 条素材，剪出来 2–3 分钟。

④ 合成与母带（ffmpeg）

loudnorm=I=-14:TP=-1.0:LRA=11

-14 LUFS / -1.0 dBTP 是 B 站和 YouTube 的通用目标。不做归一化，平台会自己压，动态全没了。

【踩过的坑】

1. TTS 唱歌必然跑调，别试图修音，换工具。

2. 变调会带来金属感。分段生成各段调性不同就要变调，±2 个半音以上能听出来。能一次生成完就别分段。

3. 长音频生成会跑偏。170 秒一次生成，模型开始重复漂移；切 4 段各 40 秒再拼，稳得多。

4. Whisper 打分有坑：condition_on_previous_text 默认开着，遇到混响重的人声会自己复读提示词，看着像"识别不出歌词"。关掉再测。

5. Demucs 拆得再干净也有残留，现场版尤其明显。录音室版优先。

6. 平台会给 AI 内容打标，投稿时主动勾"含 AI 生成内容"。

【参数速查】

拆轨 htdemucs --two-stems=vocals

换声 30 步 / cfg 0.75 / 参考音 3–10 秒

母带 -14 LUFS / -1.0 dBTP

下一支片子我就用这套流程跑：updream 出 8 个镜头，本地换声，ffmpeg 卡点。参数有问题评论区聊，都能复现。