Local AI · DGX Spark
AI 音樂音效工作台
打一句描述，換一段能直接用的 BGM loop 或音效。
Stable Audio Open 地端生成——素材產生器，不是歌曲生成器。
實際介面・Playwright 實機截圖
為什麼要自己蓋一個
找免版權配樂、音效素材是個無底洞：授權要顧、風格常常對不上、雲端 AI 音樂生成服務又是按量付費、要排隊等，資料還得上傳出門。做簡報、做 demo 常常臨時就要一段音效，等不起。
家裡的 DGX Spark 有一顆閒著的 GPU。把 Stable Audio Open 架起來，打一句描述就能在地端生出一段素材，不用錢、不出門。
比較費心的反而是定位：這工具生的是 BGM loop 和音效素材，不是完整歌曲，先講清楚才不會用錯場景。
原理：一段音效的旅程
從一句描述到一段立體聲 WAV，中間發生四件事。
中英文描述進站
使用者用中文或英文描述想要的音樂或音效都可以，不需要先自己翻譯。
本地 LLM 優化 prompt
本地語言模型把口語描述改寫成模型看得懂的音樂/音效描述，補上節奏、情緒、樂器、氛圍等細節，讓沒有音樂術語背景的人也能得到對味的結果。
選風格與時長，決定走快速還是完整
使用者選定風格與時長後，系統對應到兩檔模型：快速版（small）11 秒輸出，生成只要約 0.5 秒，適合大量嘗試；完整版（1.0）47 秒輸出，音質與長度更完整，代價是生成要等約 60–90 秒。
Stable Audio Open 生成立體聲輸出
模型在 DGX Spark 本地推論，直接產出立體聲 WAV，下載後就能拿去當簡報、影片或遊戲的配樂與音效素材。
原理深掘：兩檔模型的取捨
兩條路徑共用同一套 LLM 優化流程，差異全部發生在音訊擴散模型這一步。
描述輸入
中／英文皆可
/api/musicgen/optimize
本地 LLM 補齊描述
節奏／情緒／樂器／氛圍
stable-audio-open-small
快速版・8-step pingpong 取樣
11 秒輸出・約 0.5 秒生成
stable-audio-open-1.0
完整版・100-step／cfg 7／dpmpp-3m-sde
47 秒輸出・約 60–90 秒生成
44.1kHz 立體聲 WAV
輸出
base64 回傳
可直接下載
快速版 vs 完整版
small：8-step 蒸餾版，沒有 inpaint 條件，分段續接延長已實測崩壞成靜音，故不提供延長模式
1.0：官方建議 100-step／cfg 7／dpmpp-3m-sde，比 small 慢 100 倍以上
短時長（3／6 秒）是把 11 秒版輸出裁切而成；47 秒版不提供裁短，需要短音效請用 11 秒以內檔位
11s
快速版（small）輸出時長
~0.5s
快速版生成耗時
47s
完整版（1.0）輸出時長
60–90s
完整版生成耗時
關鍵設計決策
Local-first，不經雲端
生成全程在 DGX Spark 本地完成，音樂與音效素材不用上傳到任何第三方服務。
兩段式模型選擇：快速 vs 完整
快速版（small）秒級出稿，適合大量嘗試找感覺；完整版（1.0）音質與長度更完整，留給真正要用的最終素材。
明確定位「素材生成器」，不是歌曲生成器
產出是 BGM loop 與音效素材，不是完整歌曲。先講清楚期待，才不會有人拿它去要一首完整的歌。
LLM 優化 prompt，降低描述門檻
使用者不需要懂音樂術語，本地 LLM 把口語描述轉成模型聽得懂的音樂/音效描述，中英文皆可輸入。
技術架構
Frontend
中英文輸入框
風格 / 時長選擇
立體聲 WAV 下載
LLM
本地模型優化 prompt
中英文皆可輸入
風格標籤融合
Inference
Stable Audio Open
small（快速）/ 1.0（完整）
DGX Spark 本地推論
Output
立體聲 WAV
11s（快速）/ 47s（完整）
可直接下載使用
線上工具已上鎖（Basic Auth）・本頁分享架構與設計