--- title: "为什么我的 AI 歌曲总是丢结尾：在 12GB 显卡上跑 YuE2" description: "12 首中文歌时长全都恰好 240.000 秒，尾奏不见了。原因不在歌词 —— 是一道硬上限、一堵显存天花板，和一个不看 BPM 的规划器。" pubDate: 2026-10-20 category: ai tags: ["yue2", "comfyui", "ai-music", "local-ai", "gpu", "vram", "mandarin"] draft: false --- YuE2 是一个 30 亿参数的开源音乐模型，能按风格提示词和歌词唱中文。我把它放在自己那台 12GB 显存的 RTX 3060 上用 ComfyUI 本地跑，一次排了 12 首原创歌 —— 结果第一批出来，**每一首的时长都恰好是 240.000 秒**。这个数字不是巧合，而且是个坏消息。 ## 每首都恰好 240.000 秒 12 个文件，时长精确到毫秒完全一致： ``` 01_A1_..._糖画小仙.mp3 duration=240.000000 02_A2_..._溪边捉云记.mp3 duration=240.000000 03_A3_..._寒露拾桂子.mp3 duration=240.000000 ... ``` 我设的是 `max_duration=240`，因为参考指南说 12 段结构大约会落在三分半左右。结果它精确落在 240 秒 —— 这意味着模型从来没有"决定结束"，它是把时间用光了。 ## 整数是一种自白 YuE2 用 ABC 规划器来编排：读取歌词，给每一段分配小节数，生成一份符号化的曲谱草稿。音乐生成器照着这份草稿唱，**草稿结束它就结束**。 所以一首真正唱完的歌，输出时长一定是**小于**你设的上限的 —— 它自己停下来了。 判断方法只要一条命令： ```bash d=$(ffprobe -v error -show_entries format=duration -of csv=p=0 take.mp3) python -c "print(abs(float('$d') - 240.0) <= 0.005)" # True = 被硬切 ``` 如果时长和 `max_duration` 相差不到几毫秒，这次渲染就是被截断的。歌词需要的时间超过了上限允许的范围，切点那一句被拦腰砍断。 ## 确认尾奏真的丢了 光看时长只能知道"被切了"，不知道"丢了什么"。所以我把每首的尾巴切出来，用本地语音模型（SenseVoice，跑在 CPU 上，GPU 渲染时不用停）转写： ```bash ffmpeg -v error -y -i take.mp3 -ss 232 -t 20 -ar 16000 -ac 1 -c:a pcm_s16le t.wav curl -s -X POST http://127.0.0.1:20129/v1/audio/transcriptions \ -F "file=@t.wav" -F "language=zh" ``` 结果没有歧义： | 歌 | 唱到哪 | 缺了什么 | |---|---|---| | 糖画小仙 | 末遍副歌最后一句 | **整段 `[Outro]`** | | 溪边捉云记 | 215 秒还停在 `[Bridge]` | Solo + 末遍副歌 + Outro | | 寒露拾桂子 | 215 秒还停在 `[Bridge]` | 末遍副歌 + Outro | | 纸鸢与旧木偶 | 末遍副歌第 5 句 | 副歌后半 + Outro | 所以不是混音问题、也不是淡出 —— 是结构不完整。 ## 试过但没用的三件事，和半有用的一件 ### 1. 提高 BPM —— 完全无效 直觉上：节奏更快、每秒塞进更多字、同样的窗口能装更多歌词。我在整批上验过：117 BPM 的国风组和 140 BPM 的 DJ 燃曲组，**吞吐几乎一样**。 YuE2 的时长来自 ABC 规划器分配的小节数，不看你风格提示词里的 BPM 标签。BPM 只影响"感觉"，买不到时间。别在它身上调时长。 ### 2. 同 seed 重跑 —— 静悄悄地什么都没做 ComfyUI 是用 `--cache-classic` 启动的，所以重新提交一个逐字节相同的任务（同样的风格、同样的歌词、同样的 seed）会直接命中节点缓存。任务"完成"于 10 秒左右，还你一份一模一样的截断音频，文件名加个 `_00002`。 看起来像一次又快又成功的重试。实际上是命中了一个已知有问题 take 的缓存。 ### 3. 换 seed —— 四次里能救三次 规划器分配小节的方式依赖 seed，所以换个 seed 确实可能给出更短、能唱完的版本。这一招救回了我四首里的三首： | 歌 | 原始 | 新 seed | 结果 | |---|---|---|---| | 溪边捉云记 | 卡在 281 秒 | 20002 | 279.7 秒，完整 | | 外婆的绿搪瓷碗 | 卡在 300 秒 | 20007 | 251.9 秒，完整 | | 北溟有小鱼 | 卡在 300 秒 | 20005、30005 | 再次撞顶 | ## 预算是"每秒几个字"，而这个数还在变 我试过把它做成算术：数字数、除以吞吐、得出时长。实测不配合。 | 歌 | 汉字数 | 上限 | 实际 | 装下了吗 | |---|---|---|---|---| | 糖画小仙 | 556 | 272 秒 | 258.7 秒 | ✅ | | 纸鸢与旧木偶 | 572 | 300 秒 | 279.9 秒 | ✅ | | 溪边捉云记 | 578 | 281 秒 | **281.0 秒** | ❌ 被切 | | 小楼檐下听雨眠 | 580 | 300 秒 | 256.3 秒 | ✅ | | 画卷小锦鲤 | 634 | 300 秒 | 285.9 秒 | ✅ | | 三楼窗台的蒲公英 | 693 | 329 秒 | 247.4 秒 | ✅ | | 弄堂口的竹蜻蜓 | 692 | 300 秒 | 250.0 秒 | ✅ | 把最后两行和第三行对比着看：**693 个字在 247 秒内唱完了，578 个字却撑爆了 281 秒。** 字数换算时长的公式在这里根本不存在 —— 实测吞吐落在每秒 2.0 到 2.8 个汉字之间，取决于规划器怎么切段落。 所以字数只适合用来**预警预算**，不适合用来掐时间。 ## 真正卡住的瓶颈是显存 一旦接受"给它足够空间、让它自己收尾"，上限自然想设大一点。但在 12GB 卡上设不大。 渲染过程中每 5 秒采一次 `nvidia-smi` 得到的峰值显存： | `max_duration` | 峰值显存 | |---|---| | 240 秒 | 10.3 GB | | 272 秒 | 11.65 GB | | 278 秒 | 11.07 GB | | 281 秒 | 12.06 GB | | 300 秒 | 12.03 GB | 卡总共 12.288 GB。**300 秒就是实际天花板** —— 再往上，你离"渲染到第六分钟时因为一个浏览器标签页而 OOM 崩掉"只差一步。 ## 解法 三处改动，都很便宜： 1. **把上限设到 300 秒，让规划器自己收尾。** 不要追目标时长；给足余量，它会在音乐结束的地方结束。 2. **被切的 take 归档，不要混进成品。** 时长等于上限的 take 移到 `未自然结尾\` 目录。成品目录里就只有完整的歌，而且重跑永远不会覆盖掉一个可用的 take。 3. **换 seed 最多试三次。** 换 seed 有用，但如果一首歌的歌词真的超过显存能撑的时长，它会永远失败。三次不成就动歌词 —— 别烧一小时 GPU 假装下一个 seed 会中。 ## 那首始终装不下的歌 12 首里有一首没做成。**北溟有小鱼，593 字，失败了五次：** | 尝试 | 参数 | 结果 | |---|---|---| | 1 | seed 10005，上限 287 秒 | 撞 287 秒 | | 2 | seed 10005，上限 300 秒 | 撞 300 秒 | | 3 | seed 20005，上限 300 秒 | 撞 300 秒 | | 4 | seed 30005，上限 300 秒 | 撞 300 秒 | | 5 | seed 40005，删掉两段纯器乐 | 撞 300 秒 | 我甚至把 `[Interlude]` 和 `[Instrumental Solo]` 两个标记删掉 —— 从 12 段降到 10 段，一个唱词都没动 —— 它还是溢出。它的规划器要的时间超过了这张卡能给的上限。诚实的解法是砍掉大约 40 个字再重跑；我宁可告诉你这件事，也不想交一首结尾被咬掉一块的第十二首歌。 ## 在这之前踩到的一个坑 值得单独警告：**YuE2 会把你歌词里括号内的中文制作备注唱出来。** 如果你贴的歌词长这样（大多数歌词稿就是这么写的）： ``` [Intro] (重鼓点起，急促琵琶轮指，唢呐破空，合成器铺底) 嘿！哈！山海震！ ``` 那么那行括号内容就成了一句歌词。模型不知道那是舞台说明。提交前先清掉： ```python clean = "\n".join(l for l in raw.split("\n") if not re.match(r"^\s*[（(].*[）)]\s*$", l)) ``` 配器和动态写进风格提示词。歌词框里只留段落标签和要唱的字。 ## 我会怎么改 - **预警做在歌词阶段，不在渲染之后。** 先数字数。12GB 卡上超过约 600 字就要有心理准备，超过 550 字就该准备删点什么。 - **永远不要把 `max_duration` 设成目标时长。** 设得比估算宽松，让它自己收尾。上限是安全护栏，不是旋钮。 - **把"时长 == 上限"当成流水线里的硬失败**，而不是三天后觉得副歌怪怪的才发现。 - **先换 seed，再动歌词** —— 免费，而且大多数时候有效。然后三次为止。 ## 十一首歌 下面这些是自然收尾的成品，女童声、中文、跑在一张 12GB 显卡上，成本比一年的云端音乐额度还低。每个播放器都带同步歌词 —— 因为模型不输出时间戳，时间轴是用转写结果和歌词原文对齐反推出来的。 ### 1. 糖画小仙 — Sugar-Painting Fairy *Guofeng electronic* · 556 characters · 259 s
### 2. 溪边捉云记 — Catching Clouds by the Stream *Guofeng electronic* · 578 characters · 280 s
### 3. 寒露拾桂子 — Picking Osmanthus at Cold Dew *Guofeng electronic* · 578 characters · 290 s
### 4. 纸鸢与旧木偶 — The Kite and the Old Puppet *Guofeng ballad* · 572 characters · 280 s
### 5. 小楼檐下听雨眠 — Listening to Rain Under the Eaves *Guofeng ballad* · 580 characters · 256 s
### 6. 外婆的绿搪瓷碗 — Grandma's Green Enamel Bowl *Urban folk* · 679 characters · 252 s
### 7. 弄堂口的竹蜻蜓 — The Bamboo Dragonfly at the Alley Mouth *Urban folk* · 692 characters · 250 s
### 8. 三楼窗台的蒲公英 — Dandelion on the Third-Floor Windowsill *Urban folk* · 693 characters · 247 s
### 9. 小哪吒借红绫 — Little Nezha Borrows the Red Sash *Guofeng DJ remix* · 612 characters · 271 s
### 10. 画卷小锦鲤 — The Koi That Left the Painting *Guofeng DJ remix* · 634 characters · 286 s
### 11. 山海小当家 — Little Boss of the Classic of Mountains and Seas *Guofeng DJ remix* · 647 characters · 237 s