带分轨和 MIDI 的 AI 歌曲生成器

发布日期：2026年10月

大多数 AI 歌曲生成器交给你的是一段成品录音。Doseedo 交给你的，是这首歌诞生时的那个工程：一个 Logic Pro或Ableton Live项目 ，每个声部都在自己的轨道上，既有音频，也有 演奏它所用的 MIDI，并采用歌曲本身的速度。你可以从工作室聊天里的一句话开始，也可以从 Claude 或 ChatGPT 这样的 AI 智能体开始。无论哪种方式，你下载到的都是一个能在 DAW 里打开并继续制作的工程，而不是一文件夹需要手动对齐的 WAV。

返回的结果

这是 2026 年 10 月 29 日的一次真实运行。请求是“a 45-second country song”，返回的工程如下：

Country song from a prompt.logicx     110 bpm · 4/4 · F major · 44.1 kHz
  audio  Drums           45.6 s   272 of 275 written hits heard
  audio  Bass            45.6 s    41 of 41 notes heard
  audio  Rhythm Guitar   45.6 s    74 of 78 strums heard
  audio  Lead Guitar     45.6 s    44 of 44 notes heard
  MIDI   Drums           321 notes
  MIDI   Bass             41 notes
  MIDI   Rhythm Guitar   240 notes
  MIDI   Lead Guitar      44 notes

同样的声部也以 Ableton Live Set 的形式返回：110 bpm、同样的八条轨道、全部 646 个音符，并且顺利通过了我们的 .als lint 检查，即按 Live 的加载规则逐项核对。混音则单独返回，是一个 −12.9 LUFS、真峰值 −1.0 dB 的 WAV。

“heard”这些数字是渲染自带的回执。每次渲染之后，音频都会被转录，并与写下的音符逐一比对，所以一个丢了音符的声部会直接报告出来，而不是藏在混音里。在这次运行中，第一版鼓丢了 259 下军鼓中的 53 下，大多是幽灵音（ghost notes）。回执标记了这个问题，鼓随即改用采样鼓组重新渲染（采样鼓组会奏出每一下写下的击打），新的一版达到了 275 下中的 272 下。

从未混在一起的分轨

大多数“提示词生成歌曲”的工具会先做出一段混好的录音。如果提供分轨，也是事后从这段录音里拆出来的，所以每条分轨都会带上一点其他声部的声音；如果提供 MIDI，也是再从分轨里转录回来的。这里的顺序正好相反：先有音符，每个声部都根据自己的音符单独渲染，混音再由这些渲染结果合成。一条分轨里没有别的东西，因为里面从来就没有过别的东西；MIDI 轨道也不是转录出来的，而正是演奏这段音频所用的声部本身。

两种入口

从浏览器开始。

1. 打开 工作室 ，以及时间线旁边的聊天窗口（“ask me about your session”）。
2. 用平常的话描述你想要的歌，说明风格，愿意的话再加上时长、调性、速度和乐队编制： “make a 2-minute country song in G at 96 bpm”, “a lo-fi hip hop track with Rhodes and upright bass”, “a romantic string quartet piece”。不说时长的话，默认约两分钟。
3. 歌曲引擎一次写完整个编曲（曲式、和弦，以及贯穿整首曲式的每个声部），每个声部都以 MIDI 落在自己的轨道上，并由乐器模型完整演奏。除非你要求纯器乐，否则歌曲默认有人声演唱：引擎写旋律，聊天为每个乐句写一行歌词。
4. 声部一落地，就可以直接开口修改：“busier”“simpler”“swing it”“an octave lower”“make the drums 16ths”。也可以自己动手改音符。
5. 在 Export / Share 面板中导出为 Logic Pro、Ableton Live、Pro Tools、FL Studio 或 REAPER 工程。

打开工作室不需要账号。聊天和渲染需要一个免费账号：未登录时输入的请求会被保留，登录后会自动发送。

从 AI 智能体开始。

在任何支持 MCP 的 AI 客户端（Claude、ChatGPT、Cursor、Gemini CLI、Codex）里，同样的结果只隔一次对话。连接 https://api.doseedo.com/mcp ，然后让它写一首歌。智能体会遵循服务器自带的 compose-piece 配方：先把每个声部写成音符， doseedo_render_score 负责演奏（每个声部一条分轨，各附一份回执，说明是否奏出了写下的音符）， doseedo_mix 负责混音， doseedo_session_from_stems 则返回 Logic 或 Ableton 工程，每个声部都以音频和 MIDI 两种形式呈现，并采用混音中的电平和声像。作曲由智能体完成，所以调性、速度和曲式与它写下的完全一致。

Claude 指南 完整演示了 Claude 逐个音符写成的一首曲子，而 ChatGPT 指南 则介绍在 ChatGPT 中走同样的流程。

歌曲引擎写了什么

工作室聊天不会让语言模型去猜音符。写歌的请求会交给一个编曲引擎，它有 45 个风格包（trap、乡村、house、bossa nova、K-pop、afrobeats、管弦乐等），每个风格包都描述了该风格的曲式、和弦习惯、律动、贝斯写法和伴奏方式。下面是它为那首乡村歌曲写下的内容，用时不到一秒：

style   country          tempo 110 bpm (the pack's range is 80–140)
key     F major          20 bars, 43.6 s
form    intro 2 · verse 8 · chorus 4 · chorus 4 · outro 2
chords  F F/A | Bb | F | F5 | Bb | C7 | F | F7 F7/A | Bb | C7 |
        F | Bb | C | F | F | Bb | C | F | C | F
parts   Drums           321 hits   fills into bars 3, 11, 15, 19
        Bass             41 notes  electric bass
        Rhythm Guitar   240 notes  acoustic, strummed chords
        Lead Guitar      44 notes  acoustic, enters with the verse

因为声部从音符开始，调性、速度和曲式都是这首歌确定的事实，而不是期望：你可以在请求里指定它们，工程的速度就是歌曲的速度，所以没有任何东西会和网格错位。 文本转 MIDI 指南 展示了同一个引擎写出的一首 60 秒 trap 歌曲。

费用与耗时

渲染会消耗账户每月的额度池：每组最多六个声部，每 30 秒窗口 10 点额度（同一批次中的多个版本不额外收费）。混音和构建工程不消耗额度。免费账户每月有 120 点额度， 专业版 则有 2,000 点。上面那首乡村歌曲花了 40 点：四个声部 20 点，重新渲染鼓 20 点。

这首乡村歌曲的实际耗时（含排队）：渲染四个声部 51 秒，重新渲染鼓 82 秒，混音 23 秒，构建 Logic 工程 30 秒。构建 Ableton 工程又多用了 23 秒。

已经有一首歌了？

如果歌曲已经存在，无论是用 Suno 做的还是乐队录的，路线就反过来：把混音分离成分轨，把每条分轨转录成 MIDI，再检测速度图和和弦，全部放进一个工程。这就是 音频会话。关于 Suno 转 Logic Pro, Suno 转 Ableton 和 Suno 转 MIDI 的指南涵盖了大家最常问的几种情况， 重混一首歌 则介绍拿到这些声部之后能做什么。

有关的

• 同样的流程，专为 Logic Pro
• 文本转 MIDI：以音符形式呈现的编曲
• 通过 MCP 生成音乐
• 音频转工程：把现成的歌变成工程
• 演奏这些声部的乐器