用本机跑的开源音乐模型，给安卓小游戏做 20 秒无缝循环背景音乐

给一个安卓小游戏配背景音乐，我定了三条要求：

1. 循环播放听不出接缝；
2. 游戏里有三种气氛（平常的周、相亲当天、数值告急），三段曲子要能来回切，切的时候不跳拍；
3. 体积要小，装进 App 里不心疼。

曲子我没有自己谱，而是用一个在本机跑的开源音乐模型（ACE-Step 1.5）生成，再用一个 Python 脚本把生成的曲子切成正好 20 秒的无缝循环，安卓端用 SoundPool 播放。这篇把整条流程和踩到的坑写下来，游戏只是个例子，换成你的项目照样能用。

一、先弄清"接缝"从哪来

一段音乐循环播放，接缝可能出在三个地方：

• 节奏接缝：长度不是整数拍。每转一圈，重拍的位置就偏一点，转几圈后明显不对劲。
• 波形接缝：结尾最后一个样本和开头第一个样本数值差得大，播放时是一声"咔哒"。
• 和声音色接缝：结尾停在一个和弦上，开头却是另一种音色另一个和弦，听感上断了一下。

所以目标是：长度正好是整数小节，并且"起点"和"终点"听起来像同一个地方。

我选的规格：96 拍/分钟，4/4 拍，8 小节 = 32 拍。一拍 60 ÷ 96 = 0.625 秒，32 拍正好 20.0 秒 ；采样率 22050 Hz，所以是 441000 个样本，单声道 16 位。一条 wav 是 882044 字节（882000 字节数据加 44 字节文件头），三条加起来 2.6 MB 出头。SoundPool 本来就是给短音频用的，20 秒的循环正适合它。

二、生成：为什么要多生成一倍

我让模型生成 40 秒，而不是直接生成 20 秒。原因有两个：

• 生成出来的曲子开头常有"起"的部分，结尾常有收尾，这些不适合循环，我只想要中间稳定的那一段；
• 之后要在里面"找一个起点"，得有挑的余地。

生成参数大概是这样（ACE-Step 1.5 的 turbo 版加 0.6B 的语言模型，8 步）：

p = GenerationParams(
    lyrics="[Instrumental]", instrumental=True,   # 纯器乐
    bpm=96, timesignature="4", keyscale="C Major",
    duration=40, inference_steps=8, guidance_scale=1.0,
    task_type="text2music", thinking=True,
    caption=MAIN, seed=11)

caption 就是一句英文的风格描述，我写的是"轻快的 8 位像素风纯器乐循环、方波主旋律、三角波贝斯、轻噪声打击乐、速度平稳、没有人声"这个意思。在一台 M2 Max 的 Mac 上，一条 40 秒的曲子大约 30 秒就出来了。

要注意：模型收到 bpm=96 只是"尽量往这个速度靠"，生成结果的实际速度不会正好是 96。我拿 librosa 检测过，三条分别是 95.3、97.0、95.3 拍/分。所以后面一定要有"微调速度"这一步。

三、切循环：四步

1. 找拍点

tempo, beats = librosa.beat.beat_track(y=y, sr=sr, start_bpm=96,
                                       units="time", tightness=400)

start_bpm 告诉它大概的速度，tightness 调大，让拍点更贴着稳定的节奏、不要随音符乱跳。

2. 挑起点：让"起点"和"32 拍之后"最像

第 i 个拍点作为起点，那循环的终点就是第 i+32 个拍点。我要挑的是这样一个 i：起点那一刻和终点那一刻，和声和音色最接近（这样首尾接起来，耳朵不会觉得换了地方）。

怎么量化"最接近"？我给每一小段做一个"指纹"：12 维的 chroma（音高类别的能量分布，反映和声）加 13 维的 MFCC（反映音色），把 MFCC 除以 50，让两部分的数量级差不多。取拍点后 4 帧的平均，算两个指纹的欧氏距离，取负数当"接缝得分"，越接近 0 越顺：

def feats(y, sr):
    chroma = librosa.feature.chroma_cqt(y=y, sr=sr)
    mfcc = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13)
    return np.vstack([chroma, mfcc / 50])

def seam_at(feat, fr, i):
    a = feat[:, fr[i]:fr[i] + 4].mean(1)
    b = feat[:, fr[i + 32]:fr[i + 32] + 4].mean(1)
    return -float(np.linalg.norm(a - b))

然后把所有可行的 i 过一遍，取得分最高的。可行的意思是：起点离开头至少 3 秒（避开"起"的部分），终点后面还要留 0.5 秒（后面交叉淡化要用）。

为什么不直接比波形？因为同一首曲子的两个不同位置，波形几乎不可能一样，比出来没有意义；要比的是"听起来像不像"。

3. 微调速度，让这段正好 20.0 秒

拍点检测出来的 32 拍长度不一定是 20.0 秒（比如 20.3 秒），拉伸一下就行：

rate = (t1 - t0) / 20.0            # t0、t1 是起点和终点的时间
if abs(rate - 1) > 0.001:
    seg = librosa.effects.time_stretch(seg, rate=rate)

速度越准，要拉伸的就越少，音质损失就越小。我生成了 3 个候选（3 个随机种子），其中一个候选的 32 拍原长分别是 20.0、19.98、20.0 秒，几乎不用拉伸；另一个要拉伸大约 2%。这也是我选候选的依据之一。

4. 交叉淡化，把最后一道接缝抹平

即使起点挑得再好，首尾样本也不会正好相等。办法是：让循环段的开头，先是"原曲里紧跟在终点之后的那 60 毫秒"，再渐渐过渡到真正的开头。这样循环时，终点的下一个样本，正是原曲里本来就该接上去的那个样本：

n, xf = 20 * 22050, int(0.06 * 22050)       # 441000 个样本，60 毫秒
body = seg[s:s + n].copy()
tail = seg[s + n:s + n + xf]                 # 终点之后的 60 毫秒
k = np.linspace(0, 1, xf)
body[:xf] = body[:xf] * np.sqrt(k) + tail * np.sqrt(1 - k)

用 sqrt 而不是直线，是"等功率"交叉淡化：两路信号叠加的时候总能量保持不变，中间不会凹下去一块。

做完之后顺手把响度对齐到一条参考曲子（按 RMS），再检查峰值不超过 0.98，避免削波。

怎么确认接缝真的没有"咔哒"？我算了一个小指标：首尾两个样本的差，除以整段里相邻样本差的 99 分位。小于 1，就说明接缝处的跳变没比曲子里平时的跳变更大。选中的那一组，三条的指标分别是 0.58、0.08、0.66。

四、一个坑：变速和重采样会把片段两头"糊掉"

最开始我的做法很直接：按拍点把 [t0, t1] 这一段剪出来，再拉伸、再重采样。结果接缝处总有一点咔哒声，怎么调淡化长度都不干净。

后来发现是变速（time_stretch）和重采样，在片段的两头处理得都不准------这类算法是按一小块一小块来处理的，片段最开头和最末尾的块缺了一边的上下文，出来的头尾就是糊的。偏偏我要的接缝恰恰就在头尾。

解决办法：前后各多带 1 秒，先对这一大段做变速和重采样，处理完再从中间取需要的 20 秒：

pad = 1.0
a, b = max(0, int((t0 - pad) * sr)), int((t1 + pad) * sr)
lead = t0 - a / sr                       # 起点在这段里的位置
seg = y[a:b]
seg = librosa.effects.time_stretch(seg, rate=rate)
seg = librosa.resample(seg, orig_sr=sr, target_sr=22050)
s = int(round(lead / rate * 22050))      # 变速后，起点的位置也跟着缩放
body = seg[s:s + n]                      # 从"没糊"的中间取

两个细节：变速之后时间轴整个缩放了，所以起点的位置要除以 rate；多带的这 1 秒，也正好给上一步的 60 毫秒交叉淡化提供了"终点之后的素材"。

五、三条曲子怎么做到同拍子

游戏里有三种气氛，对应三段曲子。我想要的切换方式是：三段同时播，只让其中一段出声，切换就是调音量。这要求三段曲子的每一拍都对齐。

如果三段各自独立生成，即使都写了 96 拍/分，小节线和和弦走向也各不相同，叠在一起播会别扭。我的做法是：

1. 主曲用 text2music 生成；
2. 另外两段用 task_type="cover"，把主曲当 src_audio，用同一个随机种子，audio_cover_strength=0.6，换一句风格描述（一个是"正午小饭馆、礼貌又有点尴尬"的轻快曲，一个是"钟表滴答加心跳底鼓、小调"的紧张曲），让模型按主曲的骨架改编。

gen("music_date-1", task_type="cover", thinking=False, caption=DATE,
    src_audio=main_wav, audio_cover_strength=0.6, seed=seed)

切循环的时候，同一组里的另外两段沿用主曲的起点：在它们自己的拍点里找离主曲起点最近的那一个，往后取 32 拍。

但 cover 并不保证拍点完全对齐，所以我把"三条起点的互差"也当成指标记下来。三个候选对比如下（接缝得分越接近 0 越好）：

候选	变速	三条接缝得分	三条起点互差	结论
1（选中）	几乎不用	−1.30 / −1.18 / −0.70	≤ 0.011 秒	速度最准，拍点对齐
2	约 2%	−1.24 / −3.04 / −5.98	0	后两条接缝差，变速最多
3	约 1%	−0.38 / −0.57 / −0.50	其中一条差 0.30 秒	接缝最好，但那一条和主曲错了约半拍（一拍 0.625 秒）

候选 3 的接缝最漂亮，却不能用：错半拍的两条同时播，会很别扭。这说明接缝得分只是一项指标，同步性是另一项，要一起看；一组曲子是同源的，不合格就整组换，不能只换其中一条。

这些指标只能帮我把明显有问题的筛掉，最后拍板之前还是得戴上耳机自己听一遍。

六、安卓端：SoundPool 三条并排循环

三条 wav 放在 res/raw/，用 SoundPool 加载。要点有三个：

• 三条都加载完，再一起开始播；
• play 的 loop 参数传 -1，无限循环；
• 同一时刻只有一条有音量，其余音量为 0，切换时每 80 毫秒把音量旋钮转一小格（0.08），大约 1 秒完成淡入淡出。

private val pool = SoundPool.Builder()
    .setMaxStreams(6)
    .setAudioAttributes(AudioAttributes.Builder()
        .setUsage(AudioAttributes.USAGE_GAME)
        .setContentType(AudioAttributes.CONTENT_TYPE_SONIFICATION).build())
    .build()

// 三条一起开始，只有"平常"那条有音量
calmStream  = pool.play(calmSound,  MUSIC_VOLUME, MUSIC_VOLUME, 2, -1, 1f)
dateStream  = pool.play(dateSound,  0f, 0f, 2, -1, 1f)
tenseStream = pool.play(tenseSound, 0f, 0f, 2, -1, 1f)

// 切换时只调音量，不换曲子，所以拍子不会断
pool.setVolume(tenseStream, MUSIC_VOLUME * blend, MUSIC_VOLUME * blend)

这样换曲子时只是音量的变化，三条曲子始终在各自的循环里走着同一个拍子，所以不会跳拍。

三次 play 是连着调用的，三条的起点理论上会差几毫秒，我没有单独量化这个误差。

另外几个小处理：

• 音乐默认是关的，玩家自己打开；开着的时候，如果手机里已经有别的音乐在放（AudioManager.isMusicActive），游戏启动时不去抢；
• 游戏切到后台就 autoPause，回来再 autoResume；
• 音效和音乐各有一个开关，各自记住。

七、许可

ACE-Step 1.5 的模型卡和代码仓库写的是 MIT 许可，用的是授权数据训练、生成的音乐可商用。用之前请自己再确认一遍模型卡，这篇文章不替你担保。

八、顺便说说这个游戏

例子里的游戏是我们做的一个小游戏，《相亲模拟器》：像素风的卡牌小游戏，左右滑卡片，应付一个相亲季里家人的催促、介绍人的热情和自己的钱包、心情。笑的是拿标签挑人这套做法，不笑任何一个人。

0.2 版有 62 张卡，6 位相亲对象（一个相亲季见其中三位），还有上面说的三段背景音乐和七个音效。不联网，不要任何权限，七种语言，永远免费，永远没有广告。

它还在 Google Play 封闭测试，测试的人还不够。想试的话，先加测试群，再从测试页安装：

• 测试群：https://groups.google.com/g/blind-date-simulator-testers
• 测试页（点"成为测试人员"，再到 Play 安装）：https://play.google.com/apps/testing/app.blinddate.sim
• 官网：https://techinfo-apps.github.io/

为人带来一点快乐。永远免费，永远没有广告。

联系：techinfor404@gmail.com

官网：https://techinfo-apps.github.io/