一位音乐制作人借助ChatGPT和OpenAI的Codex桌面应用,为Logic Pro做出了可以实际运行的音频插件,随后把它们与商业母带工具放在一起做盲听测试。结果喜忧参半。一个大约十分钟拼出来的软削波器在七款处理器中排名第二,领先于多款付费产品;而一款野心更大的母带插件,AI设计加编码的工作时间约四分钟,却只排到第六。这两个结果之间的差距才是真正的教训:代码由AI包办,但声音好坏仍取决于制作人的耳朵和音频知识。

准备工作:一份$20的订阅和一个桌面智能体

整个构建基于标准的ChatGPT Plus订阅,费用约为每月$20。在OpenAI桌面应用中,引擎从普通的ChatGPT切换为Codex,即OpenAI的本地编程智能体。Codex可以直接在电脑上操作:创建和编辑文件、运行脚本和构建工具、编译软件,而不必每一步都请求许可。这对音频工作很重要,因为插件不是一段聊天回复,而是编译后的二进制文件,必须安装到Logic Pro这类数字音频工作站(DAW)能加载的位置。

两项设置决定了这次会话的成本:

  • 模型: GPT-6 Astra,被描述为OpenAI面向复杂工程任务的顶级模型。可以把模型层级想象成一张组织架构图:小模型处理初级任务,旗舰模型则像能够设计架构的高管。把旗舰模型用在琐碎工作上是在浪费配额。
  • 推理强度: 设为Light。更高的推理档位会消耗多得多的每周令牌预算,Ultra档位在更自主地探索时还会请求系统权限。对于原型来说,Light档位已经够用。

Anthropic的Claude Code在High Mode下运行Claude Opus 5.5,当时看起来是更强的编程选项,但这次演示选择了Codex,因为它对大众用户更易上手。

用两张参考图代替需求文档来写提示词

制作人没有凭记忆描述母带处理链,而是直接给AI看图。一张商业母带插件Musik Hack Master Plan 2的截图被放进提示词,要求AI识别其中的母带处理组件,并以新的名称和架构重新设计。提示词明确要求每个参数名都必须重新构思,结果不得在视觉或功能上成为仿制品,并告诉Codex不要从本机任何现有代码仓库中提取代码。目标是借鉴“母带插件做什么”这一概念,而不是它的知识产权。

外观方面,粘贴了一张Drawmer MC3.1监听控制器的产品照片,这是一台带有复古风格实体旋钮的录音室硬件,要求用类似的旋钮、质感和配色设计一个原创界面。把来自软件的功能参考与来自硬件的视觉参考结合起来,最终得到的东西与两者都不相像。

显示器旁放着两张参考图,屏幕上一个带旋钮和琥珀色电平表的炭黑色新插件界面正在成形

▲ 软件与硬件参考图催生新设计

大约1分20秒后,Codex交出了界面样稿和一份设计文档。这个暂定名为Plan B的方案采用立体感的深色旋钮、炭黑金属面板、象牙白文字和暖琥珀色电平表,控件分为四个区块:

区块 控件
Shape 多段压缩、频率平衡均衡、清晰度增强、共振控制
Texture 磁带暖感、饱和、凝聚感、高频谐波生成
Space 立体声场管理、宽度、单声道试听
Finish 输出电平、密度压缩、响度限制、真峰值上限

另外还规划了一个独立的Detail标签页,让更深层的参数不至于塞满主面板。Codex说得很清楚:这只是一份计划,音频处理代码此时还一行都没有。

卡在哪里,提示词如何解决

第一个真正的障碍并非技术问题。任务开始时,Codex检查了账户的每周用量,发现已达88%,于是停了下来,因为一个AGENTS.md文件(为智能体设定规则的纯文本配置文件)把上限定在80%。智能体的消息说,它已中止工作以避免失控消耗。

解决办法是一行手动覆盖指令:继续执行,但这一步最多只能花掉每周额度的5%。这种护栏值得照搬。自主智能体可能会在实验上烧光配额,而一条书面上限给了它停下来询问的理由。

覆盖指令生效后,下一条提示词要求Codex从零编写DSP库(数字信号处理,也就是真正改变音频的数学运算),并在Space区块内加入一个小型房间混响。这一阶段耗时2分38秒,用掉了每周预算的约1%。得到的核心包括一个六段多段网络、一个混合比例为0到25%且默认旁通的房间混响、真峰值过冲保护和原生过采样。设计加DSP的总生成时间约为四分钟,而这类工作在过去要花软件工程师九个月到数年。

最后一条提示词是一句大白话:安装VST和AU格式,让插件能在Logic Pro里使用。Codex配置好本地构建工具,编译出原生macOS二进制文件,日志记录的构建耗时在1分15秒到2分24秒之间。

第一版构建存在真实的音频缺陷

在Logic Pro中加载Plan B,就能看出一个能跑的原型离成品有多远。问题分为两类。

AI自己无法判断的音频工程问题:

  • Room Mix控件把混响做成了直接交叉淡变,而不是并行发送,于是调大空间感会降低干信号,削弱混音的冲击力。提示词本应一开始就指定并行路由。
  • Drive饱和听起来平淡无奇,没有明显的暖感。
  • 把Finish区块的限制器推得较狠、上限设为-0.3 dBFS时,声音发脆、被压扁,缺少商业限制器的顺滑和余量。
  • 一个名为Luster的控件几乎听不出任何变化,而且这个含糊的名字也让用户完全不知道它是干什么的。

典型的AI构建小毛病:

  • 界面上出现乱码或多余的标签文字。
  • 两个标为TX和KX的按钮来自内部项目文件夹中的一条设计规则,尽管已有指令要求不得复制现有代码。
  • 旁通控件被做成了0到100%的旋钮,而不是开关。
  • 编译出来的图形界面与已认可的样稿完全不像。

最后一个问题通过在ChatGPT中再发一条简短提示词解决:指出结果与参考不符,要求按样稿重建布局。重建在两分钟内完成,用掉了每周预算的约2%。与Logic Pro自带的Controls视图相比(后者把每个参数都暴露为原始的垂直推子),结构化面板让插件好懂得多,这也提醒人们:没有清晰视觉层级的插件不过是一堆推子。

从第一条提示词到重建再到盲听测试 否 是 带两张参考图的提示词 若触发用量上限,以5%限额覆盖 先出设计文档,再写DSP库 构建并安装VST和AU 在Logic Pro中加载试听 与样稿相符? 与商业工具盲听对比
▲ 从第一条提示词到重建再到盲听测试

一锤定音的盲听测试

音质评判使用HOFA 4U+ BlindTest,这是一款Logic Pro工具,用骰子图标隐藏每个槽位上的插件,让听者为每一个打分并写下备注。七款处理器在同一段嘻哈伴奏上运行:Plan B、十分钟做出的ChatGPT软削波器、制作人自己已有的AI母带工具(第13版)、使用Quick Master预设的Master Plan v1.5、Master Plan 2、Apogee Limiter,以及一款开源测试限制器。

显示器上显示盲听测试,七个隐藏槽位带星级评分和备注,听者戴着耳机

▲ 七款插件盲听测试

各轮测试中记下的备注把槽位分成三档:底部是偏暗、过软的;中间是干净但“太保守”、偏重瞬态的;顶部是响亮有力的竞争者。有一个槽位立刻脱颖而出,备注为“宽、清晰、饱满密实、有冲击力、更响”。另一个则被标为“过脆、失真、太软”。对前两名直接做A/B对比,差距被描述为相当明显,领先者在立体声纵深、宽度和高频细节上都更胜一筹。

揭开盲测后,排名如下:

排名 插件 试听备注
1 制作人已有的AI母带工具(第13版) 饱满、密实、有冲击力、立体声像宽
2 ChatGPT构建的软削波器(制作约10分钟,免费) 清晰、瞬态扎实、略偏暗
3 Master Plan 2 响亮但过脆
4 Master Plan 1.5 太脆
5 Apogee Limiter 偏重瞬态但太保守、太安静
6 Plan B(新构建) 过脆、失真、太软
7 开源测试限制器 垫底

这些排名反映的是一位听者在一首曲子上的偏好,并且承认对节拍驱动的音乐偏爱强瞬态。一款更柔和、更暗的处理器也许适合怀旧、顺滑的作品,即便它在充满能量的节拍上不及格。尽管如此,整体图景是一致的:一个小小的ChatGPT削波器压过了商业工具,其中一款据称开发了三年;而一个复杂得多的AI构建插件却排在接近末尾。按这个速度,生成一百个母带插件大概需要400分钟左右,但速度说明不了声音。

可以从中带走什么

这里的论点是,编码不再是音频工具开发的瓶颈。手写DSP和GUI代码曾经要花数月乃至数年;在这里只用了几分钟和每周AI预算的几个百分点。没有变得更容易的是:知道什么声音好、混响该怎么路由、哪种饱和有音乐性、限制器何时正在压碎瞬态。正是这种判断力造就了排名第二的削波器,也暴露了Plan B的缺陷。

如果你想打造自己的工具,无论在音乐还是其他领域,这套模式都可以套用:

  1. 给模型提供现有工具的参考图以提取功能区块,再单独给一张外观的视觉参考。
  2. 明确说明哪些东西不能复制:名称、商标、源代码。
  3. 从较低的推理档位起步,并在放手让智能体运行之前,在智能体配置文件中设定用量上限。
  4. 一开始就把控件类型和信号流说具体,比如旁通用开关、空间感用并行路由。
  5. 当输出与参考不符时,直截了当地指出,并要求重建。
  6. 把结果与你能拿到的最佳替代品(包括试用版)做盲听对比,用七到十个竞争者而不是单一的一对一比较,这样确认偏误就无法美化你自己的作品。

工具会持续变化,模型名称和版本更迭很快。保值的技能是告诉AI该做什么的领域专长,以及判断它是否成功的批判性眼光。