Mc Vocal Direction

演唱指导与和声设计（Vocal Direction）

这个 skill 管的是：人声该怎么唱，不只是唱什么音。

对本库尤其重要，因为——

> AI 人声最稳定的破绽是"完美"：音准全中、力度平直、每遍副歌唱得一模一样。 > 真人做不到这些，也不想做到。

所以本 skill 有一半内容是在教怎么要求"不完美"，以及怎么把这种要求写成后端能吃的话。

按任务读哪几节

| 症状／任务 | 读 | |---|---| | 人声听着平、没表情 | §2 演唱指导的语汇 | | 想让人声更有冲击力 | §2.3 辅音 | | 人声"太准了"、像机器 | §4 音准哲学 | | 人声推不出来、埋在伴奏里 | §4.1（多半不是音量问题） | | 要加和声，不知道加哪种 | §5 四型 | | 和声盖过主唱 / 太抢 | §5 对应型号的 delivery ＋ EQ 思路 | | 要不要做 double | §6 | | 写 Suno/YuE2 的人声提示词 | §7 | | 填 ARR-SPEC 的 vocal 块 | §8 ＋ §9 |

边界：什么不归这个 skill 管

| 不归这里 | 归哪 | |---|---| | 词怎么写、押韵、倒字/协音 | 作词库（lyric-writing，LYR-SPEC） | | 旋律的音高走向、音域设计 | mc-melody（L1） | | 字怎么安到音上（符割り/字余り） | 作词库——它是词曲接口，归词库 | | 人声 EQ 的具体频点、压缩参数 | mc-mix-intent（意图）／出库混音库（实操） | | 人声和哪件乐器抢频段 | mc-texture-layering | | 合成人声音源（Vocaloid、Synthesizer V 的引擎参数） | 不做。本库只写演唱意图（§7 映射到各后端），不写引擎参数 |

---

1. 动笔前必填

| 必填 | 问法 | |---|---| | ① 这是谁在唱 | 声音人设：性别、音区、质感、年代感。不是"女声"这种程度 | | ② 每段的 delivery | 至少分主歌/副歌/桥。用 §2 的语汇写，不是"有感情" | | ③ 力度起伏 | 逐段的相对强弱——lint #15 查这个，全曲一个力度直接判不合格 | | ④ 副歌逐遍差异 | 第二遍、第三遍分别改了什么（lint #16） | | ⑤ 和声方案 | 用哪型（§5）、在哪几段、上还是下 |

---

2. 演唱指导的语汇

2.1 只有两条音乐上的判据

> 1. 是否适合这首歌 > 2. 是否适合这个歌手（似合っているか）

就这两条。技术好不好不是判据——技术是手段。 用在本库上，第 2 条变成"是否适合这个声音人设"。

2.2 ★ 不要说"大声点"

这是整节最实用的一条：

> 宏大的编曲配上含混的人声时，不要说"唱大声点"——音量推子能解决音量。 > 你真正想要的多半是"更亮的声音"，所以说"请唱得亮一点"更有效。

形象化指令同样有效：

• "带着笑唱"
• "嘴角上扬"
• "往很远的地方唱"

为什么这条对本库特别重要：这些正好是文本后端能吃的词。 sing brighter / smiling delivery / sung toward a far distance 是有效提示词， 而 louder 在生成模型那里几乎没有意义——它不控制音量。

2.3 ★ 辅音与元音分开想

这是演唱指导和后期编辑共同的基础知识：

• 一个音节 = 辅音 + 元音（「か」= K + A，写成罗马字最清楚）
• 要冲击力时，说"辅音用力"比说"大声"有效
• 编辑时要分清：这是辅音的时机问题还是元音的长度问题
• 混音里光是控制辅音的电平就能改变人声的表情

2.4 "S" 这个魔法辅音

> S ≈ 用嗓子发出的白噪声——它本质上就是噪声。

推论（都很实用）：

• 可以在 S 的中间剪接，听不出接缝
• 它的长度可以自由伸缩而不违和
• 从别的 take 移植一个 S 过来基本上无缝

> ★ 拍点活在元音上，不在辅音上。 > 「さ」(= S + A) 唱在第 2 拍时，S 实际发生在第 1 拍的尾巴上—— > 和拍子对齐的是元音 A。

这条有两个用处：

1. 编辑 AI 生成的人声时，"这里有个 S"= "这里是好剪接点"
2. 判断人声"抢拍/拖拍"时，要看元音的位置，不是音节的起点——

否则你会把所有以 S、SH、TS 开头的字都误判成抢拍

---

3. 制作链条的类比

一个有用的对照（电影 → 流行音乐）：

| 电影 | 音乐 | |---|---| | 剧本 | 词曲 | | 布景与服装 | 编曲 | | 演员 | 歌手 | | 发型化妆 | 现场演唱指导 | | 摄影 | 录音 | | 剪辑 | treatment（人声修整） | | MA | 混音 |

"现场指导 + 录音 + treatment"三者合起来才是广义的 vocal direction。

对本库的意义：用生成模型时，"录音"这一环消失了， 但"发型化妆"（指导）和"剪辑"（修整）两环都还在，而且更重要—— 因为你唯一能控制模型的地方就是指导，唯一能补救的地方就是修整。

---

4. ★ 音准哲学：本 skill 最反直觉的一节

4.1 两条实测经验

> - 唱低（flat）的人声，推子推到天上也"出不来" > - 稍微偏高（sharp）的人声"抜け"（穿透力）更好——好歌手会无意识地唱得略高

第一条解释了一个常见误判：人声埋在伴奏里，先查音准，再查音量。

4.2 不要全修

> "音准对了所以唱得好"是不完整的；反过来说才对：唱得好的人大体上是准的。

所以：

• 伴奏稀疏的地方，偏低或偏高的瞬间本身就是"韵味"
• 想强调的地方偏高是可以的——不是事后拉上去，而是刻意保留

那些歌手"在情绪里忍不住唱高了"的地方

• > 不是全部对齐，而是刻意留下一部分不动——那才是自然的修音。

这条是本库对抗 AI 味的核心人声规则。 生成模型输出的人声天然全准，你要做的不是"修得更准"，而是指定哪里允许不准。

写法：在 ARR-SPEC 的 vocal.pitch_policy 里写"哪些位置保留偏移"， 而不是写"修准"。

失效条件：编曲极密、和声堆叠很厚的段落，音准偏差会变成浑浊而不是韵味—— 那些地方该修。判据是伴奏密度，不是段落名称。

4.3 treatment 的三步顺序

1. 清理多个 take 之间的接点
2. 对齐节奏
3. 修音准

> 为什么是这个顺序：先动节奏（挪时间）再接的话，接点得重做一遍。

---

5. 和声四型

每一型都由三件事定义：目的 / delivery / 怎么让它不抢主唱。 注意 delivery 是本 skill 的部分，EQ 是 mc-mix-intent 的部分——这里只给思路。

型 1：歌い上げ上ハモ（全声上方和声，通常三度）

• 目的：保持主旋律不变，让整体更亮、更辉煌
• 内在矛盾：它比主唱高，天然突出，却不能压过主唱
• ★ 解法：不要靠"唱轻一点"解决——唱轻就失去辉煌感。

保持全声的唱法，用 EQ 解决（思路：让和声从主唱的频段里"逃开"—— 大幅削低频，并挖掉中频的"芯"，必要时反而强调高频）

型 2：贴着主唱的上方和声

• 目的：不是辉煌，而是制造空气感、把和弦感演出来
• ★ 关键在改变唱法：不是张开的声音，而是轻的、带气声的干净唱法
• 注意：音量会下降，但不要靠靠近话筒来补（近讲效应会抬低频），用增益控制

型 3：内敛的平行下方和声

• 形象："主唱投下的影子"。原书配的插画就是歌手和自己的影子：唱法、咬字都尽量贴合主唱，影子本身没有独立的表情 (p0186)
• 降低存在感：削低频。原书给的参考 EQ（6 段均衡）：低切约 110 Hz，再叠加 123 Hz 削 −10 dB、247 Hz 削 −4.9 dB、621 Hz 削 −4.2 dB，是低频到中低频的整体削减，不是单点陷波 (p0186)

型 4：合いの手（句间的应答短句，2–3 声齐唱）

• 定位：和主唱是"不同的物件"
• 做法：先伸手去拿 EQ 来改变质感（收音机音色也行，光削低频就能换气氛）
• 提高多声部的统一度：推子＋压缩对齐电平 → 给这一组挂同一个空间效果 →

甚至整组共用一个调制效果（链：EQ → 压缩 → 合唱 → 延迟）

混响也是型号的一部分

• 型 1、型 2 可以用高频成分丰富的混响/延迟来补辉煌感或空气感，这是把"逃开主唱频段"的思路从 EQ 延伸到空间效果 (p0186)
• 型 3 减少直达声、增加混响成分可以降低存在感，干湿比往湿走，"这个人真的在这里唱"的实体感会跟着变淡 (p0186)
• 型 4 的空间处理目标是齐整度：给整组配同一个空间效果统一质感，见本节型 4。混响的声像怎么和主唱声像一起摆，见 §6.2

---

6. Double 与声像

6.1 Double 主唱：一个明确的权衡

> - 给咬字极好的主唱做 double 会稀释字的感觉 > - 但 double 特有的立体声扎实感带来机器复制做不出的温暖与厚度

★ 注意"机器复制做不出"这句——它同时说明了为什么 生成模型直接输出的"双轨"听起来是假的：那是复制，不是第二次演唱。 要真 double 就得让后端二次生成，而不是复制一轨再微调。

操作要点：

• 主唱 take 必须先选定，double 是听着主唱贴着唱的
• 但选得慢会让歌手干等——趁歌手还记得咬字立刻录 double 更好（时间 vs 质量的权衡）
• 咬字复杂的歌：几句几句分段认真录
• 检查手法：把两轨硬左右，或把主唱静音，严格检查 double 有没有贴住
• 指导原则：别让主唱的咬字被抹掉——让歌手用强调咬字的唱法录 double，正好

6.2 声像策略

| 形态 | 做法 | |---|---| | Single | 没有特别理由就放正中；用音量、混响、延迟制造与主唱的距离和纵深；极高/极低音区的和声考虑换一支和主唱不同的话筒 | | Double | 可左右分开；甩得越极端越突出，小音量下也被强调——想强调的甩远。上下和声都有 double 时，只甩其中一对，两对都甩元素太多。若编曲里只有和声是宽的会显怪（故意利用可以），混响的声像要一起考虑 | | Triple | 理解成"single + double"：single 负责纵深，double 负责宽度；把 single 的音量拉下来更干净 |

6.3 和声录音的指导

主唱唱主旋律很好、唱和声却意外地难——因为和声和主旋律微妙地相似，很难记住。

导唱轨（ガイド）是最常用的解法：

• 新建一轨，用起音弱的柔和音色弹出和声线
• 技巧：故意高八度弹更好听清；1 小节的线做成 2 小节的循环；可以只甩到耳机一侧
• 歌手熟了之后逐渐降低导唱音量，再录正式的
• 最有效的其实是唱给他听——乐器音色和人声是完全不同的东西，

要一个不弹乐器的主唱"在脑子里把乐器音换成人声"极其困难， 尤其在歌词音节安排复杂的时候

> 对本库的映射：用生成后端时，"导唱轨"对应的是给模型一条参考旋律或参考音频。 > 同一个道理：给模型听人声比给它看乐器 MIDI 更有效。

---

7. 映射到各后端

| 后端 | 能吃什么 | 写法 | |---|---|---| | Suno / MiniMax | 自然语言的 delivery 描述 | 用 §2.2 的词汇：brighter、breathy、harder consonants、smiling。不要写 louder | | YuE2 | 同上，且可逐段不同 | 逐段写 delivery，正好对上 §1 的必填② | | MIDI / DAW（真人录） | 完整的 §2–§6 | 直接当 direction sheet 用 |

所有后端共通的两条：

1. 力度必须逐段不同（lint #15）
2. 副歌每一遍必须有变化（lint #16）——加和声、改 delivery、加 double，三选一以上

后端能力差异的处理：若某后端根本不接受 delivery 描述（honors: none）， 算照做率时应排除这些项，而不是给 0 分——详见 L4 的 backend profile 规则。

---

8. 与 ARR-SPEC 的字段对应

| 字段 | 本 skill 的哪一节 | |---|---| | vocal.persona | §1① | | vocal.delivery（可逐段） | §2 | | vocal.dynamics_by_section | §1③，lint #15 | | vocal.chorus_variation | §1④，lint #16 | | vocal.pitch_policy | §4.2（写哪里保留偏移，不是"修准"） | | vocal.stacking | §5 四型 ＋ §6 double（含 type / 段落 / delivery / 声像） |

---

9. 写完后必过

• [ ] 声音人设具体到能想象出是谁，不是"女声"
• [ ] 每段有自己的 delivery，用的是"亮/气声/辅音用力"这类可执行的词
• [ ] 没有写"大声点"
• [ ] 力度逐段不同（lint #15）
• [ ] 副歌每一遍都改了东西，且说得出改的是什么（lint #16）
• [ ] pitch_policy 写的是哪里允许不准，不是"修准"
• [ ] 和声选了型号，且该型号的 delivery 和"怎么不抢主唱"都写了
• [ ] 型 1 的和声没有靠"唱轻"来避让
• [ ] 做 double 的话，要求的是二次演唱，不是复制一轨
• [ ] 上下和声都有 double 时，只甩了一对到极端声像
• [ ] 判断人声抢拍/拖拍时，看的是元音的位置

---

附：来源

• 日式包 jp-vocal-lyrics-production——§2、§4、§5、§6 全部主干。

原书为日本流行音乐制作实务系列。

• §5 型 3 的 EQ 参考例、"混响也是型号的一部分"三条，出自《プロの曲作りが分かる本》(p0186)。
• 词曲对齐部分（符割り／字余り／イントネーション）不在本 skill，

归作词库 lyric-writing，因为它是词的工序。

• 人声混音链的具体参数（压缩比、EQ 频点、pop noise 消除的 309.6 Hz 实例等）

整理在 [reference.md](reference.md)，实操出库到混音库。

• 自查 #15／#16 的判法见 mc-workflow §3.0。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: jtydhr88
• Source: jtydhr88/music-composition-skills
• License: MIT

Install and usage instructions live in the source repository linked above.