《脉动迷宫：EverPulse》公开开场动画，详解 Suno 与本地 AI 分工制作游戏音频的方法

开场动画

此前已在X上先行公开，现正式发布《脉动迷宫：EverPulse》的开场动画（95 秒）。
由于这是一款既可在 PC 横屏也可在手机竖屏上游玩的游戏，因此开场动画也制作了横屏和竖屏共两个版本。请根据您观看的屏幕选择合适的版本。

PC 版（横屏）

https://www.youtube.com/watch?v=3qjsZHvVM_8

手机版（竖屏）

https://www.youtube.com/watch?v=vxLrKUS98lk

正在播放的曲子是我用 Suno 制作的《Echoes in the Endless Night》。场景的切换是按照这首曲子的节拍来配合的。

引言

上次讲的是如何把图像生成 AI 生成的图片处理成可用于游戏的形式。
这次是声音。游戏的曲子（BGM）、挥剑声等效果音，以及角色的语音。

先说明一下，Claude 没有耳朵。它无法听声音来判断“这是好曲子”“这个声音很奇怪”。
尽管如此，现在这个游戏里，曲目列表中有 142 首曲子，声音文件有 1,407 个。
我来写写是怎么制作、怎么确认的。

两种制作方式：“让人聆听的曲子”与“用来播放的曲子”

曲子是通过两种方式创作的。

• Suno（付费方案）：我自己在用它制作。因为它能做出带歌词的 3～4 分钟完整歌曲，所以我把它用于主题曲，以及城镇、迷宫主题曲这类“让人聆听的曲子”

• 本地 PC 上的音乐生成 AI（ACE-Step）：由 Claude 制作。正在为不同楼层和场景创作大量无歌词的曲子

Suno の曲は、テーマ曲のほかに、町・酒場・教会・浅い階の洞窟・地下墓地・氷の階・ボス戦など 10 曲あります。
冒頭のオープニングで流れている「Echoes in the Endless Night」も、この 10 曲のうちの 1 曲で、歌の入った曲です。オープニングでは、この曲の冒頭 95 秒を使い、最後は静かに消えていくようにしました。
ゲームの中では、後ろでずっと流れるので、曲の終わりが始まりに自然につながるように作るのがコツでした。どう指示すればつながりやすいかは、Claude と相談して決めました。

之所以想用 Suno 制作歌曲，是因为从游戏构想阶段起，我就很重视播放“带人声的 BGM”。在此背景下，我寻找能够生成由人声演唱的高品质乐曲、且可用于商业用途的生成服务，结果发现目前最符合自己目的和水准的服务是 suno。

Suno で作った曲は、私が手元に置くと、Claude が確かめて、つなぎ目が目立たないように整えてからゲームに入れます。
そして、町は「The Town Remembers」、浅い階は「The Maze Breathing」、ボス戦は「Hearts of Steel」というふうに、階や場面に割り当てます。

游玩者可以在设置中选择 BGM 的类型。

• Soundtrack：Suno 生成的带人声歌曲

• Classic：在本地 PC 上制作的纯音乐

• Mix：两种按时间交替播放

带人声的歌曲虽然更令人印象深刻，但长时间游玩时纯音乐会让人更放松，所以做成了可选项。

在本地 PC 上生成 BGM 和音效

2026 年 10 月 1 日，我向 Claude 下达了这样的指示：“请调查一下，有没有办法像处理图片那样，只用手头的 PC 就能制作歌曲和音效。”
结果发现，用于图像生成的工具（ComfyUI）可以直接支持音乐用的 ACE-Step 1.5 和面向音效的 Stable Audio 3。两者都能在 8GB 的显卡上运行。

就在那天夜里，

• BGM 8 曲（町・洞窟 5 段階・ボス・タイトル）。1 曲 90 秒を約 25 秒で

• 音效 29 种、48 个（攻击、受击、会心、升级、宝箱、咒文等）

完成了。这是在我睡觉期间进行的工作。

挥剑的声音变成了『无音』

问题就出在这里。最初试的『挥剑声音』，几乎是无声的。
Claude 无法收听声音，所以正常情况下发现不了。

能发现这一点，是因为我做了将声音数值化的工具。
读取音频文件，统计时长、音量、无音部分各有多少，并把波形输出为图片。
统计后发现，挥剑声音的音量极小，几乎无声。换一种下指令的方式重新生成后，声音就正常响起来了。

这个工具在此后一直沿用。无论是加喊声，还是批量制作曲子，几乎无声的一首、音量过小的一曲，都是这个工具发现的。接入 Suno 的曲子时，也会用它确认时长和无音部分。

既然耳朵听不到，那就通过数值来做判断。这是用 AI 制作声音时最大的发现。
不过，『是不是好曲子』是看不出来的。这一点由我亲自听了来定夺。

被击倒时的断末魔与令人爽快的会心一击音效

音效根据我的要求重制了好几次。

当我指示在被击倒的瞬间、慢动作期间播放约3秒的断末魔时，请他们制作了男女×儿童·成人·老人的6种。声音会根据外观的性别和年龄段而变化。

当指示将会心一击的声音做成「砰——！」那种令人爽快的声音时，制作了4种，设置为每次随机播放1种。
这时也发现，会心音效与普通的「命中音效」同时播放，好不容易做出来的声音变得浑浊了。

从管理画面制作音乐

之后，我让音乐制作也可以由我来下指令了（v0.66.0）。
在管理画面的 BGM 栏里用日文写下「想要这种氛围的音乐」并点击按钮，指令就会进入排队列表。
在我手边 PC 上运行的「音乐制作员」会来取走指令，制作音乐，然后发送到服务器。

游戏服务器是一台旧的 NAS（下次会写），跑不了音乐生成 AI。所以我把职责分开：服务器只负责接收指令，制作音乐则由装有显卡的 PC 完成。

同时，我也重新审视了音乐的质量。之前的制作方式中途会出现断点，但换成更大的模型、并调整指令的写法后，断点就消除了。在此基础上，我听了三首不同品质的曲子进行对比，最终决定「默认使用高品质」。

今、曲の一覧の 142 曲のうち 118 曲は、この曲づくり係が作った曲です。
階ごとに曲を変え、ボス戦・瀕死・仲間が倒れた・追われている、といった状況でも曲が切り替わります。

语音：Irodori-TTS

最初的吆喝声，是用音效道具做出的“没有语言的声音”。咒语的名字读不出来。
于是，我请人调查了能在手边免费运行的日语朗读工具，并用同一句话比较了Irodori-TTS和Qwen3-TTS。
我对比试听后，因为“Qwen3 的声音没有带上感情”，所以全部换成了 Irodori。

制作的声音，

• 吆喝声 24

• 技能名称 1,266（211 种 × 6 组语音）

• ボスのセリフ 33

。最初每个要花8秒，但Claude发现并修复了多余的加载后，每个变成2秒，全部用35分钟就做完了。

しかし声でもつまずきました。「同じボスなのに、セリフごとに声の高さや性別までバラバラ」と気付いたのです。
数値で確認すると、同じボスの中で声の高さが最大 3.7 倍違っていました。ボスごとに声をそろえる工夫をして、作り直しました（v0.74.0）。

还有一点。如果同时运行图像生成和声音生成，它们会争夺显卡资源而导致崩溃。所以现在一定是按顺序依次生成。

总结

• “用来听的曲子”由我用 Suno 制作，“用来播放的曲子”则由手边的 PC 上的 Claude 制作

• 给没有耳朵的 AI 配备将声音数值化的工具

• 数值化能看出的只到“是否损坏”为止。“是否好听”则由人来听并决定

• 将重度生成交给有 GPU 的 PC，服务器只负责接收指令，这样分工。

下期将介绍那台服务器。我放弃了免费的 Firebase，改为在家里的旧 NAS 上运行游戏服务器。我会写一写只有 1GB 内存的机器上需要注意哪些事项，以及本地与 NAS 同步时发生的覆盖事故。

开场动画是怎么制作的（将一张静态图做成动画、截取游戏画面、再配合乐曲节拍剪辑拼合的过程），将在第 9 期写。

具体步骤计划整理成步骤篇（付费）。