利用 AI 生成表情控制器 (MIDI CC) 自動化曲線
 自動化曲線.png)
1-2 手繪曲線的三大痛點
既然 CC 這麼重要，為什麼不是每個人都把曲線畫好？因為手動繪製的成本實在高得不成比例。
第一是時間成本。一段八小節的弦樂長音，如果要在每個音符上做出「進、漸強、峰值、自然衰減」的完整包絡，光是滑鼠來回拉動就要十分鐘以上。而一首完整編曲裡可能有二十軌這樣的樂器，加起來就是好幾個工作天。
第二是音樂性難以量化。人腦很難憑空想像「第 3.7 拍時 CC11 應該是 68」。你畫出來的曲線往往過於對稱、過於規律，變成一種「數學上的漸強」，而不是「音樂上的漸強」。真正的演奏者在漸強時，前半段通常比較慢、後半段加速，而且在到達峰值前會有極細微的預先收力——這些細節用滑鼠幾乎不可能畫出來。
第三是無法與音訊內容呼應。如果你的編曲是跟著真人演唱或真實樂器錄音走的，那麼 CC 曲線理應跟隨那些錄音的動態起伏。但手繪曲線和音訊波形之間沒有任何連動，只能靠耳朵反覆比對、反覆微調。
1-3 AI 介入的價值邊界：它能做什麼、不能做什麼
在談 AI 之前，先說清楚它的能力邊界，可以避免你對它抱持錯誤期待。
AI 擅長的事：從音訊中萃取動態輪廓並轉譯成 CC 數值、在給定的樂句結構上生成具有自然起伏的包絡、批次處理數十軌的自動化、以及根據文字描述生成可編輯的控制點草稿。
AI 不擅長的事：判斷「這一句該不該漸強」這種音樂決策、理解你的音源庫裡 CC11 到底映射到哪個參數、以及在沒有乾淨分軌的情況下準確分離出單一樂器的動態。說到底，AI 是幫你把「體力活」做掉，但「審美決定」還是得由你來下。
二、AI 生成 CC 曲線的四種技術路線
目前市面上與「AI 生成 MIDI CC」相關的做法，大致可以歸納成四條技術路線。它們的成熟度、實作難度與適用場景都不一樣，你可以依照自己的需求挑選，也可以混搭使用。
2-1 路線一：音訊特徵回歸（Audio-to-CC）
這是最實用、也最容易落地的一條路。核心概念是：真實錄音裡本來就藏著表情，我們只要把它「讀出來」再「翻譯」成 CC 就好。
具體做法是對乾淨的分軌音訊做特徵萃取，再把特徵映射到對應的 CC：
基頻軌跡的週期性起伏 → 可推估顫音深度，映射到 CC1。
這條路線的優點是「忠實」——因為它的資料來源就是真實演奏，生成出來的曲線天生具有人味。缺點是它對分軌品質非常敏感：如果音軌裡混了其他樂器、或是有大量殘響，萃出來的輪廓就會失真。實務上建議盡量取得乾淨的單一樂器錄音，或至少用頻帶濾波粗略隔離目標樂器的頻段。
2-2 路線二：序列生成模型（LSTM / Transformer / Diffusion）
第二條路是直接用生成式模型「無中生有」一條曲線。做法是把 CC 曲線視為時間序列，用模型學習大量真實 MIDI 檔案中的表情模式，再根據條件生成新的曲線。
常見的模型架構有三類：
這條路線最大的瓶頸不在模型，而在資料標註。高品質的、帶有完整 CC 標註的 MIDI 資料集並不多，而且每個音源庫對 CC 的用法都不一樣——同一個 CC11 曲線，在 A 音源聽起來是自然的漸強，在 B 音源可能因為映射方式不同而變得誇張。因此這條路線目前更適合做「風格遷移」或「草稿生成」，而不是直接產出成品。
2-3 路線三：規則引擎 + 機率擾動（Humanize 的自動化升級）
嚴格說起來，這條路線不完全是 AI，但它常常是整個流程中最被低估的一環。它的做法是：先用數學函式定義出一個「理想的」包絡形狀（例如弦樂長音的標準 ADSR 變體），再用機率分布對這個形狀進行擾動，讓它不那麼完美。
常見的擾動方式包括：對每個控制點加入 ±1～3 的隨機偏移、對時間軸加入微小的前後位移、讓漸強曲線的斜率在不同樂句間略有差異、以及刻意在某些位置製造「呼吸停頓」。這些手法看似簡單，卻是讓 AI 生成結果不至於「機械化」的關鍵後處理步驟。
實務上，我通常會把它接在路線一或路線二之後當作收尾：先用音訊回歸或模型生成主體曲線，再用規則引擎做人性化擾動。這個組合的成品品質，往往比單獨使用任何一條路線都好。
2-4 路線四：LLM 作為「曲線編曲師」
第四條路是近兩年才出現的玩法：把大型語言模型當成一位懂音樂的助理，請它直接輸出 CC 曲線的控制點。
具體做法是給 LLM 一段結構化的提示，例如「這是一段 8 小節的弦樂長音，調性 D 大調，速度 72 BPM，請生成 CC11 的控制點，需要呈現從壓抑到釋放的情緒曲線」，並要求它以 JSON 格式輸出「時間（以拍為單位）—數值（0～127）」的陣列。
這條路線的優勢在於它理解「音樂意圖」的層級遠高於純數值模型，可以聽懂「壓抑」「釋放」「猶豫」這類抽象描述。缺點也同樣明顯：LLM 缺少節拍精度的概念，輸出的控制點往往過於稀疏（可能每小節只有兩三個點），需要再用插值與平滑補足；而且它對具體音源的反應無法預測，你還是得在 DAW 裡試聽調整。因此建議把它當作「段落規劃工具」，用來決定大方向的起伏，而不是逐幀的細節生成。
三、實戰工具鏈：從 DAW 到 Python，再回到 DAW
理解了原理之後，接下來是最實際的部分：怎麼把這套流程接進你現有的工作流。以下示範的路線是以「音訊特徵回歸」為主體，因為它的成功率最高、也最容易看到成果。
3-1 匯出：如何乾淨地取得 MIDI 與對齊音訊
第一步是從 DAW 匯出兩個東西：一個是原始 MIDI 檔（包含正確的速度與拍號資訊），另一個是對應的乾淨分軌音訊。
匯出時有幾個關鍵細節：
如果你的 DAW 支援「凍結（Freeze）」或「軌道匯出（Stem Export）」，直接用那個功能最省事。Reaper 的「Render tracks to mono/stereo stem tracks」、Logic 的「Export All Tracks as Audio Files」、Ableton 的「Export Selected Tracks」都可以達到相同目的。
3-2 處理：Python 完整實作範例
接下來是核心處理階段。以下程式碼示範如何從音訊萃取動態輪廓，轉換成 CC11 曲線，再寫回 MIDI 檔案。你需要安裝的套件是 librosa、pretty_midi、numpy 與 scipy。
import numpy as np
import librosa
import pretty_midi
from scipy.signal import savgol_filter
1. 讀取乾淨的分軌音訊（務必關閉殘響）
y, sr = librosa.load("strings_stem.wav", sr=22050, mono=True)
2. 取出短時能量（RMS），作為「音量表情」的代理訊號
hop_length = 256
rms = librosa.feature.rms(y=y, frame_length=2048, hop_length=hop_length)[0]
times = librosa.frames_to_time(
np.arange(len(rms)), sr=sr, hop_length=hop_length
3. 對數壓縮後正規化到 0～127
ref=np.max 讓最大值對齊 0 dB，再做 40 dB 的動態範圍壓縮
db = librosa.amplitude_to_db(rms, ref=np.max)
norm = np.clip((db + 40.0) / 40.0, 0.0, 1.0)
cc_value = norm * 127.0
4. 平滑處理，消除階梯感
window_length 必須是奇數，數值越大越平滑
cc_smooth = savgol_filter(cc_value, window_length=21, polyorder=3)
5. 避免極端值，保留安全邊界
cc_final = np.clip(np.round(cc_smooth), 2, 125).astype(int)
6. 寫回 MIDI 檔案
pm = pretty_midi.PrettyMIDI("strings_raw.mid")
cc_events = [
pretty_midi.ControlChange(number=11, value=int(v), time=float(t))
for t, v in zip(times, cc_final)
注意：不同版本的 pretty_midi 對屬性名稱略有差異
若 control_changes 不存在，可改用 pm.instruments[0].control_changes
pm.instruments[0].control_changes = cc_events
pm.write("strings_with_cc11.mid")
print("完成，共寫入", len(cc_events), "個 CC 事件")
如果你想做的是高解析度 CC，可以把數值拆成 MSB 與 LSB 兩組訊息：MSB 寫入 CC11，LSB 寫入 CC43，其中 LSB 的值等於 (原始值 * 128) % 128。並非所有音源都支援高解析度 CC，使用前請先查閱音源的說明文件。
若你希望加入人性化擾動，可以在第 5 步之後插入一小段：
# 加入 ±2 的隨機擾動，並使用固定亂數種子確保可重現
rng = np.random.default_rng(42)
jitter = rng.integers(-2, 3, size=cc_smooth.shape)
cc_final = np.clip(np.round(cc_smooth + jitter), 2, 125).astype(int)
這個小小的擾動，往往是區分「聽起來像 AI」與「聽起來像人」的關鍵。因為真人演奏永遠不會在每個時間點都精準落在數學曲線上。
3-3 匯入：各大 DAW 的還原方式
處理完成的 MIDI 檔要怎麼回到 DAW 裡？不同 DAW 的處理邏輯差異不小，以下分別說明。
Ableton Live：直接把處理好的 MIDI 檔拖進新的 MIDI 軌，Ableton 會自動讀取其中的 CC 資料。接著在 Clip View 下方的 Envelope 面板中，把顯示模式切換到「MIDI Ctrl」，選擇 CC11，就能看到完整的自動化曲線。若要把曲線複製到原本的軌道上，可以善用複製貼上，或直接把整個 Clip 換掉。
Logic Pro：透過「檔案 → 匯入 → MIDI 檔案」載入，並在對話框中勾選「使用 MIDI 檔案 tempo」以確保速度一致。匯入後在 Piano Roll 底部的自動化面板選擇 CC11 即可。Logic 的好處是它可以直接把 MIDI CC 轉換成軌道自動化（Track Automation），方便後續做更精細的編輯。
Cubase：匯入後在 Key Editor 下方的控制器通道中選擇「Expression」。要注意 Cubase 對「MIDI 自動化」與「軌道自動化」有嚴格區分，如果你用的是 VST 音源的內部參數，可能需要額外做一次對應設定。
Reaper：對這類工作流最友善的 DAW。直接把 MIDI 檔拖進來，在 MIDI Editor 中切換到 CC 通道就能看到曲線，甚至可以透過 ReaScript 做批次處理。
重要提醒：無論用哪一套 DAW，匯入後第一件事就是確認音源庫的 CC 映射。例如 Kontakt 上的某些管弦音源，預設的 CC11 可能對應到「音量」而非「表情」，這時候曲線聽起來就會完全不同。務必先看音源說明文件，確認每個 CC 編號對應的參數名稱。
四、提示詞與參數工程：如何讓 AI 產出「有呼吸感」的曲線
工具鏈打通之後，真正的勝負就在參數與提示詞的設計上。同樣的模型、同樣的音訊，不同的參數設定可以讓成品品質差距極大。
4-1 用自然語言描述演奏意圖的模板
如果你使用的是路線四（LLM 生成控制點），提示詞的品質直接決定輸出品質。以下提供一個可以直接套用的模板結構：
「這是一段長度 8 小節的弦樂群奏長音，速度 72 BPM，4/4 拍，調性為 d 小調。請生成 CC11 的表情控制點，以 1/8 音符為單位。
情緒走向：第 1～2 小節保持壓抑（數值 35 左右，起伏極小）；第 3 小節開始緩慢爬升，但中段有一次短暫的回落；第 5～6 小節加速漸強到峰值 105；第 7 小節達到峰值後輕微回落至 90；第 8 小節自然衰減至 25 後收尾。
避免對稱的數學曲線，請模擬真人弓壓的細微不規則。以 JSON 格式輸出，欄位為 beat 與 value。」
這種描述方式的關鍵在於三件事：給定明確的時間與數值範圍、描述情緒而非只描述形狀、明確要求不規則性。只說「做一個漸強」得到的結果通常非常機械；說「壓抑到釋放，中段有一次猶豫」得到的結果就會自然許多。
另外，建議永遠要求模型輸出結構化格式（JSON 或 CSV），而不是自由文字。這樣你才能用程式自動解析並轉換成 MIDI 事件。
4-2 控制點密度、平滑度、過衝與延遲補償
無論你用哪條路線，以下四個參數幾乎決定了成品的最終質感：
控制點密度：太低會出現明顯的折線感，太高則會讓曲線過於敏感、難以編輯。實務上，每 1/32 音符一個控制點（在 120 BPM 下約每 62 毫秒）是兼顧平滑與可編輯性的甜蜜點。若你的音源支援高解析度 CC，可以降到每 1/16 音符一個點，因為 14 位元的解析度足以補足時間上的稀疏。
平滑度：使用 Savitzky-Golay 濾波時，window_length 是最重要的參數。太小（例如 5）幾乎沒有作用，太大（例如 101）會把樂句的起音與收尾全部抹平。建議從 15～25 之間開始嘗試，並依照樂句長度動態調整——長音用大窗口，短音用小窗口。
過衝修正（Overshoot）：平滑濾波有時會在曲線的轉折處產生數值超出原始範圍的「過衝」，導致 CC 值短暫衝到 127 或掉到 0。務必在最後一步用 np.clip 夾住範圍，並保留 2～3 的安全邊界，因為某些音源在 CC 值為 0 或 127 時會出現異常行為。
延遲補償：音源庫本身通常有幾毫秒到數十毫秒的延遲，尤其是管弦音源的起音取樣。如果你發現生成的曲線總是「慢半拍」，可以在寫回 MIDI 時把所有時間點統一提前 10～30 毫秒，或是在 DAW 中對整個 MIDI 軌做負延遲補償。這個細節對弦樂與管樂的真實感影響極大。
4-3 避免常見的「AI 味」：抖動、階梯感與過度擬合
「AI 味」是一個很具體的東西，通常由以下三種問題組成：
第一，過度平滑。AI 生成的曲線往往比真人演奏平滑太多。真人演奏時，弓壓、氣息、手指力度都在持續微調，曲線上會有大量肉眼幾乎看不見的細微波動。解決辦法就是前面提到的隨機擾動，或是在平滑處理時刻意使用較小的窗口。
第二，階梯感。7 位元的 MIDI CC 只有 128 階，在慢速長漸強中容易被聽出來。解決辦法有三：使用高解析度 CC、在 DAW 中對 CC 曲線套用輕微的低通濾波、或是在音源端把 CC 轉譯成更細緻的內部參數。
第三，過度擬合（Overfitting）。這是指 AI 生成的曲線與參考音訊「太像了」，連錄音時的雜訊起伏都一併複製。這種情況在路線一中特別常見。解法是在特徵萃取階段先做一次低通濾波，把高頻的雜訊抖動濾掉，只保留樂句層級的動態輪廓。
五、三個實作案例拆解
理論講完了，來看看實際應用。以下三個案例涵蓋管弦與合成器兩大領域，都是編曲時最常遇到的情境。
5-1 案例一：弦樂群奏長音——CC1 與 CC11 的雙軌策略
弦樂群奏是最考驗 CC 功力的場景。一段八小節的長音，如果只用 Note Velocity 控制，聽起來會非常死板。正確的做法是同時操作 CC1 與 CC11。
CC11 負責音量表情。依照樂句的情緒走向，生成一條從 40 起步、緩升至 100、再自然衰減至 30 的曲線。注意起音處不要從 0 開始，因為真實弦樂在起弓時就已經有基礎音量。
CC1 負責顫音深度。這條線通常比 CC11 更晚啟動。在樂句的前 1/3，CC1 應該維持在 10 以下（幾乎沒有顫音），中段緩慢爬升到 45 左右，接近樂句尾端時達到 60～70 的高點。這種「先平穩、後歌唱」的處理方式，是模擬真人演奏最有效的手法之一。
兩條曲線的時間軸不需要完全對齊。刻意讓 CC1 的爬升比 CC11 晚個半拍到一拍，反而更能營造出「呼吸感」，因為真實樂手在音量上升之後才會自然加強顫音。
5-2 案例二：管樂漸強與弱音收尾——CC11 與 CC7 的分工
管樂的動態處理有一個容易被忽略的陷阱：很多人習慣用 CC7 做漸強，結果發現整體的殘響比例也跟著變了，聽起來忽遠忽近。
正確的分工是：CC11 負責樂句內的表情起伏，CC7 負責段落之間的整體平衡。例如，一段 16 小節的旋律，其中第 9～12 小節是整體的高潮段落，那麼就在第 9 小節前把 CC7 從 100 提到 112，讓整個段落相對於前後更突出；至於段落內部的漸強，則全部交給 CC11 處理。
另外，管樂的收尾特別講究。真實的長笛或單簧管在收尾時，音量和音色亮度的下降速度並不一致——通常是先失去高頻，再慢慢失去整體音量。因此除了 CC11 之外，可以同步生成一條 CC74（亮度）曲線，讓它在 CC11 開始下降之前就先衰減。這個技巧能大幅提升收尾的自然度。
5-3 案例三：Synth Pad 濾波掃頻——CC74 與 CC71 的連動
合成器的掃頻效果，本質上就是 CC74（濾波器截止頻率）與 CC71（共鳴量）的連動。這裡的 AI 應用方式和管弦樂不同——我們通常不是從音訊回歸，而是用 LLM 或序列模型生成「形狀草稿」。
一個實用的做法是：先用 LLM 生成 CC74 的粗略輪廓（例如「在 16 小節內做兩次不對稱的開合，第一次開合較快，第二次較慢」），再用程式做插值與平滑。接著，用一個簡單的數學關係自動生成 CC71：當 CC74 位於中低頻段（40～80）時，CC71 拉到 70～90 以強化共鳴；當 CC74 超過 100 時，CC71 迅速降回 20 以下，避免高頻共振刺耳。
# CC71 由 CC74 自動連動生成
cc74 = np.array([...]) # 截止頻率曲線
cc71 = np.where(
cc74 < 80, 85, # 低頻段：高共鳴
np.where(cc74 < 100, 55, 20) # 中頻段：中低共鳴；高頻段：低共鳴
要注意的是，快速變化的 CC 值容易產生「拉鍊雜音（Zipper Noise）」。撰寫程式時務必確認輸出的 CC 事件時間間隔夠密（建議至少每 10 毫秒一個點），或在音源端開啟參數平滑（Parameter Smoothing）功能。
六、常見問題與避坑指南
Q1：生成的曲線聽起來很生硬，該從哪裡調整？
先檢查三個地方：控制點密度是否足夠、平滑濾波的窗口是否過小、以及是否有加入人性化擾動。八成的情況是控制點太稀疏造成的折線感。
Q2：為什麼我把 CC11 曲線匯入後，音源完全沒反應？
最常見的原因是該音源庫的 CC11 沒有被映射到任何參數。請打開音源的設定介面，確認「Expression」或「Dynamics」對應的 MIDI CC 編號。有些音源用的是 CC11，有些用 CC2，有些甚至需要自行設定。
Q3：我沒有乾淨的分軌音訊，還能用音訊回歸嗎？
可以先對混音做頻帶濾波，粗略隔離目標樂器的頻段（例如弦樂群奏通常集中在 200 Hz～4 kHz）。雖然精確度會下降，但對於取得「大致正確的動態輪廓」來說已經夠用。或者改用路線三（規則引擎）從零開始生成。
Q4：AI 生成的曲線可以直接用嗎？
建議永遠把它當作「80 分的草稿」。花五分鐘微調關鍵的幾個轉折點，成品品質往往能再提升一個檔次。完全不做調整就交件，通常會在某些細節上露餡。
Q5：這個流程會不會讓我的作品聽起來很「模板化」？
關鍵在於你是否每次都使用相同的參數。建議針對不同的樂器、不同的樂句長度、不同的情緒段落，調整平滑窗口、擾動幅度與控制點密度。把 AI 當成工具而非罐頭，成品就不會撞衫。
七、結語：AI 是筆刷，不是畫家
回到最開始的問題：為什麼有些虛擬樂器聽起來像真人，有些聽起來像玩具？答案很少是「音源庫不夠貴」，而更常是「表情曲線沒有做好」。
AI 在這件事上的價值，不是取代你的音樂判斷，而是把你從重複的滑鼠勞動中解放出來。它讓你有能力在一首曲子裡，為二十軌樂器都畫上細緻的表情曲線——這在過去是不可思議的工作量。但最終決定「這一句該不該漸強」「這個顫音該從哪裡開始」的，仍然是你對音樂的理解。
建議你從今天開始，挑一首正在製作的曲子，選一軌弦樂或管樂，按照本文的流程走一遍。從匯出分軌、跑 Python 腳本、匯入 DAW、微調參數，到最後 A/B 比對生成前後的差異。你會發現，同一組音源、同一段旋律，加上一條對的表情曲線之後，整個質感是會跳級的。
如果你在實作過程中遇到任何問題，或是想分享自己調出的參數組合，歡迎在底下留言交流。也歡迎把你的成品片段貼出來，讓大家一起聽聽 AI 曲線能玩到什麼程度。
祝各位編曲順利，讓你的虛擬樂器真正學會呼吸。
```