用文字生成音乐和音效？AudioCraft 让 AI 变身你的专属配乐师

你有没有过这种时刻——脑子里突然有一段旋律，但懒得打开 FL Studio / Ableton，等你打开软件灵感早跑了？或者你想要一个”下雨天的咖啡馆背景白噪音”，去 YouTube 翻半天找不到合适的？

AudioCraft 这个 Skill，就是来解决这个问题的。

它是什么

AudioCraft 是 Meta 开源的多模态音频生成框架，包含两个核心模型：

• MusicGen —— 文本生成音乐。描述你想要的感觉，它给你一段旋律。从 300M 到 3.3B 三种参数规模，小到手机大到服务器都能跑。
• AudioGen —— 文本生成音效。环境音、UI 音效、拟声音效……描述清楚就能生成，最长 5 秒。

两个模型都用 EnCodec 做高保真神经音频解码，输出是 WAV 格式，音质有保障。

怎么用

装上这个 Skill 后，在 Claude 里直接说人话就行：

• “来一段 Lo-fi 咖啡馆背景音乐，30 秒”
• “生成一个石头落入深井的水滴声”
• “给这段旋律配个雨声氛围”

底层调用也就是几行 Python 代码：

from audiocraft.models import MusicGen
model = MusicGen.get_pretrained('facebook/musicgen-small')
model.set_generation_params(duration=8)
wav = model.generate(["chill lo-fi beat with jazz piano chords"])
torchaudio.save("output.wav", wav[0].cpu(), sample_rate=32000)

8 行代码，一段专属 BGM 就生成了。

适合谁

独立创作者 —— 短视频 BGM、游戏音效不用再去找版权音乐了，自己生。
UI/UX 设计师 —— 给 APP 原型配音效，不用去 Freesound 一点点挖。
AI 开发者 —— 构建多模态应用，音频生成能力直接嵌进去。
播客 / 有声内容创作者 —— 背景音乐、转场音效一键生成。

优点 & 局限

优点很明显：完全本地运行，隐私友好，不依赖任何付费 API，生成内容可商用。开源社区活跃，HuggingFace 上有大量预训练权重可下载。

局限也需要知道：MusicGen 默认最长约 30 秒，要做长音乐需要拼接分段生成；复杂多乐器编曲偶尔会有”糊”的感觉，极简风格最擅长。

一句话

把你的文字描述变成音乐和音效——AudioCraft 是目前开源音频生成最成熟的 Skill 之一，236k Stars 的背后是真实的生产级用户在用。如果你需要快速给创意项目配上合适的声音，这个 Skill 值得一试。

GitHub：https://github.com/nousresearch/hermes-agent
Skill 安装：npx skills add https://github.com/nousresearch/hermes-agent --skill audiocraft-audio-generation

GitHub: https://github.com/nousresearch/hermes-agent