「這是一個 SasaDaily 假設商業案例。」
一家只有 4 個人的手作食品品牌，
每星期固定要做：
新品 Reels。
製作過程短片。
節慶商品影片。
客人開箱素材。
真正最麻煩的工作，
有時候不是：
拍。
也不是：
剪。
而是影片做到最後，
有人突然說：
「音樂呢？」
接著一個人開始：
翻音樂庫。
試這首。
換那首。
裁成 45 秒。
發現高潮太早。
再換。
結果原本 30 分鐘能完成的影片，
最後又多花：
20～30 分鐘
只是在找：
一首「差不多適合」的背景音樂。
這就是這家公司想先改善的地方。
它沒有先想「AI 能不能幫我們寫歌」
團隊先問的是：
「哪一段工作一直重複？」
答案很明確：
每支影片都要重新：
找音樂。
試音樂。
裁音樂。
確認節奏合不合。
所以 Lyria 3.5 在這家公司裡，
不是：
作曲家。
也不是：
品牌總監。
它比較像：
Music Draft Generator。
配樂第一版產生器。
第一步｜品牌先自己決定「我們聽起來像什麼」
團隊沒有一打開 Gemini 就說：
「幫我做一首好聽的歌。」
而是先寫一張：
Brand Music Card。
只放幾個原則。
例如：
整體：
溫暖。
自然。
有手作感。
常用：
木吉他。
柔和鋼琴。
輕打擊。
一般商品影片：
優先 Instrumental。
避免：
過度戲劇化。
避免：
太強烈 EDM。
不模仿：
特定歌手或樂團。
這一步很重要。
因為如果每支影片都讓 AI：
自己決定品牌聲音，
今天可能是：
Jazz。
明天變：
Heavy Rock。
後天又變：
Synthwave。
每一支都可能：
單獨很好聽，
但放在一起完全不像：
同一個品牌。
AI 可以生成很多方向，但品牌一致性仍然要由人決定
Google DeepMind 的 Lyria 3.5
可以控制：
Genre。
Tempo。
Instruments。
Dynamics。
Vocal Style。
甚至可以根據：
圖片
生成符合氣氛的音樂。
能力愈多，
反而愈需要：
先縮小範圍。
這家公司不是問：
「Lyria 會什麼？」
而是問：
「我們允許它在哪個範圍裡變化？」
這就是品牌使用 AI
和一般玩 AI
最大的差別之一。
第二步｜每支影片先把時間線切成三段
例如今天要做一支：
60 秒新品影片。
畫面已經完成。
0～10 秒：
產品第一次出現。
10～50 秒：
製作。
細節。
切開。
包裝。
50～60 秒：
成品。
購買資訊畫面。
團隊不需要：
懂作曲。
只要先決定：
三段能量。
開場：簡單。
主體：逐漸增加。
收尾：乾淨降低。
這就是今天一分鐘教學的：
三段能量線。
第三步｜把商品照片也當成 Music Brief
Lyria 3.5 可以接受：
圖片
作為生成 Context。
所以團隊已經拍完：
新品照片，
不用另外從零描述：
「這個產品看起來是什麼感覺。」
可以直接用：
代表性 Product Photo
當一部分參考。
再補文字：
溫暖。
手作。
自然。
Instrumental。
約 60 秒。
木吉他。
輕鋼琴。
開場簡單。
主體增加節奏。
最後自然收尾。
照片提供：
Mood。
文字提供：
Direction。
時間線提供：
Movement。
這比單純說「幫我的商品做音樂」清楚很多
因為「食品影片」本身可以有：
非常多種音樂。
高級 Fine Dining。
可愛甜點。
街頭美食。
家庭料理。
健康食品。
節慶禮盒。
全部都可能：
完全不同。
AI 不知道：
你品牌到底是哪一種。
所以最好的做法不是：
期待 AI 猜對。
而是：
先把品牌選擇告訴它。
第四步｜一次做 2～3 個 Draft，不要求第一首就是 Final
Lyria 的生成結果本身具有：
Variation。
即使 Prompt 相同，
每次也不一定完全一樣。
這家公司因此不把流程設計成：
Generate。
↓
直接使用。
而是：
Generate A。
Generate B。
Generate C。
然後只問：
哪一首：
最符合影片？
選曲時也不先問「哪一首最好聽」
因為：
最好聽
和：
最適合這支影片
不是一回事。
例如 A：
單獨聽很漂亮。
但開場音樂太滿。
B：
旋律比較簡單，
卻剛好不會壓住：
商品聲音。
旁白。
字幕。
這家公司選：
B。
因為音樂在這裡的工作是：
服務內容。
不是搶走內容。
第五步｜影片有旁白時，音樂更退後
例如品牌老闆在影片裡說：
「這批果醬用了三種當季水果。」
這時音樂就不需要：
很複雜。
團隊在 Prompt 加：
Instrumental。
Supportive under spoken narration。
不要：
搶 Voiceover。
如果影片完全沒有旁白，
只是：
製作畫面。
食物特寫。
切割。
包裝。
那音樂就可以：
承擔更多情緒。
同樣是 Lyria，
角色不一樣。
第六步｜Lyria 做 Draft，剪輯軟體才負責精確對秒
這家公司不要求 Lyria：
第 7.3 秒一定進鼓。
第 31.8 秒一定換段。
第 58 秒準時最後一下。
因為生成音樂不是：
DAW Automation。
團隊只要求：
大的能量方向正確。
例如：
開場低。
中間增加。
最後收掉。
真的需要：
商品切開瞬間
剛好對 Beat，
最後還是回到：
剪輯軟體。
裁。
移。
Fade。
對點。
這樣比較實際。
AI 負責先把「素材」做出來，人負責最後的 Editing Decision
這也是這個工作流很重要的邊界。
Lyria 不是：
一鍵完成整個 Content Production。
它只是讓團隊不用每一次都：
從巨大的音樂庫
開始找。
以前：
影片
↓
找現成音樂
↓
一直試
↓
裁長度
↓
勉強配合。
現在：
影片
↓
先定能量線
↓
Lyria 產生 Draft
↓
選最適合版本
↓
剪輯軟體精確對點。
工作順序變了。
第七步｜正式品牌 Jingle 不直接沿用一般 Reel 流程
某一天老闆突然覺得：
其中一個 Lyria Draft 很好聽。
就說：
「那這首以後當我們品牌主題曲。」
團隊不會：
直接答應。
因為：
一般社群 Background Music
和：
正式 Brand Asset
不是同一個風險等級。
正式品牌音樂可能會：
用很多年。
投廣告。
做活動。
跨平台。
甚至希望：
具有排他性。
這時就需要：
另外處理。
SynthID 也不能替公司完成這個判斷
Google 會替 Lyria 生成音訊加入：
SynthID。
它可以協助辨識：
內容是否由 Google AI
生成或編輯。
但就像今天快問快答談的：
SynthID 主要處理：
來源。
不是：
著作權證書。
也不是：
無限制商用許可證。
所以團隊把音樂用途分成兩種。
第一類｜日常 Content Draft
例如：
一般商品 Reel。
內部提案。
未公開 Prototype。
這類工作主要目標是：
快。
方向對。
降低找音樂時間。
第二類｜正式 Brand Asset
例如：
品牌 Jingle。
大額廣告。
長期 Opening Music。
商業發行。
大型 Campaign。
這時就多做：
Rights Review。
保存：
Prompt。
版本。
人工修改。
原始素材。
自己的 Lyrics。
自己錄製的聲音。
編曲變更。
Project File。
必要時再做：
專業法律與音樂權利確認。
公司不是因為害怕著作權，就完全不用 AI Music
那又走到另一個極端。
真正成熟的做法是：
讓使用強度決定審核強度。
一支：
只用幾天的社群草稿。
和一首：
要使用十年的品牌主題曲，
本來就不需要：
完全相同的流程。
AI 讓產生音樂變得很快。
公司真正要補的是：
用途分級。
第八步｜不要 Prompt「做成某個歌手的風格」
團隊的 Brand Music Card
甚至直接寫：
不使用特定 Artist 作為 Prompt。
因為 Google 的 Lyria Safety Filter
本來就會處理：
特定 Artist Voice。
受著作權保護 Lyrics
等部分請求。
更好的方法是：
不要寫：
「像某某歌手。」
而是直接描述：
慢速。
溫暖。
Acoustic。
柔和 Female Vocal。
乾淨 Guitar。
輕 Percussion。
這樣得到的是：
你需要的：
Music Characteristics。
不是：
模仿某個人的身份。
第九步｜每個月留下「表現最好的三種音樂方向」
這家公司沒有讓 Lyria：
每天完全重新猜。
例如一個月後，
團隊發現：
三種風格最常用。
A：
木吉他＋鋼琴。
適合新品。
B：
Light Funk＋Bass。
適合製作過程。
C：
柔和 Ambient。
適合品牌故事。
那下個月開始，
就不用再從：
全世界所有 Genre
重新探索。
直接從：
A／B／C
開始。
AI 工作流會愈做：
愈快。
這才叫把 AI 變成 Workflow，而不是每天重新聊天
如果每次都：
重新想 Prompt。
重新試曲風。
重新討論品牌感。
Lyria 雖然很快，
團隊仍然會浪費時間。
真正成熟以後，
公司應該累積：
Brand Music Card。
常用 Prompt。
適合不同影片的 Energy Template。
被選中的 Version。
這些東西會慢慢變成：
公司的：
AI Creative SOP。
用一組假設數字算看看
「SasaDaily 假設數字。」
假設這家公司：
每週製作：
5 支短影音。
一個月用：
4 週
計算。
就是：
20 支影片。
以前每一支影片在：
找音樂。
試音樂。
裁長度
上面，
平均花：
25 分鐘。
20 × 25 分鐘。
等於：
500 分鐘。
也就是：
約 8.3 小時。
改用 Lyria 3.5 之後
「SasaDaily 假設數字。」
假設團隊已經建立：
Brand Music Card。
三種常用音樂方向。
三段 Energy Template。
每支影片平均：
8 分鐘
就可以完成：
產生 Draft。
比較。
選定。
20 × 8 分鐘：
160 分鐘。
約：
2.7 小時。
一個月理論差額：
約：
5.7 小時。
換成內部時間成本
「SasaDaily 假設數字。」
假設負責內容的人，
內部時間成本：
每小時新台幣 650 元。
5.7 小時 × 650 元。
約：
新台幣 3,700 元。
但這不是：
「導入 Lyria 每月直接多賺 3,700 元。」
真正發生的是：
大約 5.7 小時
可以重新使用。
例如：
多拍一支影片。
做商品頁。
回客戶。
改善包裝。
分析 Content Performance。
這才叫：
Time Value。
這家公司不追「一個月生成幾首歌」
那是：
工具使用量。
不是：
商業成果。
真正應該追的是：
第一：
平均每支影片找配樂花多久？
如果沒有下降，
AI 沒有省到時間。
第二：
生成後真正被採用的比例。
如果生成 10 首只用 1 首，
Prompt 或 Brand Music Card
可能有問題。
第三：
每支影片修改音樂的次數。
如果一直重做，
表示 Energy Direction
沒有先說清楚。
第四：
品牌一致性。
連續看 10 支影片，
會不會像：
10 家不同公司？
第五：
正式 Brand Asset 有沒有另外做 Rights Review？
不要讓：
日常快速流程
偷偷變成：
高風險正式使用。
甚至不用一開始計算流量有沒有增加
因為這個 Workflow
第一階段解決的問題不是：
保證：
觀看數增加。
它解決的是：
製作成本。
如果以前：
一天只能完成兩支。
現在同樣時間：
可以完成三支，
這已經是：
Operational Improvement。
至於哪一種音樂真的讓：
觀看時間。
完成率。
轉換
更好，
那是：
下一階段測試。
不要把兩個問題混在一起。
AI 配樂甚至可以變成 A/B Creative Variable
例如同一支商品影片，
畫面完全相同。
只改：
Music Mood。
A：
溫暖 Acoustic。
B：
比較有節奏的 Light Funk。
分別測：
觀看完成率。
停留。
分享。
這時 AI Music
不只幫你省：
製作時間。
還可以讓原本製作成本太高的：
Creative Test
變得比較容易。
但還是要注意：
一次最好只改：
一個變數。
不然畫面。
文字。
音樂。
CTA
全部一起變，
最後根本不知道：
哪一個造成差異。
對一人公司也是一樣
沒有 4 人團隊也沒關係。
假設你自己：
拍。
剪。
發。
Lyria 反而更實際。
因為對一人公司來說，
最大的成本常常不是：
軟體月費。
而是：
自己的時間。
一支影片找配樂省：
15 分鐘。
看起來很少。
一個月 20 支，
就是：
5 小時。
這就是 AI Tool
最容易被忽略的價值。
不是：
一次替你做掉一個超大專案。
而是：
每天少掉一小段：
重複工作。
但不要因為生成變快，就製造更多沒人需要的內容
AI 最大的另一個陷阱是：
Production Cost 下降後，
大家開始：
一直生。
以前一星期做：
5 支。
現在覺得 AI 很快，
就硬做：
25 支。
最後：
沒有策略。
沒有人看。
團隊反而更累。
所以這家公司仍然先決定：
本週需要：
哪些 Content。
Lyria 只是：
降低其中的 Music Production Cost。
不是：
替公司決定：
應該發多少內容。
真正的 ROI 不是「AI 生得比人快」
而是：
原本不值得花大量時間做的工作，
現在能不能：
用更低成本完成。
小品牌通常沒有：
Music Supervisor。
專職 Composer。
Audio Editor。
但又需要：
一直做社群影片。
Lyria 3.5 剛好填的是：
Professional Music Production 和「隨便找一首免費音樂」中間那一段。
先做出：
符合這次任務的 Draft。
讓人再挑。
那專業音樂人是不是就沒有生意了？
這個案例反而不是這樣。
如果品牌未來真的要：
做大型 Campaign。
建立 Sonic Branding。
製作正式 Jingle。
錄真正人聲。
做長期 Music Identity。
這家公司反而可能：
更清楚自己要什麼。
因為前面已經用 AI：
快速測過：
很多方向。
最後交給專業音樂人時，
可以直接說：
我們發現：
這種節奏。
這種樂器。
這種 Energy Curve
最符合品牌。
AI 把：
探索成本
降低。
專業工作集中在：
真正值得花錢的地方。
這就是這間 4 人公司的完整流程
每週內容計畫
↓
拍攝影片
↓
剪出大致長度
↓
選一張代表照片
↓
套 Brand Music Card
↓
寫：
開場／主體／收尾
能量線
↓
Lyria 3.5
產生 2～3 個 Draft
↓
人選：
最符合品牌與影片的一版
↓
剪輯軟體精確對 Beat
↓
完整播放一次
↓
一般社群素材：
依當下使用規則發布
↓
正式廣告／Jingle／長期品牌音樂：
另外 Rights Review
↓
保存：
Prompt、Version、人工修改紀錄
AI 沒有接管品牌
真正被 AI 接手的只有：
「先幫我做幾個可以試的音樂版本。」
品牌仍然決定：
我們是誰。
聽起來應該像什麼。
這支影片需要什麼情緒。
哪一首才適合。
什麼東西可以正式對外。
哪一種用途需要更完整權利確認。
這種分工，
比：
「AI 幫我全部做完」
更容易長期使用。
Lyria 3.5 對小型品牌最大的價值不是「省掉音樂人」
而是：
很多日常短影音，
原本根本不值得：
每一支都請專業 Composer。
所以團隊只剩：
音樂庫
和：
隨便挑
兩種選擇。
現在多了一個中間選項：
先讓 AI 做符合任務的 Music Draft。
高頻。
低風險。
需要快速。
的內容，
AI 先做。
真正高價值、
要長期使用、
涉及品牌資產
的音樂，
再把：
更多人類創作、
專業製作、
權利確認
加進去。
這就是 AI 工作流程真正成熟的樣子
不是：
所有工作都交 AI。
而是：
先把一件工作拆開。
這家公司真正拆成：
品牌方向：
人。
影片需求：
人。
第一版配樂：
AI。
音樂選擇：
人。
精確剪輯：
人＋工具。
權利判斷：
人。
最後發布：
人批准。
AI 只進到：
最適合它的那一步。
最後看一次這個案例真正省掉什麼
不是：
「從今天開始不需要音樂。」
而是：
以前每支影片都要重新：
從幾千首現成音樂裡
找一首差不多的。
現在先說：
影片多長。
什麼情緒。
什麼品牌聲音。
開場怎麼進。
中間怎麼長。
最後怎麼停。
AI 直接做：
幾個可比較版本。
人把時間留給：
真正需要判斷的地方。
這就是：
AI 把時間還給人。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
