「这是一个 SasaDaily 假设商业案例。」
一家只有 4 个人的手作食品品牌，
每星期固定要做：
新品 Reels。
制作过程短片。
节庆商品视频。
客人开箱素材。
真正最麻烦的工作，
有时候不是：
拍。
也不是：
剪。
而是视频做到最后，
有人突然说：
「音乐呢？」
接着一个人开始：
翻音乐库。
试这首。
换那首。
裁成 45 秒。
发现高潮太早。
再换。
结果原本 30 分钟能完成的视频，
最后又多花：
20～30 分钟
只是在找：
一首「差不多适合」的背景音乐。
这就是这家公司想先改善的地方。
它没有先想「AI 能不能帮我们写歌」
团队先问的是：
「哪一段工作一直重复？」
答案很明确：
每支视频都要重新：
找音乐。
试音乐。
裁音乐。
确认节奏合不合。
所以 Lyria 3.5 在这家公司里，
不是：
作曲家。
也不是：
品牌总监。
它比较像：
Music Draft Generator。
配乐第一版产生器。
第一步｜品牌先自己决定「我们听起来像什么」
团队没有一打开 Gemini 就说：
「帮我做一首好听的歌。」
而是先写一张：
Brand Music Card。
只放几个原则。
例如：
整体：
温暖。
自然。
有手作感。
常用：
木吉他。
柔和钢琴。
轻打击。
一般商品视频：
优先 Instrumental。
避免：
过度戏剧化。
避免：
太强烈 EDM。
不模仿：
特定歌手或乐团。
这一步很重要。
因为如果每支视频都让 AI：
自己决定品牌声音，
今天可能是：
Jazz。
明天变：
Heavy Rock。
后天又变：
Synthwave。
每一支都可能：
单独很好听，
但放在一起完全不像：
同一个品牌。
AI 可以生成很多方向，但品牌一致性仍然要由人决定
Google DeepMind 的 Lyria 3.5
可以控制：
Genre。
Tempo。
Instruments。
Dynamics。
Vocal Style。
甚至可以根据：
图片
生成符合气氛的音乐。
能力愈多，
反而愈需要：
先缩小范围。
这家公司不是问：
「Lyria 会什么？」
而是问：
「我们允许它在哪个范围里变化？」
这就是品牌使用 AI
和一般玩 AI
最大的差别之一。
第二步｜每支视频先把时间线切成三段
例如今天要做一支：
60 秒新品视频。
画面已经完成。
0～10 秒：
产品第一次出现。
10～50 秒：
制作。
细节。
切开。
包装。
50～60 秒：
成品。
购买信息画面。
团队不需要：
懂作曲。
只要先决定：
三段能量。
开场：简单。
主体：逐渐增加。
收尾：干净降低。
这就是今天一分钟教学的：
三段能量线。
第三步｜把商品照片也当成 Music Brief
Lyria 3.5 可以接受：
图片
作为生成 Context。
所以团队已经拍完：
新品照片，
不用另外从零描述：
「这个产品看起来是什么感觉。」
可以直接用：
代表性 Product Photo
当一部分参考。
再补文字：
温暖。
手作。
自然。
Instrumental。
约 60 秒。
木吉他。
轻钢琴。
开场简单。
主体增加节奏。
最后自然收尾。
照片提供：
Mood。
文字提供：
Direction。
时间线提供：
Movement。
这比单纯说「帮我的商品做音乐」清楚很多
因为「食品视频」本身可以有：
非常多种音乐。
高级 Fine Dining。
可爱甜点。
街头美食。
家庭料理。
健康食品。
节庆礼盒。
全部都可能：
完全不同。
AI 不知道：
你品牌到底是哪一种。
所以最好的做法不是：
期待 AI 猜对。
而是：
先把品牌选择告诉它。
第四步｜一次做 2～3 个 Draft，不要求第一首就是 Final
Lyria 的生成结果本身具有：
Variation。
即使 Prompt 相同，
每次也不一定完全一样。
这家公司因此不把流程设计成：
Generate。
↓
直接使用。
而是：
Generate A。
Generate B。
Generate C。
然后只问：
哪一首：
最符合视频？
选曲时也不先问「哪一首最好听」
因为：
最好听
和：
最适合这支视频
不是一回事。
例如 A：
单独听很漂亮。
但开场音乐太满。
B：
旋律比较简单，
却刚好不会压住：
商品声音。
旁白。
字幕。
这家公司选：
B。
因为音乐在这里的工作是：
服务内容。
不是抢走内容。
第五步｜视频有旁白时，音乐更退后
例如品牌老板在视频里说：
「这批果酱用了三种当季水果。」
这时音乐就不需要：
很复杂。
团队在 Prompt 加：
Instrumental。
Supportive under spoken narration。
不要：
抢 Voiceover。
如果视频完全没有旁白，
只是：
制作画面。
食物特写。
切割。
包装。
那音乐就可以：
承担更多情绪。
同样是 Lyria，
角色不一样。
第六步｜Lyria 做 Draft，剪辑软件才负责精确对秒
这家公司不要求 Lyria：
第 7.3 秒一定进鼓。
第 31.8 秒一定换段。
第 58 秒准时最后一下。
因为生成音乐不是：
DAW Automation。
团队只要求：
大的能量方向正确。
例如：
开场低。
中间增加。
最后收掉。
真的需要：
商品切开瞬间
刚好对 Beat，
最后还是回到：
剪辑软件。
裁。
移。
Fade。
对点。
这样比较实际。
AI 负责先把「素材」做出来，人负责最后的 Editing Decision
这也是这个工作流很重要的边界。
Lyria 不是：
一键完成整个 Content Production。
它只是让团队不用每一次都：
从巨大的音乐库
开始找。
以前：
视频
↓
找现成音乐
↓
一直试
↓
裁长度
↓
勉强配合。
现在：
视频
↓
先定能量线
↓
Lyria 产生 Draft
↓
选最适合版本
↓
剪辑软件精确对点。
工作顺序变了。
第七步｜正式品牌 Jingle 不直接沿用一般 Reel 流程
某一天老板突然觉得：
其中一个 Lyria Draft 很好听。
就说：
「那这首以后当我们品牌主题曲。」
团队不会：
直接答应。
因为：
一般社区 Background Music
和：
正式 Brand Asset
不是同一个风险等级。
正式品牌音乐可能会：
用很多年。
投广告。
做活动。
跨平台。
甚至希望：
具有排他性。
这时就需要：
另外处理。
SynthID 也不能替公司完成这个判断
Google 会替 Lyria 生成音频加入：
SynthID。
它可以协助辨识：
内容是否由 Google AI
生成或编辑。
但就像今天快问快答谈的：
SynthID 主要处理：
来源。
不是：
著作权证书。
也不是：
无限制商用许可证。
所以团队把音乐用途分成两种。
第一类｜日常 Content Draft
例如：
一般商品 Reel。
内部提案。
未公开 Prototype。
这类工作主要目标是：
快。
方向对。
降低找音乐时间。
第二类｜正式 Brand Asset
例如：
品牌 Jingle。
大额广告。
长期 Opening Music。
商业发行。
大型 Campaign。
这时就多做：
Rights Review。
保存：
Prompt。
版本。
人工修改。
原始素材。
自己的 Lyrics。
自己录制的声音。
编曲变更。
Project File。
必要时再做：
专业法律与音乐权利确认。
公司不是因为害怕著作权，就完全不用 AI Music
那又走到另一个极端。
真正成熟的做法是：
让使用强度决定审核强度。
一支：
只用几天的社区草稿。
和一首：
要使用十年的品牌主题曲，
本来就不需要：
完全相同的流程。
AI 让产生音乐变得很快。
公司真正要补的是：
用途分级。
第八步｜不要 Prompt「做成某个歌手的风格」
团队的 Brand Music Card
甚至直接写：
不使用特定 Artist 作为 Prompt。
因为 Google 的 Lyria Safety Filter
本来就会处理：
特定 Artist Voice。
受著作权保护 Lyrics
等部分请求。
更好的方法是：
不要写：
「像某某歌手。」
而是直接描述：
慢速。
温暖。
Acoustic。
柔和 Female Vocal。
干净 Guitar。
轻 Percussion。
这样得到的是：
你需要的：
Music Characteristics。
不是：
模仿某个人的身份。
第九步｜每个月留下「表现最好的三种音乐方向」
这家公司没有让 Lyria：
每天完全重新猜。
例如一个月后，
团队发现：
三种风格最常用。
A：
木吉他＋钢琴。
适合新品。
B：
Light Funk＋Bass。
适合制作过程。
C：
柔和 Ambient。
适合品牌故事。
那下个月开始，
就不用再从：
全世界所有 Genre
重新探索。
直接从：
A／B／C
开始。
AI 工作流会愈做：
愈快。
这才叫把 AI 变成 Workflow，而不是每天重新聊天
如果每次都：
重新想 Prompt。
重新试曲风。
重新讨论品牌感。
Lyria 虽然很快，
团队仍然会浪费时间。
真正成熟以后，
公司应该累积：
Brand Music Card。
常用 Prompt。
适合不同视频的 Energy Template。
被选中的 Version。
这些东西会慢慢变成：
公司的：
AI Creative SOP。
用一组假设数字算看看
「SasaDaily 假设数字。」
假设这家公司：
每周制作：
5 支短影音。
一个月用：
4 周
计算。
就是：
20 支视频。
以前每一支视频在：
找音乐。
试音乐。
裁长度
上面，
平均花：
25 分钟。
20 × 25 分钟。
等于：
500 分钟。
也就是：
约 8.3 小时。
改用 Lyria 3.5 之后
「SasaDaily 假设数字。」
假设团队已经创建：
Brand Music Card。
三种常用音乐方向。
三段 Energy Template。
每支视频平均：
8 分钟
就可以完成：
产生 Draft。
比较。
选定。
20 × 8 分钟：
160 分钟。
约：
2.7 小时。
一个月理论差额：
约：
5.7 小时。
换成内部时间成本
「SasaDaily 假设数字。」
假设负责内容的人，
内部时间成本：
每小时新台币 650 元。
5.7 小时 × 650 元。
约：
新台币 3,700 元。
但这不是：
「导入 Lyria 每月直接多赚 3,700 元。」
真正发生的是：
大约 5.7 小时
可以重新使用。
例如：
多拍一支视频。
做商品页。
回客户。
改善包装。
分析 Content Performance。
这才叫：
Time Value。
这家公司不追「一个月生成几首歌」
那是：
工具使用量。
不是：
商业成果。
真正应该追的是：
第一：
平均每支视频找配乐花多久？
如果没有下降，
AI 没有省到时间。
第二：
生成后真正被采用的比例。
如果生成 10 首只用 1 首，
Prompt 或 Brand Music Card
可能有问题。
第三：
每支视频修改音乐的次数。
如果一直重做，
表示 Energy Direction
没有先说清楚。
第四：
品牌一致性。
连续看 10 支视频，
会不会像：
10 家不同公司？
第五：
正式 Brand Asset 有没有另外做 Rights Review？
不要让：
日常快速流程
偷偷变成：
高风险正式使用。
甚至不用一开始计算流量有没有增加
因为这个 Workflow
第一阶段解决的问题不是：
保证：
观看数增加。
它解决的是：
制作成本。
如果以前：
一天只能完成两支。
现在同样时间：
可以完成三支，
这已经是：
Operational Improvement。
至于哪一种音乐真的让：
观看时间。
完成率。
转换
更好，
那是：
下一阶段测试。
不要把两个问题混在一起。
AI 配乐甚至可以变成 A/B Creative Variable
例如同一支商品视频，
画面完全相同。
只改：
Music Mood。
A：
温暖 Acoustic。
B：
比较有节奏的 Light Funk。
分别测：
观看完成率。
停留。
分享。
这时 AI Music
不只帮你省：
制作时间。
还可以让原本制作成本太高的：
Creative Test
变得比较容易。
但还是要注意：
一次最好只改：
一个变量。
不然画面。
文字。
音乐。
CTA
全部一起变，
最后根本不知道：
哪一个造成差异。
对一人公司也是一样
没有 4 人团队也没关系。
假设你自己：
拍。
剪。
发。
Lyria 反而更实际。
因为对一人公司来说，
最大的成本常常不是：
软件月费。
而是：
自己的时间。
一支视频找配乐省：
15 分钟。
看起来很少。
一个月 20 支，
就是：
5 小时。
这就是 AI Tool
最容易被忽略的价值。
不是：
一次替你做掉一个超大项目。
而是：
每天少掉一小段：
重复工作。
但不要因为生成变快，就制造更多没人需要的内容
AI 最大的另一个陷阱是：
Production Cost 下降后，
大家开始：
一直生。
以前一星期做：
5 支。
现在觉得 AI 很快，
就硬做：
25 支。
最后：
没有策略。
没有人看。
团队反而更累。
所以这家公司仍然先决定：
本周需要：
哪些 Content。
Lyria 只是：
降低其中的 Music Production Cost。
不是：
替公司决定：
应该发多少内容。
真正的 ROI 不是「AI 生得比人快」
而是：
原本不值得花大量时间做的工作，
现在能不能：
用更低成本完成。
小品牌通常没有：
Music Supervisor。
专职 Composer。
Audio Editor。
但又需要：
一直做社区视频。
Lyria 3.5 刚好填的是：
Professional Music Production 和「随便找一首免费音乐」中间那一段。
先做出：
符合这次任务的 Draft。
让人再挑。
那专业音乐人是不是就没有生意了？
这个案例反而不是这样。
如果品牌未来真的要：
做大型 Campaign。
创建 Sonic Branding。
制作正式 Jingle。
录真正人声。
做长期 Music Identity。
这家公司反而可能：
更清楚自己要什么。
因为前面已经用 AI：
快速测过：
很多方向。
最后交给专业音乐人时，
可以直接说：
我们发现：
这种节奏。
这种乐器。
这种 Energy Curve
最符合品牌。
AI 把：
探索成本
降低。
专业工作集中在：
真正值得花钱的地方。
这就是这间 4 人公司的完整流程
每周内容计划
↓
拍摄视频
↓
剪出大致长度
↓
选一张代表照片
↓
套 Brand Music Card
↓
写：
开场／主体／收尾
能量线
↓
Lyria 3.5
产生 2～3 个 Draft
↓
人选：
最符合品牌与视频的一版
↓
剪辑软件精确对 Beat
↓
完整播放一次
↓
一般社区素材：
依当下使用规则发布
↓
正式广告／Jingle／长期品牌音乐：
另外 Rights Review
↓
保存：
Prompt、Version、人工修改纪录
AI 没有接管品牌
真正被 AI 接手的只有：
「先帮我做几个可以试的音乐版本。」
品牌仍然决定：
我们是谁。
听起来应该像什么。
这支视频需要什么情绪。
哪一首才适合。
什么东西可以正式对外。
哪一种用途需要更完整权利确认。
这种分工，
比：
「AI 帮我全部做完」
更容易长期使用。
Lyria 3.5 对小型品牌最大的价值不是「省掉音乐人」
而是：
很多日常短影音，
原本根本不值得：
每一支都请专业 Composer。
所以团队只剩：
音乐库
和：
随便挑
两种选择。
现在多了一个中间选项：
先让 AI 做符合任务的 Music Draft。
高频。
低风险。
需要快速。
的内容，
AI 先做。
真正高价值、
要长期使用、
涉及品牌资产
的音乐，
再把：
更多人类创作、
专业制作、
权利确认
加进去。
这就是 AI 工作流程真正成熟的样子
不是：
所有工作都交 AI。
而是：
先把一件工作拆开。
这家公司真正拆成：
品牌方向：
人。
视频需求：
人。
第一版配乐：
AI。
音乐选择：
人。
精确剪辑：
人＋工具。
权利判断：
人。
最后发布：
人批准。
AI 只进到：
最适合它的那一步。
最后看一次这个案例真正省掉什么
不是：
「从今天开始不需要音乐。」
而是：
以前每支视频都要重新：
从几千首现成音乐里
找一首差不多的。
现在先说：
视频多长。
什么情绪。
什么品牌声音。
开场怎么进。
中间怎么长。
最后怎么停。
AI 直接做：
几个可比较版本。
人把时间留给：
真正需要判断的地方。
这就是：
AI 把时间还给人。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
