好的,這是一篇根據您提供的口述內容,並遵循所有風格、結構和格式要求,改寫而成的繁體中文長文。 --- 我用AI做背景音樂,想靠YouTube廣告月入十萬,結果狠狠撞牆了一次


【我用AI做背景音樂,想靠YouTube廣告月入十萬,結果狠狠撞牆了一次】

大概在幾個禮拜前的某個深夜,我像平常一樣戴著耳機聽 Podcast,滑手機殺時間,突然一個標題跳了出來,大意是說,有人靠製作那種你開車、讀書、工作時會聽的 YouTube 背景音樂,光靠廣告分潤,每天就能賺進好幾萬塊。

當下我的第一個反應是:「真的假的?」

這不是那種教你怎麼投資致富的內容,而是非常具體、聽起來好像……我也能做到的事。你想想,YouTube 上那種「三小時放鬆音樂」、「開車專用 Lofi Hip Hop」,播放量動輒百萬、千萬。如果這門生意真的可行,那簡直是夢幻般的被動收入。

我的腦子立刻高速運轉起來,心想這件事非同小可,得好好研究一下。於是,我就這樣一頭栽進了 AI 音樂的世界,開始了一段充滿驚喜,但更多的是挫敗的奇幻旅程。

▋ 幻想的起點:當 AI 讓我以為自己是音樂大師

研究了一圈,發現現在大家主要都是用一個叫 Suno 的 AI 工具。它的操作簡單到有點嚇人,基本上你只要用文字告訴它你想要什麼樣的音樂,它就能在幾十秒內生成一首完整的歌曲。

我抱著半信半疑的心情,試著下了第一個指令(prompt):「心情低潮時聽的,能振奮人心的電子樂」。

結果出來,我真的愣住了。那音樂,旋律流暢、節奏感十足,完全不像什麼機器做的拼裝貨。當下我興奮到不行,立刻又試了好幾個指令,什麼「雨天午後在咖啡廳寫作的爵士樂」、「深夜在高速公路上獨自奔馳的合成波」。

每一首都讓我驚艷。那一刻,我真的有種自己是個偉大音樂製作人的錯覺,好像只要動動手指,就能源源不絕地創造出暢銷金曲。我甚至已經開始規劃我的 YouTube 頻道了:第一個系列叫「通勤能量」,第二個叫「專注之聲」,好像明天就能看到後台的收入數字開始跳動。

▋ 撞牆期:當 AI 像個失控的 DJ

美好的幻想總是短暫的。當我真的要著手製作一個「專輯」時,問題來了。

YouTube 那些成功的音樂頻道,影片長度通常都是一小時起跳,甚至三、四個小時。為什麼?因為演算法看的是「總觀看時長」。你的影片越長,觀眾停留越久,平台就越有可能把你的影片推薦給更多人。

所以我的計畫是,用 AI 生成大約 10 首風格類似的歌,組合成一個 30 分鐘的歌單,然後重複播放個幾次,湊成一部兩小時的長影片。

理論上很完美,對吧?但我很快就發現了 Suno 的一個致命問題:它太有「個性」了。

我試著用完全一模一樣的 prompt:「振奮人心的歌曲」,想要生成十首風格統一的歌。結果,AI 給我的第一首是激昂的搖滾,第二首突然變成帶點憂鬱的民謠,第三首又跳到輕快的流行電音……這根本不是一個專輯,這是一個精神錯亂的 DJ 在亂放歌。

你可以想像嗎?一個聽眾想找點音樂讓自己打起精神,結果聽到一半突然畫風突變,那種感覺肯定很差,八成會立刻關掉。

而一旦聽眾的「完播率」太低,YouTube 的演算法就會判定你的影片不夠吸引人,自然也就不會再推薦了。這個發現像一盆冷水,從頭到腳澆熄了我最初的興奮。原來,光會「許願」是沒用的,AI 並不是一個聽話的魔法神燈。

▋ 關鍵轉折:你不能把 AI 當許願池,要當成樂手

在我快要放棄,覺得這條路根本走不通的時候,我跟一個有在玩音樂的同事聊到這件事。他聽完我的抱怨,笑了笑,然後說了一句點醒我的話。

他說:「你不能把 AI 當成許願池,你要把它當成一個聽得懂人話、但需要清晰指令的樂手。」

他跟我解釋,只給「振奮人心」這種模糊的指令,AI 當然只能憑感覺隨機生成。但如果你能給出更專業、更具體的指令,結果就會完全不同。

例如,你可以明確告訴它: 「請用 C 大調,製作一首 120 BPM 的爵士藍調,主要樂器是鋼琴、薩克斯風和爵士鼓。」

甚至更進階的玩法是,你自己先哼一段旋律錄下來,然後把音檔丟給 AI,讓它以這段旋律為基礎去「擴寫」成一首完整的歌。

那一刻,我才恍然大悟。問題從來不在 AI,而在我。我一直把它當成一個傻瓜相機,按個快門就想拍出曠世巨作,卻從沒想過去學怎麼調整光圈、快門和 ISO。

真正的關鍵,在於「控制」。你必須掌握音樂的基本調性、曲風、樂器配置,你才能「駕馭」AI,讓它穩定地產出你想要的風格,進而打造出一整張風格統一、情緒連貫的專輯。

▋ 重新思考:音樂之外的「情緒價值」

搞懂了技術層面的問題後,我又想得更深了一點。

為什麼 Lofi Girl 的頻道會這麼紅?它 24 小時不間斷直播,永遠是那個女孩在讀書的動畫。那不只是音樂,它提供的是一種「陪伴感」。你讀書的時候,好像有個人跟你一起在努力,那種情緒價值是單純的音樂無法取代的。

所以,如果我要做一個開車聽的音樂頻道,或許除了音樂本身要夠嗨、夠流暢之外,我還需要一個能提供「陪伴感」的視覺元素。可能是一個不斷變換風景的駕駛艙視角動畫?或者是一個坐在副駕的虛擬角色?

這件事從一個單純的「AI 生成音樂賺錢」,變成了一個更複雜、也更有趣的題目。它不只是技術操作,還包含了對使用者心理、情緒需求的洞察,甚至還牽涉到影片的 SEO 關鍵字策略,要怎麼讓需要的人在茫茫片海中找到你。

現在,我還在摸索這條路。我花了一點小錢訂閱 Suno 的付費方案(一個月 10 美金,就能擁有音樂的商業版權),開始學著下更精準的指令。

老實說,光是聽到 AI 把我用手機亂哼的一段旋-律,真的變成一首結構完整的歌,那種成就感和驚喜,已經遠遠超過最初想賺錢的衝動了。

這趟旅程還沒走到能「日入斗金」的終點,甚至連起點都還稱不上。但它讓我明白,AI 不是取代人類的工具,它更像一面鏡子,反映出我們自身知識的深度。你想讓它產出多棒的東西,你自己就得先懂得什麼是「好東西」。

如果你也對這件事有興趣,不妨也去試試看。但記得,別像我一開始那樣只想著一步登天。先享受創造的過程吧,那種感覺,真的很棒。

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin