可复现

能复现的是流程与决策，不是波形

相关

扩散采样率

问题

同样的提示词、同样的种子，应该得到同样的结果，这句话在 AI 音乐里经常不成立。采样有随机性，模型会更新，服务端的前处理看不见，参考音频换一个文件就全变。追求逐位相同的音频，多数时候是浪费时间；但完全不可复现，又会让修改和授权都失去依据。

为什么复现不了

三个原因。第一，生成过程本身带随机采样，种子只固定一部分。第二，模型和推理服务会升级，同一个名字背后已经是另一套权重。第三，输入不止提示词，还有参考音频、时长、隐藏参数，任何一项变了，结果就分叉。所以能复现的是流程与决策，不是波形。把这两件事分开，才谈得上方法。

配方与测试

一份有用的配方包含工具与版本、模型、提示词原文、负面提示、种子、时长、速度、调性、参考音频的校验值与授权、输入 MIDI 或音频、候选数量、筛选标准、后期链，再加一行已知的未知项。每个项目做一次复现测试，同一配方连跑三次，比较时长、段落边界、频谱差异与盲听结果，把容差写下来，比如结构一致、音色有浮动。客户项目优先选能固定种子的工具；存档时冻结输出文件，不要指望冻结服务。如果三次结果差异很大，就把这条工具从客户项目的候选里去掉。

听什么

在二十六分钟的托卡塔里听长文件如何让微小偏差累积成结构差异。在巴赫 D 大调托卡塔里听自由段落，哪些决定根本无法从参数还原。在一百三十八拍的放克循环里听参数确定的部分，节奏型与速度可以照做，音色未必。在斯克里亚宾第二奏鸣曲里听自由速度，演奏本身就不能被配方穷尽。

事实来源

• 生成式模型的随机性与版本漂移，依机器学习公开资料核对，未抄原文
• 复现测试的容差与记录方式，依工程实践通识归纳，未抄文本

仅用于核查事实，正文为原创撰写。