懒得挑歌单，他让笔记本自己写音乐

“我懒得挑歌单，于是教我的笔记本自己作曲。”这是开发者 hendrahend 为 Hacktoberfest 开源 AI 挑战赛第三周提交的作品，主题是“慢而稳”。10 月 20 日是国际树懒日，他干脆照着树懒的性子做了个工具：给那些想听点音乐放松、却懒得浏览、懒得筛选、也懒得再订一个订阅服务的人。

用法很直接。你输入一句懒散的氛围描述，比如“rainy sunday piano”“slow ambient for sleep”“fireplace while it snows”，Sloth Sounds 就把音乐写出来。一条命令得到一个无缝循环，睡前敲一条命令，到早上就是一整段多分钟的助眠组曲。

所有计算都跑在他自己的笔记本上，只用开放权重模型，数据不出机器。

它到底做了什么

Sloth Sounds 是一个本地优先的环境音乐生成器。流程是：你输入的懒散词句先经过“氛围扩展器”，再交给 MusicGen（开放权重模型），最后输出无缝循环的 WAV 和 MP3。

• slothsounds gen "rainy sunday piano"：在他的 GPU 上约半分钟生成一个无爆音的循环。他用的是 4 GB 显存的 RTX 2050，也能跑在 CPU 上，只是更慢。
• slothsounds night 10 "slow ambient for sleep"：编排 10 段一套，每段都是同一氛围的变奏，让整首曲子有演进而不是原地重复，再交叉淡化成一条连续文件，附带时间码和随机种子的运行清单。
• slothsounds doctor：告诉你这台机器有什么、缺什么。

技术栈全部开放。MusicGen 的提示词需要具体的音频描述，而人输入的是感受，中间这层翻译交给 Gemma 3（4B，Q4，通过 Ollama 运行）。如果 Ollama 没在跑，关键词扩展器会接手，工具依然能完全离线工作，doctor 命令会报告当前走的是哪条路径。

同一句话，两种写法

他做了一组对照：同样的氛围、同样的种子（777）、同样的模型、同样的 GPU，唯一变量是谁来写提示词。启发式路径只是把现成的描述词往你的话上贴；Gemma 会做决定——挑乐器、定速度、塑造起伏。种子相同，意味着你听到的任何差别都只来自提示词本身。

演示部分，三个循环和一套夜间组曲都是他那晚在 RTX 2050 上生成的，以 WAV 形式提交在仓库里，不运行任何东西也能直接听：rainy-sunday-piano-42.wav、fireplace-while-it-snows-101.wav、midnight-train-through-the-countryside-202.wav 各 30 秒，full-set.wav 是 4.7 分钟的夜间组曲（10 段，交叉淡化）。公开演示页部署在 Render 上，生成仍留在本地，网站只是橱窗。

他贴出了自己机器上 doctor 的原始输出：Python 3.12.10、numpy 2.5.4、torch 2.5.1+cu121（NVIDIA GeForce RTX 2050）、audiocraft 1.3.0 均为 OK；ffmpeg 未找到（可选，仅用于 MP3 导出）；Ollama 可达，模型为 gemma3:4b；backboard 的密钥未设置（可选，用于品味记忆）。

为什么开放这件事是产品本身

他给了一个对照：如果做成闭源 API 版本，这个项目就只是个包装——把你的氛围发到别人的 GPU 上，按次付费，祈祷这项服务明年还在，顺便把凌晨两点听的一切日志交给一家公司。在他看来那不是工具，是多了几步的订阅。

在本地跑开放权重模型意味着：

• 离线可用。飞机上、小屋里，音乐在你所在的地方生成。
• 运行零成本。第一千个循环和第一个循环花的钱一样多：零。
• 模型可替换。今天在 4 GB 笔记本 GPU 上跑 musicgen-small，明天在台式机上跑 musicgen-medium，后天换成微调过的专用模型，流水线不用改。
• 什么都不记录。凌晨两点的收听习惯只留在你和你的笔记本之间。

他的说法是，这些开放组件不是装饰，而是整个产品；把它们抽掉，项目就不存在了。

省下的不是时间，是“做决定”

挑战赛问的是这个项目到底省了多少时间或精力。他给了自己几个晚上的实测账：

• 旧仪式：打开流媒体应用，滚动、跳过、反复犹豫，最后落在已经听过的东西上。每晚五到十分钟的决策，永远如此。
• 新仪式：一条命令，约十秒打字，半分钟后音乐就存在了。
• 夜间模式：决定发生在你累之前。10 段、4.7 分钟不断演进的音乐，约五分半钟的实际耗时编完。你按下开始，组曲就在那里。

在 RTX 2050 上实测：每个 30 秒片段大约需要 32 秒生成，完整的 10 段组曲（交叉淡化后 282 秒音频）约五分半钟完成。模型热起来后，Gemma 的氛围扩展只多花几秒。

他不假装这能替谁省下几个小时。它真正去掉的是“决定”这件事——滚动、跳过、晚上十一点站在厨房里跟自己争论该放什么。树懒不优化走路，树懒直接不走。

他报名了两个类别，都是集成最扎实的地方：最佳 Gemma 应用——Gemma 3 通过 Ollama 把懒散氛围扩展成面向 MusicGen 优化的提示词，带离线关键词兜底，仓库里还用它来教微调数据集；最佳 Render 应用——公开演示站从仓库里的 render.yaml 蓝图部署，直接提供实际生成的音频。Tinker 和 Backboard 的集成也接进了仓库（一份 Gemma 蒸馏的训练数据集加 LoRA SFT 脚本；带本地兜底的品味记忆），但不是这次挑战的主打。

仓库地址是 github.com/hendrahend/slothsounds，MIT 协议，21 个测试，doctor 做安装检查，还有一个 Windows 兼容脚本——因为 audiocraft 的 xformers 轮子在 Windows 上不存在，这种细节只有真跑过才会遇到。项目在第三周窗口（10 月 19 日至 25 日）内完成。