9 月 20 号 dev.to 上一篇开发笔记，项目叫 Miso，自托管的本地音乐生成加混音工作站，作者 Jessica Doering。迟到两周多的一条速评，但这篇里有一句话我得先捞出来。
她说，最困难的部分不是把模型做得够好，而是让它们变得够可预测，好让你能在上面搭东西。
这句话放在一篇讲功能的技术笔记里，不太合群。前面大半篇都在讲怎么生成、怎么分轨、怎么重绘，讲到结尾突然来这么一句，像是干活的人把心里话漏了出来。
她列的坑一条比一条具体。不同模型要不同的采样率；模型一次返回好几个大音频文件；几个组件必须按固定顺序往显存里塞；ACE-Step 在 16 G 显存上得开省显存模式；后端一次只能跑一个重任务；上传还得在浏览器标签关掉之后继续跑。这些都是体力活，不新鲜。
扎人的是另外两条。
一条是她发现，文档写着某个选项能干什么，和模型实际理不理这个选项，经常对不上。另一条来自评论区：有人说自己集成时碰到过参数只有在嵌套的特定位置、跟参考实现一模一样时才生效，位置差一点就被静默忽略。作者回了一句，这种无声的失败最耗时间。
你想想这是什么处境。模型不报错，也不告诉你它没听懂。参数传进去，石沉大海，你拿到一段听着还行的音频，然后花三个小时怀疑是不是自己耳朵坏了。
所以我说，本地 AI 这件事的瓶颈早就不在模型那一侧了。模型能力当然是变量，但决定一个项目能不能从 demo 走到日常可用的，是中间那层专门吃差异的胶水。Miso 里干这活的是那个引导式构建器：同一组界面控件，翻译成各个模型实际要的提示词语法——有的要制作风格说明，有的要短描述加逗号标签，ACE-Step 还要求风格、BPM、调和歌词分开放。评论区有人说这层翻译容易被忽视但很关键，我同意，而且想把"容易"两个字划掉。翻译层不产生任何可以截图的惊艳效果，它只负责让惊艳效果不要随机出现。
然后是这篇里第二个我想抄下来的发现。
作者拿故意反着写的提示词去测重绘——就是在波形上圈一段、只重新生成那一段。结果很分裂：普通文生音那条路上，反着写立刻看得出来；重绘那条路上，几乎没反应。她的结论是，重绘时周围音频对结果的影响远大于文本，歌词对声音的控制也比提示词强。
翻译成人话：模型补那一段的时候，更多在听旁边，不太在听你。
评论区有人给了个我觉得靠谱的解释——重绘多半是从一个更接近原始波形的状态开始去噪，起点本来就贴着原来那一段，留给提示词改动的空间自然就小。作者自己说这还是行为测出来的推断，没去翻 ACE-Step 的代码确认起始的 latent 是怎么构造的。
这里立个 flag：哪天有人真把那段代码读了，八成会发现提示词在重绘路径上的权重是被"起点太近"吃掉的，不是什么玄学。押错了回来认。
说句公道话，作者全程没吹。项目主要在她自己的 Linux 机器和一块 4090 笔记本显卡上跑过，她明说不声称覆盖所有 GPU、驱动、系统和模型组合。这个口径在通稿里基本绝种了。
还有个取舍我觉得挺说明问题：修剪、淡入淡出、增益、标准化、分割、转 WAV、导 MP3 这些活，她全放在浏览器里用普通代码做，不交给模型。能用确定性代码办的事，就别送给概率机器去猜——这个道理人人都懂，真到写代码的时候，能做到的人不多。
另外她让项目记住每一次 take、每一条提示词、每一版歌词、分轨、乐谱、转录，还有它们之间的父子关系。一首歌怎么长成现在这样，能一路倒回去看。评论区有人聊这个谱系历史，我觉得这才是本地部署真正值钱的地方。云端也能存历史，差别在于你在这边敢乱试。
写到这里我得认一件事。上个月我还跟人抬杠，说"本地优先"四个字目前主要是情怀税，除了少数涉密场景没几个人真需要。这话我现在得改一半。真正让人把素材锁在自家机器里的理由，可能不是隐私，是敢不敢让模型一遍遍糟蹋你的东西还不心疼。这条我之前没想过。
本地跑得慢、要显卡、模型家族还得按顺序往显存里塞，成本一分没少。但一头是"可预测的胶水层加上敢乱试的自由"，另一头是"一个据说更聪明的模型"，这次我选前者。
下次谁再拿"本地跑"当卖点给你演示，问他一句就够了：参数传错了，它是报错，还是假装没看见。