冷知识，你可以通过 Spotify API 拿到一支曲子的各项特征数据

它们包括：

1. acousticness
音轨是原声的置信度，范围 0.0～1.0，1.0 代表这段音频很有可能是原声。

2. danceability
音轨适合跳舞的程度，综合音乐的速度、旋律稳定性、节奏强度和整体的规律性得出，范围 0.0～1.0，1.0 代表非常适合跳舞。

3. energy
反应出音乐强烈、活跃的程度，通常而言，能量高的音轨速度快、响亮且嘈杂，比如死亡金属乐就有很高的能量，而巴赫的曲子能量则很低。

4. instrumentalness
预测一个音轨是否不含人声，「哦」和「啊」一类的会被视作乐器声，而 Rap 或口述词则会被视为显著的「人声」，这个指标越接近 1.0，乐段越可能不含人声。

5. key
音轨的键，范围 -1～11，0 代表 C，-1 代表没检测到键。

6. liveness
检测录制内容中是否存在观众，值越高，代表越有可能是现场演出的音轨，0.8 以上表示比较有可能是现场演出。

7. loudness
音轨整体的响度（dB），取自整条音轨的平均值，可用于不同音轨间的响度对比。

8. mode
音轨的调式，1 代表大调（major），0 代表小调（minor）。

9. speechiness
检测音轨中是否有口述的字词，数字越接近 1.0，音轨越可能是演讲类的录制内容（如脱口秀、有声书）。

10. tempo
一个音轨整体的预估速度，以每分钟的拍数计（beats per miniute，BPM）。

11. time_signature
预估的拍号，指每段有多少拍，范围 3～7，3 代表 3/4 拍。

12. valence
音乐的效价，描述了音乐传递情绪的积极程度，范围 0.0～1.0，数字越大代表音乐越积极（高兴、喜悦、开心），越小代表音乐越消极（悲伤、低落、生气）。

developer.spotify.com

昨天想着说不定可以用在 AI 生成音乐上，用来更精准的引导音乐生成的方向，不过 Suno 上似乎没有太大变化，可能定性描述比定量数据更有用，也可能我实验的样本还比较少分辨不出。