《現代電影技術》｜鄭嘉慶等：基于大語言模型（LLM）與模型上下文協議（MCP）驅動的智能音頻制作系統研發

本文刊發于《現代電影技術》2025年第7期

專家點評

在傳統數字音頻制作領域，素材的高效與高質量檢索始終是一個突出痛點。盡管市場推出了多款音頻素材檢索管理軟件，以提高工作效率，但在龐大的音效素材庫中找到符合需求的音頻素材，仍然高度依賴用戶對素材庫的熟悉程度。同時，數字音頻工作站的自動化水平不足、技術門檻過高以及制作效率低等問題，也嚴重影響了音頻創作者和內容生產者的工作效率與創意發揮。人工智能技術的迅猛發展為數字音頻制作的標準化、模塊化和智能化演進提供了強有力的技術支撐。《基于大語言模型（LLM）與模型上下文協議（MCP）驅動的智能音頻制作系統研發》一文提出了一種全新的智能音頻制作系統，該系統依托大語言模型（LLM）和模型上下文協議（MCP），深入融合了數字音頻檢索、自然語言理解和自動化操作等關鍵技術，探索出數字音頻制作智能化的新路徑。該系統摒棄了以往單一低效的關鍵詞檢索模式，轉而采用以用戶需求場景為核心的描述方式，其借助大語言模型在自然語言理解及創意聯想方面的先進技術優勢，將原本機械、重復的檢索過程轉變為人機協同創作的交互模式。通過模型上下文協議，該系統有效連接了自然語言交互與數字音頻工作站的自動化控制，為音頻創作者及內容生產者提供了更加便捷、高效的創作工具。這一創新不僅有望提升數字音頻制作的智能化水平與能力，還將推動整個行業向更加優質、高效、智能的方向發展演進。

—— 徐濤

正高級工程師

中國電影科學技術研究所（中央宣傳部電影技術質量檢測所）副所長

作 者 簡 介

鄭嘉慶

北京電影學院聲音學院院長，主要研究方向：錄音藝術。

北京電影學院聲音學院講師，主要研究方向：綜合媒體技術。

楊 璨

摘要

本研究基于影視與游戲音頻制作領域的實際需求，針對傳統音頻檢索繁瑣、數字音頻工作站（DAW）操作自動化水平不足等問題，提出了一種智能化音頻制作系統。該系統依托大語言模型（LLM）與模型上下文協議（MCP），結合數字音頻工作站REAPER的開放式腳本框架ReaScript與Python擴展，實現了音頻素材的智能檢索與指令驅動的自動化操作。系統以模型上下文協議為底層架構，有效打通了自然語言交互與數字音頻工作站自動化控制之間的橋梁。在“夏日雨后校園”音頻場景下開展的實驗表明，本系統能夠通過模糊查找和聯想式搜索準確找到所需音頻素材，指令式操作方式顯著降低了音頻制作的技術門檻。相較于傳統流程，藝術工作者可更加專注于創意表達而非繁瑣操作。未來，本系統將進一步擴展對多種音頻數據流及主流數字音頻工作站的適配，并持續豐富音頻素材數據庫，為智能化音頻生產提供堅實的技術保障。

關鍵詞

大語言模型；模型上下文協議；影視聲音制作；游戲聲音制作；REAPER

1引言

隨著影視與游戲行業的迅速發展，音頻創作者對作品質量和流程效率的要求不斷提高。數字音頻工作站（Digital Audio Workstation, DAW）成為音頻編輯的核心平臺[1, 2]，但傳統音頻檢索和工作站操作方式存在應用門檻高、跨平臺適配困難、缺乏智能化支持等問題，尤其是在面向多樣化創意表達和復雜制作流程時更為明顯[3]。近年來，隨著大語言模型（Large Language Model, LLM）和模型上下文協議（Model Context Protocol, MCP）等人工智能（AI）技術的進步，自然語言驅動的音頻智能制作迎來新的發展機遇[4-6]。

在國際領域，相關研究主要聚焦于AI輔助音樂生成、自動化混音、語義音頻檢索等方向[7-9]。與此同時，國外學者也致力于跨平臺音頻編輯接口與標準化協議的研究，以提升不同DAW之間的兼容性和協作效率[10,11]。然而，這些研究多局限于單一平臺或有限任務，缺乏對影視、游戲等復雜場景下流程自動化與創意定制的深度支持，跨平臺的自然語言指令驅動和智能協同依然有限。

我國在音頻制作領域引入人工智能的時間較晚，但近年來相關應用發展迅速。已有部分音樂制作平臺和DAW嘗試音頻素材智能檢索等功能探索，但技術路線普遍以工具型插件或云端服務為主，系統集成度和開放性較低[12-14]。大多缺乏如模型上下文協議（MCP）這樣的標準化數據交換與命令轉譯框架，難以實現多平臺、端到端的全流程智能協作，對非專業用戶依然不夠友好。

面對國內外現有研究在系統整體性、跨平臺適配和深度創意支持等方面的不足，本文提出并實現了一套基于大語言模型（LLM）與模型上下文協議(MCP)驅動的智能音頻制作系統。該系統以自然語言為核心交互形式，實現對影視與游戲音頻制作流程中音頻素材的智能檢索與DAW自動化操作。

本研究旨在推動音頻智能制作流程向標準化、模塊化、智能化方向發展，為行業提供更低門檻、更高效率的創新工具。通過系統化集成與實際應用驗證，不僅有助于拓寬智能音頻制作的理論基礎，也為我國影視與游戲音頻產業實現智能化轉型提供了可行路徑和現實參考。

2相關技術研究

2.1 傳統音頻檢索技術與軟件

影音制作過程中，首要任務之一就是從音頻素材庫中檢索所需素材。傳統的音頻檢索方法主要包括三類：第一，基于關鍵詞的文本元數據檢索；第二，依賴內容分析與特征提取的音頻內容檢索，包括哼唱查詢等；第三，采用哈希表與指紋技術等方法的數字信息匹配檢索[15-23]。

基于文本元數據的檢索方法依賴音頻文件的名稱、標簽、描述信息、藝術家信息及專輯等顯式元數據，通過用戶輸入關鍵詞進行匹配檢索。該類方法實現路徑較為直接，檢索效率較高，廣泛應用于各類音頻素材庫管理系統。基于內容分析與特征提取的檢索方法則側重于挖掘音頻信號本身的底層屬性。常見技術包括自動語音識別（ASR）、梅爾頻率倒譜系數（MFCCs）等特征提取手段，通過將音頻信號轉化為多維特征向量以實現檢索與分類。此類方法在語音識別、基礎音樂檢索等領域成效突出。基于指紋或哈希匹配的檢索方法廣泛應用于音頻內容鑒權與版權保護場景。其核心思想在于提取音頻片段的唯一性特征值，進而實現對原始與衍生內容的快速比對。

諸多商業音頻管理軟件已實現上述多種技術的集成。例如，Soundminer與BaseHead具備強大的元數據批量處理及特征提取能力，能夠支持高效的文本檢索與快速篩選；AudioFinder則面向Mac平臺，注重音頻標簽與內容管理，便利音樂創作者的日常檢索需求；MediaMonkey和Adobe Bridge等多媒體管理工具則進一步強化了元數據批量編輯與多維度檢索。

盡管目前音頻檢索技術已取得顯著進展，現有人機交互方式仍普遍難以應對用戶輸入的非精確、聯想性查詢需求，在跨語義、跨領域的檢索能力上存在不足，難以滿足創意表達與多樣化查找場景需求。因此，提升對模糊查詢與聯想查找的支持能力，發展具有自然語言理解與智能推薦功能的新一代音頻檢索人機交互技術，已成為行業發展的重要研究方向之一。

2.2 DAW人機交互技術

在音頻檢索環節完成后，音頻內容的創作與制作成為流程的核心階段，DAW在此過程中發揮著重要作用。作為集成化音頻創作平臺，DAW涵蓋素材導入、剪輯、混音與效果處理等多元功能，并構建了面向專業制作的可視化、模塊化操作環境。目前，DAW人機交互方式主要分為兩種類型，即基于圖形用戶界面（GUI）的可視化操作與基于多硬件設備集成的多元化操作方式[1,3,8,24,25]。

現代DAW普遍采用圖形用戶界面，通過波形可視化、多軌道調音臺、音軌高亮及插件參數面板，為用戶提供直觀的一體化編輯環境，實現音頻剪輯、混音及效果處理等操作的高效協同。這一模式顯著降低了基礎操作難度，推動了音頻制作向更廣泛用戶群體的普及。與此同時，隨著MIDI（Musical Instrument Digital Interface）控制器、硬件調音臺、觸摸屏及移動端應用的引入，DAW的人機交互體驗感不斷提升。諸如MIDI映射、遠程操控、手勢交互等多模態聯動，為用戶帶來了更便捷、實時的創作及表演能力，滿足了多終端和場景化創作的需求。

在實際商業應用中，主流DAW通過對人機交互理念和技術路線的不斷優化，推動聲音創作流程的演進。對比多家DAW軟件，Ableton Live以“Session/Arrangement”雙模式提升了電子與現場音樂的編曲效率；編曲軟件FL Studio借助步進音序器及豐富插件，降低了節奏編程的創作門檻；Pro Tools則以復雜工程管理與高標準兼容性，廣泛應用于影視及大型音頻制作領域。

需要指出的是，不同DAW在實現同類操作時，往往存在較大的人機交互方式差異，用戶在不同平臺間遷移工程、文件或協作時，不可避免地面對操作邏輯、參數調用及界面適配等方面的割裂。對此，基于腳本自動化與大語言模型等智能輔助系統，可將多平臺操作抽象為自然語言指令，通過統一的語義交互接口實現跨平臺音頻內容管理，從而實現音頻制作的智能化與協同化。

2.3 大語言模型應用

基于前文提出的智能音頻檢索與工作站操作需求，本研究希望通過引入大語言模型，借助其強大的自然語言理解和生成能力，實現從音頻檢索到音頻制作的全流程自動化與智能化。大語言模型的發展大致可分為四個階段：專注于自然語言對話的純文本大模型；實現了文本、圖像、音頻等多模態數據融合與聯合推理的多模態大語言模型；基于任務驅動從而實現部分自動化工作流的智能體（Agent）；通過模型上下文協議實現控制的通用大語言模型應用，從而實現自然語言到應用程序編程接口（Application Programming Interface, API）和軟件控制的無縫銜接[26-29]。

以ChatGPT為代表的早期大語言模型打破了傳統檢索的關鍵詞束縛，通過更深層的語義理解，實現了對音頻檢索的“類聯想”式文本描述匹配（如“適合電影片頭的溫暖弦樂”）。多模態模型則進一步將文本、音頻、圖像等結合，支持音頻檢索、音頻描述、跨模態問答等任務。然而，盡管大語言模型能夠通過復雜的語義理解和多模態交互實現模糊檢索與內容生成，其仍多局限于“內容匹配”層面，如輸出查詢結果、推薦音頻片段或生成音頻摘要，而無法直接對音頻素材庫進行底層操作。更重要的是，這些模型無法對DAW這樣的專業軟件直接下達諸如“創建軌道”或“導入音頻”等實際操作指令。

模型上下文協議（MCP）是一項全新的開放標準，旨在為大語言模型與外部數據源和工具的集成提供統一接口。該協議采用“MCP客戶端-MCP服務”架構，通過標準化的JSON?RPC 2.0數據協議實現二者間的信息交互。大語言模型作為MCP客戶端的執行環境，主要負責理解用戶對話并生成任務，MCP客戶端則負責將任務拆解并分發給對應的MCP服務；MCP服務接收任務后，會調用外部應用程序開發接口完成具體工作，并將結果返回客戶端；最終由大語言模型整理數據后反饋給用戶，如圖1、圖2所示[29]。模型上下文協議的出現，大大簡化了大語言模型和各類第三方服務的對接流程，不僅減少了手工集成和維護成本，還實現了請求和響應格式的一致性、交互的持續上下文維護及高效的雙向通信。這一協議如同大語言模型世界的USB接口，打通了模型與多樣應用之間的壁壘，使模型真正具備“理解指令-調用外部服務-返回結果-再迭代優化”的全流程能力。

圖1　MCP核心架構

圖2　MCP工作流程圖

在音頻制作場景下，MCP展現出極大優勢。MCP客戶端可依托大語言模型強大的自然語言理解能力，對用戶輸入的音頻檢索指令進行語義模糊查找和上下文擴展，比如根據描述性關鍵詞聯想、篩選或生成更加豐富的音頻描述內容，隨后通過直接操作音頻素材庫完成音頻素材文件定位；而MCP服務則可對接DAW的標準化接口，從而讓大語言模型能夠用通用、自然的語言直接下達諸如“在第三軌插入音頻素材”等操作指令。如此，用戶無需學習和適應不同DAW的復雜操作界面，只需用自然語言描述需求，便能統一調用，實現跨平臺、跨品牌的音頻編輯制作流程自動化與智能化，顯著提升了音頻創作的便捷性和可擴展性。

本文以MCP為基礎，通過讓MCP服務調用文件系統API與REAPER提供的腳本API，并將其客戶端嵌入到某一大語言模型中，從而實現以自然語言交互為基礎的智能化音頻制作。

3系統設計與實現

3.1 系統模塊化設計

圖3中展示了本系統的四層結構，不同層之間從邏輯與功能上相互獨立，但又可以進行數據交換。系統整體上以低耦合原則進行設計與實現。

圖3　系統四層結構

3.1.1 MCP客戶端嵌入層

在系統架構的頂層，MCP客戶端與集成的大語言模型協同承擔人機交互與需求解釋的核心職能。該層通過對自然語言指令的深度解析，實現語義建模與操作意圖提取，并基于任務目標與參數信息，生成結構化命令用于后續分發。其核心功能主要包括兩點：其一，系統支持用戶以自然語言描述視頻情境；大語言模型對場景信息進行理解與分解，自動分析所需音頻素材，并結合用戶后續需求補充或調整匹配素材，利用多輪對話機制持續完善音頻內容的檢索與擴展，最終實現高精度且個性化的音頻資源匹配。其二，系統允許用戶以自然語言對音頻數據進行操作指令輸入。大語言模型可基于查找結果及用戶提供的明確素材路徑，完成音頻素材向DAW導入等操作。此外，軟件還可根據進一步指令實現對DAW中音頻素材的編輯、處理與管理。此層設計為下一層MCP服務與DAW API操作模塊提供了高層次的智能交互接口。

3.1.2 MCP服務層

第二層為MCP服務層，該層承擔各類核心功能的中間件角色。每個MCP服務節點聚焦于特定業務領域，通過標準化的接口向上層（MCP客戶端嵌入層）公開功能能力、參數需求及操作規范，從而有效屏蔽內部處理流程的復雜性。該層主要完成三項關鍵任務：

（1）實現音頻資源文件的加載與解析，提取其中的內容描述信息，以便于后續檢索與應用；

（2）對各類DAW的底層API進行封裝轉換，統一為MCP服務標準接口，支持上層MCP客戶端的靈活調度與應用集成；

（3）負責異常檢測與處理，如資源丟失、系統未就緒等典型問題，并通過MCP將錯誤信息及時反饋至MCP客戶端，實現完善的容錯與錯誤通報機制。

通過上述設計，MCP服務層不僅實現了跨平臺功能抽象與統一調用，也極大提升了系統的兼容性與可靠性，為頂層自然語言驅動的智能交互提供了強有力的技術支撐。

3.1.3 數據通訊層

第三層數據通訊層，主要負責在MCP服務與DAW之間建立高效、可靠的數據與指令轉發機制。鑒于不同DAW及硬件設備所采用的通信協議存在顯著差異，且底層API常因商業與安全因素未完全開放，該層通過協議適配實現了對異構系統的橋接。常見音頻數據通訊協議包括MIDI、HUI、OS及HTTP等，各自特性如下：

（1）MIDI協議廣泛應用于虛擬樂器控制、外部設備同步與推子管理，雖受參數控制精度與數據傳輸帶寬限制，但憑借其成熟的標準體系，實現了跨品牌設備的基本聯動。

（2）HUI（Human User Interface）則基于MIDI傳輸擴展，專為硬件控制臺與DAW間實現高效狀態同步而設立，適用于多品牌硬件間協作，但兼容性相對有限。

（3）OSC（Open Sound Control）利用UDP網絡，支持豐富數據類型與消息結構，適合高精度多參數的遠程控制和多工作站協同環境，具備較強的可擴展性。

（4）HTTP及RESTful架構則因其跨平臺優勢，在現代智能音頻平臺及云端服務集成中被廣泛采納，尤其適合項目管理、音頻文件操作及非實時性控制任務。

本系統在協議適配層中選用HTTP作為智能化控制核心通信協議。通過此機制，Python腳本得以與REAPER實現高效、安全的信息通信與功能調用，大幅提升了系統擴展性及與云端、移動端的集成能力，有效滿足現代音頻制作場景下對智能化和跨平臺協同的需求。

3.1.4 DAW應用開發接口層

系統架構的最底層，主要承載實際的操作對象，包括文件系統、各類DAW及調音臺、音頻接口等多樣化音頻設備。在此層中，對象會將自身功能開放為API接口，便于上層MCP服務調用，從而實現音頻數據讀取、素材導入、音軌自動化調整等重要任務。

研究過程中選擇以REAPER作為核心DAW平臺，主要基于其在靈活性、可擴展性和跨平臺兼容性方面所展現的獨特優勢。與傳統封閉或定制化程度較低的DAW不同，REAPER不僅支持多平臺部署，還為開發者開放了豐富的腳本與API接口，極大地拓展了平臺自動化和個性化定制的空間。REAPER內置的ReaScript腳本系統支持多種主流編程語言（如Lua、Python），并可直接訪問工程管理、軌道操作、素材處理、效果鏈控制等功能接口，這使實現音頻項目批量操作、復雜流程自動化與實時任務響應成為可能。與此同時，系統進一步引入了reapy庫作為外部Python控制層。reapy通過將REAPER內部對象映射為標準化Python類，既提升了跨平臺開發的效率和可維護性，也借助Python自身的豐富生態，實現了數據分析、遠程協作及與云服務的無縫對接[30,31]。

綜上所述，本系統采用分層架構設計，以職責清晰的模塊劃分實現了各層之間的有效解耦，既降低了整體系統的復雜性，也顯著提升了獨立開發與后期維護的靈活性。通過MCP 服務與API通訊層實現協議與數據的統一標準化，系統不僅實現了多平臺、多廠商設備的高效兼容，也為異構硬件環境下的協同工作提供了堅實的技術基礎。此外，頂層還引入大語言模型執行用戶意圖解析與自然語言交互，使用者只需通過對話式指令即可完成從需求描述到具體操作的整套流程，顯著降低了傳統工作流中的人工映射成本與誤操作風險。

在具體實現上，系統采用Visual Studio Code（VS Code） Copilot作為MCP客戶端嵌入的大語言模型，通過reapy庫的HTTP服務橋接外部MCP服務與REAPER內部的ReaScript腳本，實現智能音頻工作流的無縫銜接。圖4展示了本系統的具體流程：用戶發出自然語言指令后，Copilot解析意圖，并調用兩個 MCP 服務：其一是操作 REAPER；其二是音頻檢索。具體操作完成后，Copilot將匯總執行結果，并將最終狀態以對話形式反饋給用戶。

圖4　智能音頻系統核心架構圖

3.2 MCP服務實現

3.2.1 音頻檢索MCP服務

音頻檢索MCP服務專為批量整合和規范管理本地音頻素材資源而設計。其目標是，最大程度簡化音頻描述數據的導入流程，讓用戶無需關注技術細節，即可高效準備和檢索素材數據。該模塊主要負責識別并解析存儲于本地的音頻描述文件（如description.txt），自動將其中記錄的音頻信息轉換為規范化的素材目錄，服務于上層的檢索與調用需求。具體操作流程如下：

（1）指定音頻描述文件位置

系統默認在用戶指定的位置查找音頻描述文件。用戶只需確保該文件路徑正確、內容規范，無需進行其他配置。

（2）加載并解析內容

系統啟動時會自動檢測音頻描述文件的存在。如果文件可用，系統將以UTF?8編碼方式打開文件，并逐行掃描。每一條有效記錄應包含兩部分內容：音頻素材的描述信息與該描述相對應的音頻文件路徑。兩者以特殊符號“$$$”進行分隔。多余空白行或格式不符的數據會被自動忽略。

（3）路徑校正與數據整理

系統不僅會讀取音頻文件的相對路徑，還會自動補全為完整文件路徑，確保用戶后續調用素材時路徑無誤。所有有效數據經規范化后，系統將其統一歸檔為易于檢索的目錄。

（4）結果獲取

經過處理后，所有音頻素材的信息都被保存在系統內部的資源池中。用戶在使用智能檢索、條件過濾、查詢調用等功能時，無需重新加載和解析文件，系統能夠直接返回每一條音頻素材的描述和可用路徑，大幅提升調用效率和使用體驗。

（5）異常檢測與用戶友好提示

為最大程度降低人為操作失誤對體驗的影響，音頻檢索模塊內嵌了完善的異常捕捉與提示機制。文件未找到或路徑錯誤時，系統會主動告知用戶當前查找位置，并建議核查文件位置或名稱。文件格式不規范時，系統會捕獲異常并給出詳細的反饋，引導用戶糾正違例內容。如系統未檢測到音頻工程文件或音頻引擎未啟動，會明確提示用戶啟動相關服務后重試。這一處理方式，確保用戶可隨時獲悉當前操作狀態和潛在問題，避免因文件錯誤或環境異常引發的數據丟失或資源不可用，提升系統整體可靠性。

3.2.2 DAW智能化操作MCP服務

DAW智能化操作MCP服務旨在讓用戶通過自然語言指令，直觀、便捷地對DAW REAPER進行自動化操作。用戶無需了解任何腳本接口或復雜流程，只需描述自己的需求，系統即可完成如音頻文件導入、軌道命名與調整等任務。具體功能效果及操作方式如下：

（1）快速創建并命名軌道

當用戶需要導入新的音頻素材時，只需通過語音或文本說明目標音頻文件、希望導入的目標軌道名稱等簡要信息。系統會自動在音頻工程中新增軌道，并按照用戶要求設置軌道名稱。

（2）針對軌道的精準操作

為確保后續步驟僅作用于新創建的目標軌道，系統會自動將該軌道設置為唯一選中狀態，有效防止誤操作或影響其他工程內容。

（3）自動導入音頻文件

系統根據用戶提供的音頻文件路徑，自動核查該文件是否真實可用，并將其插入已命名的軌道上。無論音頻文件存儲于何處，只要路徑有效，系統都能保證順利完成導入并精確定位到指定的位置或時間點。

（4）界面同步與實時反饋

每次執行上述操作，系統都會自動刷新音頻工作站界面，用戶能夠即時看到新增軌道與已導入的音頻素材，獲得所見即所得的反饋。

（5）操作結果透明回饋

在操作過程中，系統會持續監控操作結果。一旦任務順利完成，會及時告知用戶每一步細節（如哪條音軌已創建、素材導入位置等）；如遇音頻文件不存在、時間參數錯誤或工程文件異常，則自動給予明確提示，并引導用戶修正問題，力求讓每位用戶都能快速定位并解決潛在困擾。

3.3 系統實踐測試

3.3.1 系統運行環境說明

為確保本文提出系統的可復現性與結果的可靠性，所有實驗均在統一的軟硬件與數據基礎上進行部署。項目全部源代碼已公開于 GitHub（PangXingQing/mcpreaper），并提供完整配置與使用說明。

本研究主要實驗環境包括：Windows 10 及以上操作系統；Python 3.8 及以上版本作為底層編程與腳本運行平臺，DAW采用 REAPER，通過 ReaScript 所提供的 API 實現外部自動控制。實驗所用音頻測試數據主要采用 WAV 音頻文件格式，所有音頻樣本無特定命名規則，隨機分布存儲于本地磁盤。為支持自動批量檢索與分發處理，系統構建了統一的音頻描述數據庫，每條記錄由音頻描述與對應文件路徑組成，字段以自定義分隔符分隔，相關接口路徑在主控代碼（main.py）中實現動態配置，具體格式及樣例可參考開源倉庫中的標準描述文件（description.txt）。

在依賴與環境配置方面，DAW與外部腳本的自動化交互通過 reapy 實現，并在全局 Python 環境中統一部署。MCP 服務與其依賴環境采用 UV工具進行隔離與管理，提升了系統運行的穩定性和可維護性。所有核心組件及參數設置均依照官方文檔標準配置，并根據實際需求（如網絡端口開放及腳本運行權限）進行相應優化。

此外，為滿足系統的多端聯動與智能控制需求，開發環境中需安裝VS Code。在 VS Code 設置中需完成 MCP 服務的參數配置，同時啟動 Copilot 并切換至 Agent 模式，從而實現大語言模型對 MCP 服務的加載。REAPER 安裝完成后，應在 ReaScript 選項中正確配置所用 Python 運行環境，確保腳本正常識別。在Control/OSC/web選項中需配置 Web 服務并開啟 2307 端口，以保障 reapy 的遠程通信。在 Action 列表中，通過“Load Action”導入并執行 reapy 庫的 activate_reapy_server.py 腳本，正式啟用 reapy 服務，確保 REAPER 可被外部 HTTP 指令遠程控制。

最后，需要強調的是，系統正式運行前，須保證 REAPER 已處于開啟狀態，且已創建并保存項目文件，以保證各項自動化功能的正常調用與測試數據的正確處理。

3.3.2 軟件應用測試

本文以“夏日雨后的校園”場景作為測試內容，該場景總時長為30秒，分為三個時間節點：0~8秒描述雨剛停時的校園靜謐，主要包括雨聲、雷聲以及很輕的風聲；8~18秒描述雨后生機，青春氣息復蘇，主要包括蟲聲與學生的喧鬧聲；18~30秒描述陽光普照校園的場景，主要包括學生的嬉鬧聲，周邊的車輛聲等。

表1展示了使用本系統進行多輪對話后，尋找到的音頻素材。通過表格可以看出，整個夏日雨后校園的三段場景在音效設計上各具特色，既展現了雨后寧靜、環境復蘇到校園日常的漸變，音效素材的選擇也精準貼合每段氛圍，同時部分音效合理復用，增強了場景連貫性和整體感。表格以清晰的結構匯總了每段時長、所用音效及其用途，便于在后期音頻制作時有針對性地選用和剪輯，是場景音頻創作的實用參考。

表1　場景使用的音頻素材檢索結果

圖5展示導入后的REAPER工程。從圖中可以看到，音軌名稱由MCP服務根據場景內容自動創建，并且音頻已經成功導入到了準確的時間點。但同時也會發現，由于DAW底層接口限制，每次導入的都是完整音頻，與實際需求略有出入，還需人工調試后續操作。

圖5　MCP服務自動完成工作后的REAPER項目

表2展示了本測試中使用的提示詞（Prompt）樣例。這些提示詞樣例主要用于音頻編輯軟件的自動化操作或智能助手交互，涵蓋了音頻素材管理、音軌操作和項目信息獲取等常見功能。用戶可通過這些提示詞樣例快速檢索、管理和操作音頻文件或音軌，提高在音頻編輯工作流中的效率與便捷性。表中的提示詞樣例規范、用途明確，適用于自動化測試、批量處理、智能音頻編輯等場景，也為開發基于自然語言的音頻編輯輔助工具提供了思路和基礎。

表2　測試中使用的提示詞樣例

4結語

本文圍繞MCP驅動的影視與游戲音頻制作流程智能化展開了系統性研究與實踐，實現了基于大語言模型與MCP驅動的集音頻素材檢索與自然語言交互于一體的DAW自動化平臺。系統通過深度融合音頻檢索、自然語言理解和自動化操作等關鍵技術，顯著提升了DAW在內容管理、智能檢索及創意輸出方面的擴展性與交互體驗。依托大語言模型卓越的語義解析與任務驅動能力，系統有效降低了傳統DAW的操作門檻，使用戶能夠專注于創作本身，進一步釋放藝術生產力。本文的創新點在于，MCP的提出為自然語言理解與處理能力對接各類開放接口提供了統一的解決方案，為后續跨平臺、跨應用的智能協同奠定了堅實基礎。這種標準化、開放化的設計理念，與人機交互設計領域“以人為本”的核心思想高度一致。期望未來各類軟硬件廠商能秉持協同發展、優勢互補的共贏目標，持續開放底層接口、豐富協議標準，加速智能化音頻制作行業的健康發展。此外，本文所提出的系統架構與開發范式，有望為DAW及相關領域未來的人機交互設計和技術創新，帶來有益的啟示與借鑒。實際應用表明，該平臺在提升音頻檢索流程的便捷性、素材管理的高效性以及自動化音頻導入和軌道管控等功能實現方面均表現出較強的適應性和可擴展性，為影視聲音設計、游戲音頻制作等多場景運營提供了有力的技術支撐。

盡管如此，目前系統在實際應用過程中仍面臨一些挑戰。受限于專業DAW底層接口的封閉性及局限性，復雜音頻處理和高級效果鏈管理等任務仍需依賴人工輔助。與此同時，當前主流的大語言模型對MCP的深度支持有限，短期內難以滿足自定義提示詞及復雜智能對話驅動操作的需求，限制了系統進一步智能化的能力。部分音頻輸出選項如自定義采樣率導出等功能，同樣受到現有接口開放度的影響，尚未完全實現自動化處理。

展望未來，系統將著重完善標簽體系與素材庫建設，深度整合本地、專業數據庫以及云端、網絡等多資源渠道，通過標準化接口實現多數據源音頻素材的高效集成，最大程度豐富用戶可調用的資源類型。同時，將持續拓展對主流平臺和硬件設備的支持能力，利用MIDI、OSC等多種協議，實現跨平臺、跨設備的智能化聯動，為音頻制作全流程帶來更大的創新空間。進而實現從素材管理、智能標記、自動化編輯到實時渲染的全鏈路數字化與智能化升級，推動行業邁向更高水平的協作與創新。

參考文獻

（向下滑動閱讀）

[1] 張偉.數字音頻工作站在聲音制作中的應用[J].咸寧學院學報, 2012, 32(6):3.DOI:10.3969/j.issn.1006-5342.2012.06.097.

[2] 陳偉,齊繼云,杜寶森,等.數字音頻工作站播出系統[C]//2001年度廣播電視技術論文集, 2025.DOI:ConferenceArticle/5aa67a71c095d72220edb8fc.

[3] 高世佳.聲音設計在數字音頻工作站中的操作技巧[J].電聲技術, 2022 46(1):4.

[4] 國務院.國務院關于印發新一代人工智能發展規劃的通知:國發〔2017〕35號[EB/OL].(2017?07?20)[2025?06?20].https://www.gov.cn/zhengce/zhengceku/2017-07/20/content_5211996.htm.

[5] 產業司.關于加快推動制造服務業高質量發展的意見:發改產業〔2021〕372號[EB/OL].(2021?03?23)[2025?06?20].https://www.ndrc.gov.cn/xxgk/zcfb/tz/202103/t20210323_1270129.html.

[6] 國務院.數字中國建設整體布局規劃[EB/OL].(2023?02?27)[2025?06?20].https://www.gov.cn/zhengce/2023-02/27/content_5743484.htm.

[7] 王曉璇.未來音樂新風向:人工智能賦能音樂發展——世界音樂人工智能大會述評[J].人民音樂, 2022(1):84?87.

[8] TURCHET L, FISCHIONE C, ESSL G, et al. Internet of Musical Things: Vision and Challenges[J].IEEE Access, 2018, 6:61994?62017.DOI:10.1109/ACCESS.2018.2872625.

[9] WU J, LI W, NOVACK Z, et al. CoLLAP: Contrastive long?form language?audio pretraining with musical temporal structure augmentation[C]//In ICASSP 2025?2025 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP),2025:1?5.

[10] MATUSZEWSKI B, ROTTIER O. The Web Audio API as a standardized interface beyond Web browsers[J]. Journal of the Audio Engineering Society, 2023, 71(11): 790?801.

[11] VUCIC V, CENTER L. Free Software Audio Applications for Audio Playback, Recording, Editing, Production and Radio Broadcast Management and Automation[J]. Linux Center Serbia and Montenegro, 2014.

[12] 姚周伶.基于音樂獨奏曲目中AI音頻檢索準確性的研究——以古箏專業曲目為例[D].上海：上海音樂學院, 2022.

[13] 趙德芳.基于人工智能的音視頻內容檢索系統設計[J].電聲技術, 2023, 47(5):98?101.

[14] 程通.基于成熟AI服務的音視頻檢索系統設計[J].無線互聯科技, 2024, 21(3):41?44.DOI:10.3969/j.issn.1672-6944.2024.03.012.

[15] 鐘寶榮,吳春輝,杜紅.音頻檢索方法的研究[J].長江大學學報（自科版）, 2008, 5(2):3.DOI:10.3969/j.issn.1673-1409-C.2008.02.029.

[16] 宋博,須德.音頻信息檢索的研究及實現[J].計算機應用, 2003, 23(12):3.DOI:CNKI:SUN:JSJY.0.2003-12-017.

[17] 唐峰,劉玉貴.廣播電臺音頻檢索技術研究[J].計算機應用, 2007, 27(B06):3.DOI:JournalArticle/5aead506c095d70944f527c9.

[18] 朱愛紅,李連.基于內容的音頻檢索綜述[J].微機發展, 2003, 13(12):4.DOI:10.3969/j.issn.1673-629X.2003.12.020.

[19] 孟憲巍,徐蔚然,潘興德,等.基于內容的音樂信息檢索技術綜述[C]//2008年聲頻工程學術交流年會論文集,2008.DOI:ConferenceArticle/5aa06f40c095d7222072f302.

[20] GROSCHE P, MEINARD M, JOAN S.Audio Content?Based Music Retrieval[J].multimodal music processing, 2012.

[21] CASEY M A, VELTKAMP R, GOTO M, et al.Content?Based Music Information Retrieval: Current Directions and Future Challenges[J].Proceedings of the IEEE, 2008, 96(4):668?696.DOI:10.1109/JPROC.2008.916370.

[22] JOAN S J, SERRA X, CASALS. Identification of Versions of the Same Musical Composition by Processing Audio Descriptions[J].universitat pompeu fabra, 2011.

[23] MITROVIC D, ZEPPELZAUER M, BREITENEDER C. Features for Content?Based Audio Retrieval[J].Advances in Computers, 2010, 78(3).DOI:10.1016/S0065-2458(10)78003-7.

[24] 張曉龍,于鵬亮.技術影響創意:數字音頻工作站的可供性分析[J].科技傳播, 2022, 14(24):123?126.DOI:10.3969/j.issn.1674-6708.2022.24.037.

[25] 唐峰,劉玉貴,李慶偉.音頻工作站系統的設計與實現[J].計算機系統應用, 2006(3):4.DOI:10.3969/j.issn.1003-3254.2006.03.002.

[26] 閆嘯彤,唐曉彬,沈童,等.大語言模型發展綜述[J].統計學報, 2024, 5(4):13?18.

[27] WANG J, JIANG H, LIU Y, et al. A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks[EB/OL].（2024?08?02）[2025?06?17].http://arxiv.org/abs/2408.01319.

[28] HOU X, ZHAO Y, WANG S, et al. Model Context Protocol (mcp): Landscape, Security Threats, and Future Research Directions[EB/OL].（2025?03?30）[2025?06?17]. http://arxiv.org/abs/2503.23278.

[29] MCP.MCP中文文檔[EB/OL].[2025?06?17].https://mcp-docs.cn/introduction.

[30] REAPER.ReaScript說明文檔[EB/OL].[2025?06?17].https://www.reaper.fm/sdk/reascript/reascript.php.

[31] Roméo Després.reapy說明文檔[EB/OL].[2025?06?17].https://python-reapy.readthedocs.io/en/latest/index.html.

【項目信息】北京市高等教育學會2024年專項攻關課題“人工智能在《交互系統設計》課程中的應用研究”（ZX202425）。