“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
Riffusion：用微调Stable Diffusion生成音乐的艺术与工程
将Stable Diffusion微调用于音频频谱图生成，实现以文生乐的全新范式，并演进为完整的AI音乐创作平台。
从图像扩散到音频生成：Riffusion的核心理念
Riffusion最初并非一个传统意义上的音乐生成模型，而是一个巧妙的跨模态迁移实验。其核心洞察在于：音乐可以表示为频谱图（spectrogram）——一种将时间、频率和振幅映射为图像的二维可视化形式。如果Stable Diffusion能够生成逼真的自然图像，那么当它被微调（fine-tuned）到专门生成音乐频谱图的任务时，理论上也能创作出结构合理、音色丰富的音频片段。
这一思路的关键在于绕过音频波形直接生成，转而借用图像生成领域极其成熟的扩散模型架构。训练数据是成对的文本描述与对应音频的频谱图，模型学习到的不是音符序列或MIDI事件，而是频谱能量分布的视觉规律。这种方法的天然优势是继承了Stable Diffusion强大的语义理解与纹理合成能力——它能将诸如"悲伤的爵士钢琴"或"赛博朋克风电子乐"这样的文本提示，转换为视觉上对应风格化频谱特征，再通过逆变换（如Griffin-Lim算法或声码器）还原为可听音频。
技术细节：频谱图作为中间表示
- 输入表示：音频片段被切分为短时窗（如5秒），经过STFT（短时傅里叶变换）得到对数幅度谱图，再以图像格式（通常为512×512）输入模型。
- 扩散过程：训练时，模型学习从纯噪声逐步去噪至目标频谱图；推理时，给定文本嵌入（text embedding），随机噪声经过迭代去噪生成频谱图。
- 微调策略：并非从零训练，而是加载预训练Stable Diffusion的权重（基于LAION-5B），仅用数千到数万条音乐频谱-文本配对数据继续训练。这使得模型保留通用图像先验，同时适应频谱图的特殊分布（如高频稀疏性、谐波结构规律）。
- 时间连续性：原始版本以固定长度片段生成，但为了使音乐连贯，采用滑动窗口重叠拼接——相邻片段的频谱图边缘重叠，并采用交叉淡化（cross-fade）平滑过渡，避免拼接突兀。
当前版本：从实验到完整的AI音乐工作室
随着产品迭代，Riffusion已不再是一个简单的Spectrogram Diffusion演示，而是进化为一个名为Flow Music的完整平台（链接已跳转至riffusion.com/about，但内容已被更新为Flow Music介绍）。当前版本整合了多项核心功能，构建了端到端的AI音乐创作生态：
1. 个性化声音匹配与协同创作
- "Bring your taste"：用户上传参考音频或描述风格偏好，系统学习其音色特征（如音高分布、节奏型、乐器质感），在此基础上生成新曲目。
- 会话式创作：内置AI协作者（Co-producer），用户可以用自然语言讨论音乐想法，AI会调整生成参数——例如"把副歌部分鼓点加重"或"让尾奏更空灵"，这本质上是文本条件生成与局部重绘（inpainting）的结合。
- 无限下载与免费使用：基础生成免费，采用每日信用点数（daily credits）限制高级功能（如原生解析、无限制时长），但无需信用卡即可开始。
2. 音乐视频生成（Veo集成）
这一功能是Riffusion向多模态扩展的重大突破。通过接入Google最新的Veo视频生成模型，用户可以将生成的音频轨道作为驱动，用文本描述画面中的人物、美学风格与场景细节。
- 无需摄影团队：系统自动同步音频节奏与画面切换，使音乐与视频的情绪曲线匹配。
- 控制精细度：用户可以指定角色的动作、镜头运动、调色风格，甚至逐句指定画面——音频的频谱包络可引导视频事件的时间点，实现"声音编导"。
3. Vibe-coding与可编程音乐空间
对于进阶用户，Flow Music提供了类似游戏引擎的沙盒环境（flowmusic.app/space）：
- 内置音频插件：用户可以编写音频效果器（如自定义混响、滤波链）并实时应用到AI生成素材上。
- 音乐游戏与DAW集成：页面中展示了可交互的迷你键盘（Grand Piano），用户悬停即可演奏——这实际上是浏览器内合成器，可连接至AI生成的工作流程。
- 完全自定义：从参数控制到界面布局，深度开发者可以将其视为一个音频开发的Cloud IDE，用JavaScript/Python构建属于自己的音乐生成工具链。
- 示例画廊中展示多个预置工程（如"Fog Harbor"12首、"Golden Afternoon"8首），供用户混音、拆解和再创作。
4. 社交与分享功能
- 发布与播放列表：用户生成的作品可保存至个人空间，创建公共播放列表。
- 关注与发现：基于AI生成内容的社区生态，每日更新来自其他用户的创作。
- 混音与参考：支持对已发布歌曲进行官方remix（类似GitHub的fork），系统提供Stem Split功能——自动分离人声、鼓、贝斯、和声等音轨，供用户选择性替换或编辑。
数据与表现：社区热度与创作量说明问题
在页面中展示的部分热门作品数据可作为参考：
- "Feels Like Sympathy"拥有100.9k播放量，获得2.6k点赞；
- "toodles!"61.4k播放/1.4k赞；
- "getting started"30.3k/714赞；
- "Fancy You"33.5k/810赞。
这一数据暗示AI音乐已经跨越了"实验玩具"阶段，进入了能被大众耳听且喜爱的内容消费层面。
深层思考：技术融合与创作伦理
Riffusion/Flow Music的价值不在于曲式理论或乐器采样库的复杂程度，而是证明了生成式模型的领域迁移效率。它结合了图像扩散模型的成熟质量、文本嵌入的语义控制能力，以及音频信号处理的模态转换。这种"借用而非发明"的思路大大降低了音乐AI的开发门槛——相比需要图神经网络建模符号音乐或依靠自回归Transformer逐帧预测音频的WaveNet路线，频谱图+扩散属于生了一张"好听，但可能缺乏严格乐理一致性"的图。
这也带来挑战：生成音乐在旋律进行、和声功能上可能违反传统音乐理论（如平行五度、无调性失控），但社区反馈表明听众并不在意——情感表达和氛围营造往往比"理论正确"更重要。而音频水印、版权归属问题也随之而来，Flow Music的应对是鼓励用户上传原创混音素材，并提供AI检测免责声明，而非禁止AI创作。
未来可能性：为什么这种架构会流行
从工程角度看，频谱图粒度允许流式生成——不必一次性生成3分钟音频，可随时基于用户反馈做局部渐变重绘（生成性"剪辑"）。当结合用户的历史风格偏好时，系统能够终身学习（"The more you create, the more Flow Music understands your sound"），这实际上是一个不断适应个体审美的动态风格植入系统。
音乐界存在的"恐怖谷"效应（AI音乐太完美但缺乏人味儿）在Riffusion的生成设计中得到缓解：允许用户手动叠加演奏（迷你键盘）、提供随机采样温度参数、甚至引入细微的噪声注入以增加呼吸感。工具并没有取代创作者，而是将创作门槛从"懂乐器"降为"会描述感受"。
Flow Music显然在尝试构建一个集生成、编辑、分发、社交于一体的AI音乐操作系统。其浏览器内空间（vibe-coding）可能预示了未来软件形态的变化——生成模型不再只是API，而是可以运行在客户端、可交互、可实时调参的创作基底。
总结
Riffusion从Stable Diffusion微调生成频谱图的实验出发，证明了扩散模型在非图像模态（只要有对应的2D表示）中的强大迁移能力。如今它已发展为一套复杂的产品：支持风格化个人音乐生成、会话式创作、AI音乐视频合成、音频插件编程及社交分发。尽管学术上仍有谱失真和乐理约束等弱点，但社区数据和持续增长的使用量表明，这种以视觉方式处理音频的跨界思路不仅行得通，而且正在快速撬动音乐创作的工具体系。