[爆卦]起飛吉他譜是什麼?優點缺點精華區懶人包

雖然這篇起飛吉他譜鄉民發文沒有被收入到精華區:在起飛吉他譜這個話題中,我們另外找到其它相關的精選爆讚文章

在 起飛吉他譜產品中有10篇Facebook貼文,粉絲數超過7,240的網紅緒語の雜食性影劇觀後感,也在其Facebook貼文中提到, 「又到了白色相簿的季節。」 ⠀⠀⠀⠀ 說到聖誕節,第一個瞬間就想起了這句名台詞,同時也想起了《白色相簿2》這個痛心卻意猶未盡的故事。 ⠀⠀⠀⠀ 這是一個隨處可見的三角戀,但內容的刻畫,角色各自的碰撞,人心道路上的抉擇,時間的流逝帶來的無力感,全部都被編劇丸戶老賊(丸戶史明)推上了最高峰。 ⠀⠀⠀...

 同時也有1部Youtube影片,追蹤數超過2,440的網紅吳林峰 Official Channel,也在其Youtube影片中提到,吳林峰 2019 首支原創廣東話單曲《你是萊特》 四年前的暑假,背著笨重的吉他,彈著幾個和弦,在沙田的街頭上吳林峰寫下了的第一首歌。他不知道一首紀錄著低谷的歌,會在往後成為了自己生命中最大的力量,造就了周邊朋友對自己最大的認可;更因為這首歌,認識了更多的人,給予肯定,讓吳林峰堅定地走上了音樂的路,...

  • 起飛吉他譜 在 緒語の雜食性影劇觀後感 Facebook 的最佳解答

    2020-12-25 20:57:17
    有 11 人按讚

    「又到了白色相簿的季節。」
    ⠀⠀⠀⠀
    說到聖誕節,第一個瞬間就想起了這句名台詞,同時也想起了《白色相簿2》這個痛心卻意猶未盡的故事。
    ⠀⠀⠀⠀
    這是一個隨處可見的三角戀,但內容的刻畫,角色各自的碰撞,人心道路上的抉擇,時間的流逝帶來的無力感,全部都被編劇丸戶老賊(丸戶史明)推上了最高峰。
    ⠀⠀⠀⠀
    聖誕節,一個大家團圓相聚的日子,曾經走在不同路上,以為永遠不會相交的三人,碰在了一起。北原春希、冬馬和紗、小木曾雪菜,三個性格相異的人們成為了最好的朋友,也開始了一段令人痛徹心扉的青春譜曲。
    ⠀⠀⠀⠀
    兩人→三人→一人→兩人,彷彿永遠不會停歇的數字變化圍繞在整個故事中,或許早已立下了flag。在大雪紛飛的露天溫泉,三人泡著溫泉的當下,雪菜抬頭仰望被白雪填滿的天空,說道:「一定要再來啊,我們三人一起。」
    ⠀⠀⠀⠀
    這時候她的心底大概已經知道這是最後一次了。
    ⠀⠀⠀⠀
    北原春希、冬馬和紗、小木曾雪菜,三人其實都是很好的人,但是在一次又一次選擇中,有些人逐漸靠近,有些人卻逐漸遠離,想要抓住那一絲平衡,卻又事與願違的失控。
    ⠀⠀⠀⠀
    「為什麼會這樣呢?」不管是在遊戲還是動畫,都可以聽到雪菜說這句話。當在理解整個故事之後,也不免輕嘆:「是啊,到底為什麼會這樣呢?」
    ⠀⠀⠀⠀
    這是一個無解的難題,我們總會在選擇之後,後悔每次的選擇,不斷的在心底盤問:「如果當時怎樣是不是就不會這樣了。」但到頭來,早已事過境遷,無法回頭,徒留的只是無止境的悔恨。
    ⠀⠀⠀⠀
    這是一個足以改變你人生觀的故事,不管是短短的13集動畫也好,還是劇情多達幾百萬字的原作遊戲也好,它帶你經歷過了一段段無力的選擇,讓你不斷的自問,如同《届かない恋》的歌詞一樣:
    ⠀⠀⠀⠀
    「就算這是場傳達不到的愛戀,可有能夠映出的一天」
    ⠀⠀⠀⠀
    時間的洪流把我們向前推進,就像那三人永遠不可能留在表演前的那般美好,就像那飛機終究還是會起飛,就像命中注定般的鋼琴、吉他、歌聲的相遇。
    ⠀⠀⠀⠀
    當這場傳遞不到的戀愛映出的一天,同時也是美好夢境破碎的開始。
    ⠀⠀⠀⠀
    ⠀⠀⠀⠀
    「每一個人的生活都是用時間這部機器來記錄的電影,它最精彩的地方就是你不知道下一場戲的對白和場景。
    ⠀⠀⠀⠀
    往往我們因為所謂的夢想暫時忽略了生命中一些最為寶貴的東西時,當他們真的離開你的那一刻,一種刻骨銘心的刺痛會告訴你,在時間這部機器拍攝的劇情裡,面對親情,愛情,友情時,最無力彌補的一場戲叫做後知後覺。」

  • 起飛吉他譜 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文

    2020-03-15 13:06:41
    有 2 人按讚

    AI 將可快速分離人聲、各式樂器等音源,Facebook 開源 Demucs 計畫

    作者 雷鋒網 | 發布日期 2020 年 03 月 11 日 10:59 |

    音樂源分離,是利用技術將一首歌曲分解成它的組成成分,如人聲、低音和鼓,這和人類大腦的工作很類似,大腦可以將一個單獨的對話,從周圍的噪音和一屋子的人聊天中分離出來。

    如果你擁有原始的錄音室多軌錄音,這很容易實現,你只需調整混音來分離一個音軌,但是,如果你從一個普通 MP3 檔案開始,所有的樂器和聲音都被混合到一個立體聲錄音中,即使是最複雜的軟體程式也很難精確地挑出一個部分。

    Facebook AI 的研究人員已經開發了一個系統,可以做到這一點──精確度高得驚人。

    創建者名叫亞歷山大‧笛福茲(Alexandre Defossez),是 Facebook 人工智慧巴黎實驗室的科學家。笛福茲的系統被稱為 Demucs,這個名字來源於「音樂資源深度提取器」,其工作原理是檢測聲波中的複雜模式,對每種樂器或聲音的波形模式建立一個高層次的理解,然後利用人工智慧將它們巧妙地分離。

    笛福茲說,像 Demucs 這樣的技術,不僅能幫助音樂家學習複雜的吉他即興重複段落,總有一天,它還能讓人工智慧助理在嘈雜的房間裡更容易聽到語音指令。笛福茲說,他的目標是讓人工智慧系統擅長辨識音頻源的組成部分,就像它們現在可以在一張照片中準確地區分不同的物體一樣。「我們在音頻方面還沒有達到同樣的水平。」他說。

    分解聲波的更好方法

    聲源分離長期以來一直吸引著科學家。1953 年,英國認知科學家科林‧切爾瑞(Colin Cherry)創造了「雞尾酒會效應」這個詞語,用來描述人類在擁擠嘈雜的房間裡專注於一次談話的能力。

    工程師們首先試圖透過調整立體聲錄音中的左右聲道,或調整均衡器設置來提高或降低某些頻率,進而隔離歌曲的人聲或吉他聲。

    基於聲譜圖的人工智慧系統,在分離出以單一頻率響起或共振的樂器的音符方面相對有效,例如鋼琴或小提琴旋律。

    這些旋律在聲譜圖上顯示為清晰、連續的水平線,但是隔離那些產生殘餘噪音的撞擊聲,比如鼓、低音拍擊,是一項非常艱鉅的任務。鼓點感覺像一個單一的、即時的整體事件,但它實際上包含了不同的部分。對於鼓來說,它包括覆蓋較高頻率範圍的初始撞擊,隨後是在較低頻率範圍內的無音高衰減。笛福茲說,一般的小鼓「就頻率而言,到處都是」。

    聲譜圖只能將聲波表現為時間和頻率的組合,無法捕捉到這樣的細微差別。因此,他們將鼓點或拍子低音處理成幾條不連續的垂直線,而不是一個整齊、無縫的聲音。這就是為什麼透過聲譜圖分離出來的鼓和低音軌道,聽起來常常是模糊不清的。

    夠聰明的系統來重建缺失

    基於人工智慧的波形模型避免了這些問題,因為它們不試圖將一首歌放到時間和頻率的僵化結構中。笛福茲解釋,波形模型的工作方式與電腦視覺相似,電腦視覺是人工智慧的研究領域,旨在讓電腦學會從數位圖像中辨識模式,進而獲得對視覺世界的高級理解。

    電腦視覺使用神經網路來檢測基本模式──類似於在圖像中發現角落和邊緣──然後推斷更高級或更複雜的模式。「波形模型的工作方式非常相似」,笛福茲說。他解釋了波形模型如何需要幾秒鐘來適應歌曲中的突出頻率──人聲、低音、鼓或吉他──並為每一個元素生成單獨的波形。然後,它開始推斷更高比例的結構,以增加細微差別,並精細雕刻每個波形。

    笛福茲說,他的系統也可以比做探測和記錄地震的地震儀。地震時,地動儀的底座會移動,但懸掛在上面的重物不會移動,這使得附著在重物上的筆可以畫出記錄地面運動的波形。人工智慧模型可以探測到同時發生的幾個不同地震,然後推斷出每個地震的震級和強度的細節。同樣,笛福茲的系統分析並分離出一首歌曲的本來面目,而不是根據預先設定的聲譜圖結構來分割它。

    笛福茲解釋,構建這個系統需要克服一系列複雜的技術挑戰。他首先使用了 Wave-U-Net 的底層架構,這是一個為音樂源分離開發的早期人工智慧波形模型。然後他還有很多工作要做,因為聲譜圖模型的表現優於 Wave-U-Net。他透過添加線性單元來微調波形網路中分析模式的演算法參數。笛福茲還增加了長短期記憶,這種結構允許網路處理整個數據序列,如一段音樂或一段視頻,而不僅是一個數據點,如圖像。笛福茲還提高了 Wave-U-Net 的速度和記憶體使用率。

    這些修改幫助 Demucs 在一些重要方面勝過 Wave-U-Net,比如它如何處理一種聲音壓倒另一種聲音的問題。「你可以想像一架飛機起飛,引擎噪音會淹沒一個人的聲音」,笛福茲說。

    以前的波形模型,透過簡單地移除原始音頻源文件的一部分來處理這個問題,但是它們不能重建丟失材料的重要部分。笛福茲增強了 Demucs 解碼器的能力,「Demucs 可以重新創建它認為存在但卻迷失在混音中的音頻​​」,這意味著他的模型可以重新合成可能被響亮的鐃鈸聲影響而遺失的柔和鋼琴音符,因為它理解應該呈現什麼樣的聲音。

    這種重構和分離的能力使 Demucs 比其他波形模型有優勢。笛福茲說,Demucs 已經與最好的波形技術相匹配,並且「遠遠超出」最先進的聲譜技術。

    在盲聽測試中,38 名參與者從 50 首測試曲目中隨機抽取 8 秒鐘進行聽音,這 50 首曲目由 3 個模型分開:Demucs、領先波形、頻譜圖技術。聽眾認為 Demucs 在品質和無偽影(如背景噪音或失真)方面表現最佳。

    Demucs 已經引起了人工智慧愛好者的興趣,精通技術的讀者可以從 GitHub 下載 Demucs 的代碼,代碼用 MusDB 數據集來分離音樂源。

    笛福茲解釋,隨著 Demucs 的發展,它將為人們在家中創作音樂的數位音頻工作站帶來聲音的真實性。這些工作站提供了能夠喚起特定時代或風格的合成儀器,通常需要對原始硬體進行大量的數位化改造。

    想像一下,如果音樂源分離技術能夠完美地捕捉 20 世紀 50 年代搖滾歌曲中用電子管放大器演奏的老式空心電吉他的聲音,Demucs 讓音樂愛好者和音樂家離這個能力更近了一步。

    資料來源:https://technews.tw/2020/03/11/using-ai-for-music-source-separation/?fbclid=IwAR1C-0LhFNEkIFUg9QS3xRQK8VKeqKIkPEx9kh7QdGamcsCfUViwyeXyqXg

  • 起飛吉他譜 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文

    2020-03-15 06:30:00
    有 2 人按讚


    AI 將可快速分離人聲、各式樂器等音源,Facebook 開源 Demucs 計畫

    作者 雷鋒網 | 發布日期 2020 年 03 月 11 日 10:59 |

    音樂源分離,是利用技術將一首歌曲分解成它的組成成分,如人聲、低音和鼓,這和人類大腦的工作很類似,大腦可以將一個單獨的對話,從周圍的噪音和一屋子的人聊天中分離出來。

    如果你擁有原始的錄音室多軌錄音,這很容易實現,你只需調整混音來分離一個音軌,但是,如果你從一個普通 MP3 檔案開始,所有的樂器和聲音都被混合到一個立體聲錄音中,即使是最複雜的軟體程式也很難精確地挑出一個部分。

    Facebook AI 的研究人員已經開發了一個系統,可以做到這一點──精確度高得驚人。

    創建者名叫亞歷山大‧笛福茲(Alexandre Defossez),是 Facebook 人工智慧巴黎實驗室的科學家。笛福茲的系統被稱為 Demucs,這個名字來源於「音樂資源深度提取器」,其工作原理是檢測聲波中的複雜模式,對每種樂器或聲音的波形模式建立一個高層次的理解,然後利用人工智慧將它們巧妙地分離。

    笛福茲說,像 Demucs 這樣的技術,不僅能幫助音樂家學習複雜的吉他即興重複段落,總有一天,它還能讓人工智慧助理在嘈雜的房間裡更容易聽到語音指令。笛福茲說,他的目標是讓人工智慧系統擅長辨識音頻源的組成部分,就像它們現在可以在一張照片中準確地區分不同的物體一樣。「我們在音頻方面還沒有達到同樣的水平。」他說。

    分解聲波的更好方法

    聲源分離長期以來一直吸引著科學家。1953 年,英國認知科學家科林‧切爾瑞(Colin Cherry)創造了「雞尾酒會效應」這個詞語,用來描述人類在擁擠嘈雜的房間裡專注於一次談話的能力。

    工程師們首先試圖透過調整立體聲錄音中的左右聲道,或調整均衡器設置來提高或降低某些頻率,進而隔離歌曲的人聲或吉他聲。

    基於聲譜圖的人工智慧系統,在分離出以單一頻率響起或共振的樂器的音符方面相對有效,例如鋼琴或小提琴旋律。

    這些旋律在聲譜圖上顯示為清晰、連續的水平線,但是隔離那些產生殘餘噪音的撞擊聲,比如鼓、低音拍擊,是一項非常艱鉅的任務。鼓點感覺像一個單一的、即時的整體事件,但它實際上包含了不同的部分。對於鼓來說,它包括覆蓋較高頻率範圍的初始撞擊,隨後是在較低頻率範圍內的無音高衰減。笛福茲說,一般的小鼓「就頻率而言,到處都是」。

    聲譜圖只能將聲波表現為時間和頻率的組合,無法捕捉到這樣的細微差別。因此,他們將鼓點或拍子低音處理成幾條不連續的垂直線,而不是一個整齊、無縫的聲音。這就是為什麼透過聲譜圖分離出來的鼓和低音軌道,聽起來常常是模糊不清的。

    夠聰明的系統來重建缺失

    基於人工智慧的波形模型避免了這些問題,因為它們不試圖將一首歌放到時間和頻率的僵化結構中。笛福茲解釋,波形模型的工作方式與電腦視覺相似,電腦視覺是人工智慧的研究領域,旨在讓電腦學會從數位圖像中辨識模式,進而獲得對視覺世界的高級理解。

    電腦視覺使用神經網路來檢測基本模式──類似於在圖像中發現角落和邊緣──然後推斷更高級或更複雜的模式。「波形模型的工作方式非常相似」,笛福茲說。他解釋了波形模型如何需要幾秒鐘來適應歌曲中的突出頻率──人聲、低音、鼓或吉他──並為每一個元素生成單獨的波形。然後,它開始推斷更高比例的結構,以增加細微差別,並精細雕刻每個波形。

    笛福茲說,他的系統也可以比做探測和記錄地震的地震儀。地震時,地動儀的底座會移動,但懸掛在上面的重物不會移動,這使得附著在重物上的筆可以畫出記錄地面運動的波形。人工智慧模型可以探測到同時發生的幾個不同地震,然後推斷出每個地震的震級和強度的細節。同樣,笛福茲的系統分析並分離出一首歌曲的本來面目,而不是根據預先設定的聲譜圖結構來分割它。

    笛福茲解釋,構建這個系統需要克服一系列複雜的技術挑戰。他首先使用了 Wave-U-Net 的底層架構,這是一個為音樂源分離開發的早期人工智慧波形模型。然後他還有很多工作要做,因為聲譜圖模型的表現優於 Wave-U-Net。他透過添加線性單元來微調波形網路中分析模式的演算法參數。笛福茲還增加了長短期記憶,這種結構允許網路處理整個數據序列,如一段音樂或一段視頻,而不僅是一個數據點,如圖像。笛福茲還提高了 Wave-U-Net 的速度和記憶體使用率。

    這些修改幫助 Demucs 在一些重要方面勝過 Wave-U-Net,比如它如何處理一種聲音壓倒另一種聲音的問題。「你可以想像一架飛機起飛,引擎噪音會淹沒一個人的聲音」,笛福茲說。

    以前的波形模型,透過簡單地移除原始音頻源文件的一部分來處理這個問題,但是它們不能重建丟失材料的重要部分。笛福茲增強了 Demucs 解碼器的能力,「Demucs 可以重新創建它認為存在但卻迷失在混音中的音頻​​」,這意味著他的模型可以重新合成可能被響亮的鐃鈸聲影響而遺失的柔和鋼琴音符,因為它理解應該呈現什麼樣的聲音。

    這種重構和分離的能力使 Demucs 比其他波形模型有優勢。笛福茲說,Demucs 已經與最好的波形技術相匹配,並且「遠遠超出」最先進的聲譜技術。

    在盲聽測試中,38 名參與者從 50 首測試曲目中隨機抽取 8 秒鐘進行聽音,這 50 首曲目由 3 個模型分開:Demucs、領先波形、頻譜圖技術。聽眾認為 Demucs 在品質和無偽影(如背景噪音或失真)方面表現最佳。

    Demucs 已經引起了人工智慧愛好者的興趣,精通技術的讀者可以從 GitHub 下載 Demucs 的代碼,代碼用 MusDB 數據集來分離音樂源。

    笛福茲解釋,隨著 Demucs 的發展,它將為人們在家中創作音樂的數位音頻工作站帶來聲音的真實性。這些工作站提供了能夠喚起特定時代或風格的合成儀器,通常需要對原始硬體進行大量的數位化改造。

    想像一下,如果音樂源分離技術能夠完美地捕捉 20 世紀 50 年代搖滾歌曲中用電子管放大器演奏的老式空心電吉他的聲音,Demucs 讓音樂愛好者和音樂家離這個能力更近了一步。

    資料來源:https://technews.tw/…/using-ai-for-music-source-separation/…

  • 起飛吉他譜 在 吳林峰 Official Channel Youtube 的精選貼文

    2019-02-18 01:41:50

    吳林峰 2019 首支原創廣東話單曲《你是萊特》

    四年前的暑假,背著笨重的吉他,彈著幾個和弦,在沙田的街頭上吳林峰寫下了的第一首歌。他不知道一首紀錄著低谷的歌,會在往後成為了自己生命中最大的力量,造就了周邊朋友對自己最大的認可;更因為這首歌,認識了更多的人,給予肯定,讓吳林峰堅定地走上了音樂的路,同時明白自己生命中的使命,要成為自己的萊特。

    製作歷經四年,當中不斷的作出微調與改變,四年後終於製成單曲。過往與製作班底不斷向前,到現在將《萊特》轉化為點點心思,希望鼓勵大家成為自己的萊特,如飛馬般,從失敗裡頭躍起。

    生活與現實中總蘊含著失敗。在跌倒又站起來的過程中,我們會慢慢發現最好的總在相信自己時遇見。在煩囂中,每個人都是自己最大的力量,憑著自己,總能走出失敗。世界上不只一位萊特,你,也能成為自己的萊特。

    四年來,吳林峰一直實踐著,堅守著這個給自己的承諾。因為這首歌是他堅持下去的憑據。✈️

    ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆

    《你是萊特》
    曲:吳林峰
    詞:T-rexx
    編:Perry Lau / 吳林峰
    監:Perry Lau

    長空上信鴿過彼岸
    雲端下你我也響往 伴鳥傲翔

    除放任想像 還拍翼展翅
    跌不死再試多次
    你卻笑我瘋子 未賣命領工資
    你信你能飛嗎

    就拿出心跳作賭注
    人哪可倒退活多次
    願你憑我腳印衝破雲緞
    看大城漸細小

    這市鎮極無情
    幾多本領注定
    奚落下消聲
    要放棄理想嗎
    要化作口釘嗎
    你聽過萊特嗎

    往 後看 若干 足印
    無助過 難受過 仍舊不阻 它誕生

    就拿出心跳作賭注
    讓世間相信 我可以
    願你憑我腳印 衝破雲緞
    看大城漸細小

    做我的觀眾 望一次
    為世間譜上 夢的詩
    願你憑那腳印 起飛往雲上
    像繁星照亮城市

    飛舞吧全力飛吧
    如若跌下仍躍起吧
    卻似飛馬

    ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆

    【 音樂製作 Music Production】
    結他Acoustic Guitar:吳林峰
    電結他編寫Electric Guitars Arrangement:Perry Lau, 吳林峰, Teddy Fan, Loka
    電結他Electric Guitars:吳林峰, Teddy Fan
    電結他獨奏編寫Electric Guitars Solos Arrangement:Teddy Fan, Loka
    電結他獨奏Electric Guitars Solo:Teddy Fan
    貝斯Bass:Terence Liu
    鼓Drums:Arpo Lo
    鋼琴Keyboard and programming:Perry Lau

    和聲編寫Chorus Arrangement:Perry Lau
    和聲Chorus:Yeung Chung Hei, Heidi Lam, 吳林峰, Perry Lau
    童聲Treble Voice:Markus Lau
    配唱監製Vocal Producer:Perry Lau, Jay Lee

    錄音師Recording Engineer:Mountain Hui, Aggie Ching
    錄音室Recording Studio:天堂錄音室Heaven Recording Studio
    混音師Mixing Engineer:Edward Chiu
    混音室Mixing Studio:117a Studio
    母帶後期處理工程師Mastering Engineer:Mountain Hui
    母帶後期處理錄音室Mastering Studio:天堂錄音室Heaven Recording Studio

    OP:JLMusic, Toxic Jungle Productions admin by Sony/ATV Music Publishing HK

    ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆

    【 單曲封面 Cover Art 】
    Art Direction & Photographer : Elaine Lam
    Stylist:黃梓柿 Geoff wong & momo
    Photo Makeup:Joyce Wong
    Photo Assistant:Wing-ki
    Talents:Cow bb

    ⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆⋆

    【 線上收聽 Streaming 】
    ▶ iTunes
    https://goo.gl/MV3ihq
    ▶ Apple Music
    https://goo.gl/DKL4bQ
    ▶ Spotify
    https://goo.gl/aHG8eu
    ▶ KKBOX
    https://goo.gl/vN1hMz
    ▶ MOOV
    https://goo.gl/uMYJ68
    ▶ JOOX
    https://goo.gl/4pwixh
    ▶ Tidal
    https://goo.gl/Q9xe1t
    ▶ QQ Music
    https://goo.gl/GmNiqY
    ▶ YouTube
    https://goo.gl/58Kdp2

    FOLLOW 吳林峰
    ▶ Facebook: https://www.facebook.com/nglinfung/
    ▶ IG: https://www.instagram.com/ntl.fung/

    FOLLOW JLMusic
    ▶ Facebook: https://www.facebook.com/JLMusic.hk/
    ▶ IG: https://www.instagram.com/jlmusichk/

    FOLLOW Toxic Jungle Productions
    ▶ Facebook: https://www.facebook.com/toxicjungleproductions/
    ▶ IG: https://www.instagram.com/toxicjungleproductions/


    #吳林峰 #你是萊特 #JLMusic #ToxicJungleProductions

你可能也想看看

搜尋相關網站