ai 音乐生成 prompt

用 AI 生成音乐时，很多人只丢一句「来首好听的歌」，出来的东西不是跑偏就是每首都不像。问题大多不在模型，而在提示词里缺了该交代的信息。这篇给一套能直接照抄的结构：先定用途和风格锚点，再补情绪、乐器、人声与段落，最后讲清楚哪几句该写、哪几句写了反而添乱，以及结果不对时先改哪一项。

用 AI 生成音乐时，很多人只丢一句「来首好听的歌」，结果不是跑偏，就是每首都长得不像。问题大多不在模型本身，而在提示词里缺了该交代的信息：你先要什么用途、什么风格、什么情绪、谁来唱、曲子怎么走，这些没写清楚，模型只能自由发挥。

下面这套结构可以照着填，从用途和风格锚点开始，再补情绪、乐器、人声和段落，最后说清楚哪些词写了反而添乱、结果不对时先动哪一项。它的适用前提是你要拿生成结果去用；如果你只是想随便听听模型能出什么，直接丢两三个词就行，不用走完整流程。

先交代用途和风格锚点，别一上来堆形容词

第一句先写用途，因为它决定了后面所有取舍。短视频背景需要能循环、不抢人声；播客片头要短、要有记忆点、结尾能干净收住；游戏循环要首尾可无缝衔接；带人声的完整歌才需要主歌副歌的完整结构。用途不同，同样的风格词给出来的东西完全不是一回事。

风格锚点建议用「流派 + 年代感 + 参考氛围」三件套。只说「高级感」「欧美风」「很燃」，模型没有可抓的抓手；写成「九十年代合成器流行、偏冷调、像深夜电台片头那种氛围」，落到具体声音上的概率就高得多。前两项尽量用行业里通用的词，第三项用一句画面感描述补位。

• 不确定某个流派叫什么，去站内工具目录里翻一圈，把现成的风格标签当词汇表用
• 同一首歌不要同时锚定两个年代，比如又复古又未来感，除非你明确要的就是这种冲突
• 参考氛围写成一句场景，比如「雨天便利店门口」「凌晨高速」，比形容词更好落地
• 用途和风格锚点写完之后先别急着加别的，直接生成一版看方向对不对

情绪、乐器、人声：三行分别写，不要混成一句

这三块最容易被人揉成一句长句，结果模型抓不住重点。拆成三行写，每行只解决一件事，改动起来也方便定位。情绪那行要描述听感走向，而不是堆形容词：「前段克制、副歌放开、结尾收回来」这种有变化线的写法，比「很有感染力」「很治愈」有用得多。

人声部分至少交代三件事：有没有人声、男声女声还是合唱、咬字语言与唱法（念白、气声、高音、和声）。只写「女声」信息量太少，写「气声女声、中文咬字、副歌走高音」模型才知道往哪靠。段落结构直接写顺序，比如前奏—主歌—副歌—间奏—副歌—尾奏；如果要的是循环素材，就写成可无缝衔接的短段落，不要套完整歌曲结构。

这几类词写了反而添乱

有几类内容看起来很专业，实际进去只会浪费提示词位置，甚至让结果更差。最典型的是具体歌名、歌手名、乐队名：多数平台会直接拦掉或忽略，你写了等于没写。混音制作术语也一样，压缩比、频段数值、插件名都是后期的事，生成阶段调不动。

• 别写具体歌名、歌手名、乐队名，平台会拦或忽略，白占位置
• 别写压缩比、频段数值、插件名这类后期术语，生成阶段用不上
• 别把互相冲突的风格硬拼，模型只能二选一，往往两边都不像
• 别用「最好听」「爆款」「顶级」这种没有信息量的词
• 别写太长，重点靠前放，越后面的词越容易被模型忽略

出不来想要的效果，按这个顺序改

生成结果不对劲时，不要急着全部重抽，也不要一次改五项，那样分不清是哪项起的作用。按对整体影响的大小从前往后排：先改风格锚点，再改情绪，最后改乐器。一次只动一处，同一批多抽几条对比，才能看出这项到底有没有用。

1. 第一步：确认方向听第一版最像不像你要的用途和流派，不像就先改风格锚点，别动后面的内容
2. 第二步：调情绪线方向对了但听着平，改情绪那行的强弱变化，比如给副歌加一个明显的放开点
3. 第三步：减乐器听感糊、分不清主次，先删乐器而不是加，主奏保留一到两件再看效果
4. 第四步：检查结构很多「不好听」其实是曲子没有起承转合，把段落顺序写清楚再生成一版
5. 第五步：换参考平台支持参考音频或风格参考的话，优先用它替换大段文字描述