说实话我见过太多人玩AI音乐开场白永远都是“来一首伤感情歌”“给我做个燃一点的BGM”结果生成出来的东西要么编曲稀碎要么情绪全无跟抽盲盒似的。问题真不在模型不够强而是你给模型的提示词写得太敷衍了。AI作曲提示词这个东西本质上是在跟一个“完全不懂音乐、但掌握海量风格素材的外星人”沟通你描述得越具体、越结构化它输出的东西才越接近你脑子里的那个画面。这篇东西不聊虚的就结合我自己的实测经验把AI音乐提示词到底应该怎么写、怎么拆、怎么迭代从头到尾捋一遍。1. 先把底层逻辑搞明白AI作曲提示词到底在“告诉”模型什么1.1 音乐提示词和聊天、绘画提示词的根本差异很多人会想聊天要提示词画图要提示词那音乐提示词不就是一个道理吗一句话描述我想要什么然后让AI自由发挥。这个想法是最大的坑。ChatGPT这类文本模型你给它意图它就能干活Midjourney这类绘画模型你给它画面元素它就能渲染。但音乐模型不一样它生成的不是一张静态的图也不是一段文字回复而是一条沿着时间轴展开的音频。这意味着你的提示词不仅要描述“结果是什么”更要在一定程度上描述“过程怎么走”——哪里进鼓、哪里进人声、哪里该收、哪里该推这些时间结构信息才是音乐提示词和其余提示词最核心的区别。举一个很直白的例子。你写“一首钢琴曲”模型确实会给你钢琴的声音但它在时间上可能是散漫的、没有起伏的。你写“钢琴独奏前奏只有清亮的单音从第15秒开始加入低音和弦副歌部分情绪推满最后以渐弱的分解和弦结束”模型对结构的把握就会完全不一样。音乐模型本质上是在做“概率化的声音排列”你的提示词越能把它的生成空间限制在一个合理的范围里它输出的可听性就越高。1.2 音乐模型到底怎么“理解”你的提示词目前市面上的AI音乐模型比如Suno、Udio、Stable Audio底层都是基于扩散模型或者自回归Transformer的变体。它们不会像人一样去逐字理解句子的文学含义而是会把你的文本编码成语义向量再去匹配音频特征空间。这意味着两件事。第一模型对“风格名词”极度敏感对“抽象情绪词”相对迟钝。比如你写“ambient, electronic, dark pads90 BPM”它会知道要做什么但你只写“神秘又空灵的感觉”它真的会手足无措。第二模型其实不太擅长处理“否定指令”。你跟它说“不要吉他、不要鼓、不要人声”在它内部很可能直接把这些标签也激活了结果反而更容易出问题。所以写音乐提示词的第一原则就是把抽象变成具体把否定变成肯定把形容词变成可指向的风格标签。你写的每一个词都应该是在帮模型缩小选择范围而不是在跟它聊天。2. 写一首能用的AI音乐提示词拆成四个部分就够了2.1 风格锚点把模糊感觉变成可检索的标签风格是音乐提示词的地基。一句“我想来点高级的、咖啡馆里放的那种音乐”是没法用的你需要把它翻译成模型能检索的风格词。以“咖啡馆音乐”为例你可以靠具体风格标签来锁定范围如果是早上营业时段可能是“Acoustic, indie folk, light percussion”如果是下午发呆时段可能是“Lo-fi hip hop, vinyl crackle, soft piano loop”如果偏文艺书店可能是“Jazz trio, double bass, brush drums”。同一句话落点完全不同。我在实测里发现两到四个风格关键词的组合效果要远好于一个宽泛的大类词。只写“electronic”出来的是大杂烩写“synthwave, retro, 80s, analog synth”就会精准很多。一个很实用的技巧是把所有你能想到的风格词先丢进列表选出3到5个最贴近你想要的效果的组合起来。这就像调香水前调、中调、后调都得有只喷一种味道是盖不住底气的。2.2 结构描述给AI一张完整行程表音乐是一种时间艺术它的结构就是它的骨架。你在提示词里不写结构模型也会给你一个结构只是这个结构大概率是“平庸的万能模板”前奏4秒、主歌8小节、副歌8小节、间奏、再来一遍、收尾。如果你要的是短视频卡点、游戏BGM、电台节目片头这类有明确时长需求的内容这个模板往往很不够用。目前主流平台里Suno对结构标签的支持做得最好它支持用户在歌词里或者风格栏里直接写[Intro]、[Verse]、[Chorus]、[Bridge]、[Outro]这样的段落标签。我自己的习惯是会在风格描述的最后补一行结构描述比如“structure: intro → verse → chorus → verse → chorus → bridge → final chorus → outro”这样模型对整个走势会有一个清晰的时间地图。结构描述还有一个好处能打破AI生成的“流水线感”。你主动给它一个“前奏很长”“间奏加一段无伴奏人声”“结尾渐弱”之类的结构安排它就会跳出标准模板做出来的东西有记忆点。2.3 乐器与音色具体到“频段”而不是“名字”乐器词本身很好写钢琴、吉他、鼓、贝斯谁都会。但真正拉开差距的是音色层面的描述。同样一个钢琴音色可以是“温暖的、踏板很深的、带着房间混响的旧钢琴”也可以是“清脆的、颗粒感强的、接近MIDI采样的电子钢琴”。模型对音色形容词的理解虽然不如对风格词那么精准但确实会影响采样选择。我建议每次固定一个“主奏乐器”加两个“氛围补充声部”不要贪多。你写“钢琴、吉他、弦乐、萨克斯、鼓、贝斯、电子合成器、人声和声”这一串下去模型大概率会在中间打架最后出来一锅粥。更好的做法是明确主奏乐器是什么氛围乐器是谁节奏声部由什么构成然后给节奏和情绪定个调。比如“钢琴独奏为主的ballad背景有一层薄薄的弦乐pad鼓只在副歌进入”这听起来像人话模型也确实能给出更分层的结果。音色描述还有个小技巧用物理空间感来描述。写“加了一点老式收音机的质感”“带一点室内现场的自然混响”“声音像是从隔壁房间传过来的”模型对这类空间类描述的响应很多时候比我预想的要好。2.4 情绪和速度抽象情绪词也得配参数情绪词不是不能写但它要和其他信息搭配着用。单独写“悲伤”不行写“悲伤小调慢速钢琴独奏低音区很多”就可以。这里的关键就是这个“小调”和“慢速”——也就是调性与BPM速度每分钟节拍数它们才是情绪在音乐参数层面的实际载体。我给大家一个通用公式情绪词 调性 BPM 主奏乐器。比如“melancholic, C minor, 70 BPM, solo piano”出来的效果就很稳。如果你想让情绪更有层次还可以加一个变化弧度比如“从安静克制逐渐走向宣泄副歌开放而明亮”这相当于给模型一个动态表情记号Arc。这招在配乐类场景里特别管用因为配乐的本质就是跟着画面的情绪走。有人会问BPM到底怎么选我给一个快速参考慢歌抒情、氛围乐大概是60-80Citypop、流行歌大概在90-110舞曲、电子、说唱多数在120-140再往上就是Hardcore、Drum Bass那一挂了。不确定的时候宁可慢一点也不要快慢速能掩盖很多生成瑕疵快速会把噪声、音准问题全都放大。3. 从粗到细一个能直接抄的AI音乐提示词工作流3.1 第一版提示词怎么快速搭出来很多新手一上来就在细节里挣扎半天憋不出一句话。我的建议是先抛弃完美主义用“三件套”快速搭一个能跑的初版风格词 乐器词 结构词。别的先别管跑一轮听听整体感觉再说。我以“雨天咖啡馆写稿子的背景音乐”为例给你搭一个完整的初版提示词风格Lo-fi hip hop, jazzy, chill, nostalgic 乐器Rhodes piano, soft 808 drum, vinyl crackle, bass 情绪warm, rainy day, cozy, relaxed 速度75 BPM, C major 结构intro with rain ambience, verse, chorus, verse, chorus, outro fade out这套词扔到主流模型里出来的东西大概率已经是个可用的60分作品。它有风格方向、有声部结构、有情绪曲线、有速度参数对模型来说信息已经足够充分了。你不要一上来就追求90分先拿到一个能听的底子再慢慢调。3.2 迭代技巧先听后调不要每次全部推翻拿到第一版结果之后最重要的一件事是认真听听两遍以上然后记录问题。我遇到最多的三个问题是风格不对、结构不对、音色不对但它们的解法完全不同。风格不对要去动风格词结构不对要去动结构标签音色不对要去动乐器和音色形容词。很多人不管三七二十一把整个提示词全改一遍最后根本不知道是哪一步起了作用等于在瞎试。我的迭代法则是每次只改一个变量。这一轮我把“Rhodes piano”换成“grand piano”看看音色变化下一轮我把“75 BPM”提到“85 BPM”看看节奏影响再下一轮我改一下结构标签看看层次感。这样三轮下来你能清晰地知道模型对每个变量的敏感度也更容易沉淀出一套属于自己的经验库。另外我强烈建议同一个提示词至少换三次不同的随机种子seed再跑。现在很多平台没有开放seed参数但你依然可以通过点击“重新生成”或者微调歌词字词来变相换种子。有时候同一个提示词第三次生成才会第一次才出来的神级段落前面两个是陪跑的这很正常别急着删。3.3 提升作品“人味”的三个侧写技巧很多AI音乐一听就很“AI”问题往往出在太工整、太干净、太平均。要消除这种感觉可以试试用“侧写”来暗示模型不要做得太整齐。第一加入环境采样描述。比如“street ambience in background”“rain drops on window”“cafe chatter, distant”“tape hiss, analog warmth”这些小细节会给作品增加一种“真实空间感”人的耳朵非常吃这一套尤其是做氛围音乐和Lo-fi的时候加上环境声之后完全不像AI做的。第二加入表演指示词。写“rubato, loose timing”“slightly behind the beat”“with a live human feel”“dynamic expression”这些都是在暗示模型在节拍和力度上不要做得太机械。我实测下来加了“loose timing”之后钢琴的节奏会微微晃动那种微瑕疵反而是音乐活过来的关键。第三加入“减法”描述。你可以写“minimal arrangement, spacious, lots of silence between notes”让模型不要拼命铺满所有频段。留白本身就是高级感的重要来源AI默认倾向于“塞满”你只有明说它才会克制。4. 不同AI作曲平台的提示词写法差异实测经验4.1 Suno用段落标签直接控制结构Suno是目前大众接触最多的AI音乐平台它的提示词体系相对结构化也很适合新手。它主要分成两块风格描述栏和歌词栏。风格栏可以写得很自由但我的实测经验是用逗号分隔的短词组效果远好于一个长句子。比如“female vocal, dream pop, ethereal, 120 BPM, E major”就比“一首充满梦幻感的女声Dream Pop歌曲速度120”稳定得多。歌词栏里Suno支持[Intro]、[Verse]、[Pre-Chorus]、[Chorus]、[Bridge]、[Outro]这些标签它们会直接影响生成结构。还有一个很实用但很多人不知道的你可以在歌词中间写[Instrumental Break]或者[Guitar Solo]模型会真的在对应位置把编曲打开给出一段纯乐器间奏。如果你想要的是纯音乐可以在风格栏里写“instrumental, no vocals”同时歌词栏留空或者只写[Intro][Verse]...的纯结构标签。4.2 Udio支持更长的描述性提示词适合做精细音色Udio对自然语言描述的理解能力比Suno更细你可以在风格栏里写更长、更细致的句子。比如“60s French pop, baroque strings, whispery female voice, old vinyl crackle, warm tube saturation”这套描述在Udio上的效果会明显好于Suno。如果你要的是那种有年代感、有音色层次的作品Udio会更擅长。Udio还有一个特点它的标题栏也会影响生成。我没搞懂内部机制但实测是标题写“Rainy Day in Paris”和标题写“Neon District”生成出来的氛围真的会不同。所以我用Udio时会把标题当成一个额外的提示词来用把它写成一个有画面感的短句。此外Udio支持“避免”类描述但效果有限我建议你不要写“no guitar”“no saxophone”这种否定句而是写“piano only, minimal arrangement”用正面描述替代。4.3 Stable Audio和本地部署模型以标签序列为主Stable Audio这类模型更多被用在音效、采样、配乐类场景它的提示词体系更接近“标签引擎”不需要完整句子直接用逗号分隔的关键词序列就好。而且它对音效、材质、空间类描述非常敏感比如“foley, footsteps on gravel”“deep bass impact, cinematic riser”。如果你的需求是做本地部署纯本地模型的提示词写法和在线平台还有一点区别本地模型通常对“词序”没那么敏感但对“关键词是否存在”极其敏感。换句话说你把“piano”放在最前面还是最后面影响不大但你要确保“piano”这个词确实在描述里。这种场景下我更推荐你用固定模板去批量生成比如“{风格}{情绪}{乐器}{BPM}{结构}”这样的话批量测参数会非常方便。4.4 多平台通用的一条写“参考风格描述”远比“参考作品名”更稳很多人喜欢在提示词里写“in the style of某不知名乐队”“像某某电影配乐的感觉”这很容易触发平台的内容限制或者版权顾虑而且模型对这些具体作品名的理解其实是碎片化的效果很不稳定。好的做法是把某个参考作品的“可描述特征”拆出来写成风格标签的集合。比如你想要的是“宫崎骏动画片里那种温柔又带点幻想感的钢琴曲”与其直接提作品名不如写“whimsical piano, Japanese animation soundtrack feel, delicate, airy, flowing, gentle strings, G-major and moderately slow”。这样既绕开了限制又给模型提供了足够的信息。5. 那些踩过的坑和容易被忽略的细节速查表5.1 提示词过长会稀释注意力我见过有朋友一个提示词写三四百字把什么背景故事、作品理念全塞进去。实测下来过长的提示词会稀释模型对关键词的注意力出来的效果反而不如几十个字来得精准。AI音乐提示词不是作文它是是“浓缩的配方”。在我看来一段合理的提示词长度大概在2到5行核心信息密度要足够高。如果一定要写长也请把最重要的风格词放在最前面。另外不同平台有隐藏的“提示词截断”机制超长的描述后面部分很可能根本没被处理这也是长提示词不生效的原因之一。我现在的习惯是先用一个最精简的版本测试方向确认方向对了再逐步往上加细节。5.2 “不要”类提示词在音乐模型里经常失效前面提过音乐模型对否定指令很不敏感。“不要鼓”“不要吉他”这种写法经常会反向命中。我在本地测试过类似提示词结果很奇妙明明写了no drums出来的鼓反而又重又密。这是模型的注意力机制在作祟它会把“drums”这个词高亮反而让这个乐器更容易被激活。所以与其说“不要鼓”不如说“钢琴独奏”与其说“不要人声”不如说“纯乐器无歌词”。用正向描述去引导比用负向描述去阻止可靠得多。如果必须压制某个声部我会连“minimal”“sparse”“almost absent”这种程度副词一起写让模型理解它不是完全不要而是大幅降低存在感这样更容易达到预期。5.3 中文歌词和旋律不咬合的问题做中文歌的时候最常见的问题就是AI唱出来的中文带明显的洋腔洋调歌词和旋律的重音对不上。这个问题的根源在于主流音乐模型的训练语料里中文歌占比不高模型对中文声调、韵脚和音节时长的处理普遍偏弱。我实测下来比较有效的解法是把歌词写成接近“白话朗读节奏”的句子不要写过于工整、文言、押韵密集的歌词因为AI根本处理不了复杂韵脚的排布。比如你写“霓虹灯下的影子被拉得那么长”唱出来大概率没问题但你写“月色浸染千山雪风过回廊夜未央”它就可能唱得像在念经。另外一个技巧是在风格栏里加上“Mandopop, Chinese female vocal”让模型提前锁定发音风格。5.4 生成之后才是真正开始人声与后期选择AI音乐生成出来的音频从来不是“成品”它只是一个半成品素材我喜欢的定位是“灵感引擎”和“草稿箱”。生成之前我一般会把平台里的音频质量设置拉到最高能选44.1kHz或48kHz就不选32kHz需要做纯音乐和循环片段的时候记得找带“loop”能力的模型或后期自己剪。我自己的后期流程一般是先从头到尾听一遍把最有价值段落的时间点记下来然后用Phrase/段落剪辑的方式提取可用的部分再进DAW里加一点EQ和混响把AI音频里那种“直愣愣”的高频削掉一点氛围感立刻上一个台阶。很多AI音乐一听就很假不是旋律不行而是它太“干”给一点点空间混响就自然多了。如果做的是纯BGM记得用工具做一个响度标准化不然和别的音乐接在一起会显得忽大忽小。6. 一条值得收藏的提示词快速自检清单根据我踩过的坑我把“AI音乐提示词”的自检要点整理成一个清单生成之前对着它过一遍成功率会明显提升。第一风格是否具体到标签级如果你发现自己写的是“好听”“高级”“有感觉”立刻停住换成风格词“大气”换成“Epic orchestral”“轻快”换成“Upbeat pop, acoustic guitar”“伤感”换成“Melancholic ballad, minor key”。第二是否有时间轴上的安排提示词里有没有“前奏”“副歌”“间奏”“结尾”相关的结构描述如果没有模型就会给你一个套模板结构。第三是否指定了核心声部主奏乐器、节奏声部、氛围声部分别是什么如果这三个在脑子里都说不清那模型大概率也会给你一锅粥。第四参数是否可量化BPM、调性、时长能写就写。写不出来的话用“slow”“fast”“high-pitched”这种相对词也比不写好。第五是否包含了“给模型省事”的限定比如“no lyrics”“instrumental”“one continuous take”这类设定能让模型少走很多弯路。这套清单我用了很久每次生成前问自己一遍基本能避免80%的废稿。我个人的感受是AI音乐提示词这门手艺门槛并不高但它确实是一种需要刻意练习的“翻译能力”——把脑子里模糊的声音想象翻成模型听得懂的语言。这个东西没有标准答案同样的提示词在不同平台、不同版本上也会有不同的反应。但只要你掌握了“具体化、结构化、可量化”这三个核心原则再配合“每次只改一个变量”的迭代习惯很快你就能稳定地产出属于自己风格的AI音乐作品。这篇经验也是我拿几十首废稿换来的记录下来给你希望你能少走一些弯路。