1.1 歌曲风格描述的核心维度:流派、年代、情绪、场景与制作质感
我刚开始玩AI音乐生成那会儿,总觉得写Prompt是个玄学。输入“好听的歌”四个字,出来一堆莫名其妙的东西。后来我慢慢摸出门道了——歌曲风格描述这件事,其实就是把脑子里那种模糊的感觉拆成几个可以操作的维度。流派是第一个维度,它决定了作品的基本骨架,比如流行、摇滚、爵士、电子、民谣这些大类。年代呢,是第二个维度,它给作品套上一层时代滤镜,五十年代的老式摇滚和两千年代的Nu-Metal,味道完全不一样。
情绪是第三个维度,也是我花心思最多的一个。同样一首摇滚,愤怒和激昂是两种写法,忧郁和怀旧又是另外一回事。场景维度我开始没太在意,后来发现它特别管用——你说“适合深夜独自开车时听”,AI似乎能理解那种空旷感和氛围感。制作质感是我最后一个才重视起来的维度,Lo-fi的颗粒感、Hi-Fi的通透、模拟录音的温暖、数字制作的干净,这些描述词写进去,出来的结果真的会不一样。
我有个做独立厂牌的朋友,他给AI写Prompt的时候习惯先把五个维度在纸上列一遍。流派填“Neo-Soul”,年代填“七十年代末”,情绪填“温柔中带点苦涩”,场景填“下雨天的咖啡馆”,制作质感填“模拟磁带温暖感”。他说这五个格子填完,风格方向就锁死了七八成。我自己也试过这个法子,确实比东一榔头西一棒子强得多。
1.2 风格关键词的层级组织:主风格、子风格、乐器、节奏、BPM、调性与混音特征
写AI音乐Prompt这件事,关键词的层级感特别重要。我早期犯的毛病是什么词都往里堆,“摇滚、流行、朋克、金属、电子、民谣”一口气全写上去,出来的东西四不像。后来我才明白,得先定一个主风格,这是大树的主干,别人问你这是首什么歌,你第一个蹦出来的那个词就是它。
主风格定了,子风格就是往细里走。比如主风格是电子,子风格可以是House、Techno、Ambient、Synthwave,每个子风格底下味道差得远。乐器层我一般写三到五种,比如“电钢琴为主,辅以柔和的合成器Pad,鼓组用808底鼓和细碎的高帽”。节奏和BPM是绑在一块儿的,我习惯写“中速偏慢,BPM 78左右,鼓点松散带一点摇摆”。调性这个维度我有时候写有时候不写,写的话就是“A小调”或者“大调色彩偏明亮”。混音特征放在最后,像“混响偏大、人声靠前、低频收敛”这类描述。
我摸索出来的组织方式是这样的:一层一层往下剥,从大到小,从抽象到具体。主风格决定方向,子风格决定细节,乐器决定色彩,节奏和BPM决定律动感,调性决定情绪底色,混音决定最终听感。这个顺序写下来,AI接收到的信息是有结构的,不会乱成一锅粥。有次我偷懒把顺序打乱了写,出来的结果明显松散很多,该紧的地方松,该松的地方紧,完全不听使唤。
1.3 AI音乐生成Prompt歌曲风格描述模板:变量占位、可复用句式与填写示例
我现在手头有一份自己攒的风格描述模板,用起来挺顺手的。模板这东西的好处是,你不需要每次都从零开始想措辞,把变量填进去就行。我的基础模板长这样:“以[主风格]为基底,融入[子风格]元素,主要乐器包括[乐器A]、[乐器B]和[乐器C],节奏[节奏描述],BPM约[数值],调性为[调性],混音上呈现[混音特征]。”
拿一个具体例子来说,我填的是“以City Pop为基底,融入Soft Rock和Funk元素,主要乐器包括电吉他清音分解、电钢琴、合成器Pad和松弛的鼓组,节奏轻快带一点慵懒的摇摆感,BPM约96,调性为D大调,混音上呈现八十年代模拟录音的温暖感和宽阔的声场。”这段填完,出来的小样跟我脑子里的画面起码对上了七八成。
模板不是死的。我有时候会加一个“情绪修饰句”在开头,比如“整体氛围是夏日傍晚海边公路的松弛感”。这个句子不参与技术性描述,但它像给整首歌定了个调子,AI好像能捕捉到那种感觉。我另一个做短视频配乐的朋友喜欢在模板末尾加一句“参考场景:品牌宣传片结尾的温情段落”,他说这样出来的东西更贴合他的使用需求。模板是骨架,填进去的变量是血肉,那句情绪修饰算是给作品吹的一口气。
1.4 参考艺术家与作品的使用边界:风格借鉴、版权风险与替代性描述
我一开始也喜欢写“像周杰伦那样的中国风”或者“类似Daft Punk的电子感”。这种写法确实省事,AI好像也能理解个大概。但后来我慢慢发现两个问题,一是版权风险这件事不能装看不见,尤其在商业项目里,你写“像某某某”,交付的时候甲方问起来,你没法解释这歌到底有没有侵权隐患。二是参考艺术家的写法太粗糙了,“像Coldplay”到底是像他们的早期还是后期?像他们哪首歌?这种描述颗粒度太粗,AI出来的结果经常跑偏。
我现在的做法是用替代性描述来替换直接点名。比如我想要“像Radiohead那种氛围感”,我会写成“英式另类摇滚基底,吉他音色偏冷偏干,鼓组空间感大,人声处理带一点疏离的混响,整体情绪克制但底下有暗流”。这样写虽然啰嗦一点,但AI理解起来反而更准。我有个做版权音乐的朋友更狠,他连“风格借鉴”这种词都不写,完全用技术参数和情绪描述来替代,他说这样出来的东西干净,后续商用也放心。
话说回来,完全不提参考艺术家也不现实,有时候某个艺术家的某个特质就是很难用别的词描述。我的折中办法是提“年代+地域+流派”的组合,比如“九十年代英国Trip-Hop场景里的那种暗色氛围”,这样既给了参照系,又没直接点名谁。这个边界感我摸索了很久,现在算是找到了一个自己用着舒服、风险也可控的写法。
1.5 风格Prompt的正负向约束:排除项、优先级设置与冲突消解
写Prompt这件事,光说“要什么”不够,还得说“不要什么”。正向描述是告诉AI往哪儿走,负向约束是告诉它别往哪儿拐。我常用的负向词包括“不要失真吉他”“避免密集的鼓点”“人声不要过度修音”“不要出现说唱段落”。这些排除项写进去之后,结果的可控性明显提升。有次我忘了写负向约束,出来的歌副歌部分突然冒出一段电音Drop,完全不是我要的东西,那次之后我就养成了写排除项的习惯。
优先级设置是我后来才学会的一招。Prompt里的词不是平等的,有些是必须满足的硬条件,有些是锦上添花的软偏好。我的写法是在硬条件前面加“必须”,比如“必须保持原声乐器为主”“必须控制在三分钟内”。软偏好就写“最好”“倾向于”这类词。这个区分挺管用的,AI好像能分辨哪些词是底线,哪些词是商量着来的。
冲突消解是最考验经验的部分。我遇到过最典型的情况是“要温暖 analog 质感”和“要干净透明的现代混音”同时写进去,出来的结果两边都不挨着。后来我学乖了,写之前先自己检查一遍,把互相打架的词挑出来,留一个、删一个,或者改成“以模拟温暖感为主,高频适当收敛,保留一点现代混音的清晰度”。降级处理比硬碰硬管用。还有个笨办法也挺有效——把互相冲突的描述拆到两个版本里分别生成,听完了再决定往哪个方向走。
2.1 编曲结构指令:Intro、Verse、Chorus、Bridge、Outro的段落功能与时长控制
我第一回认认真真写编曲结构指令的时候,脑子里装的是最经典的流行歌模板——Intro八小节、Verse十六小节、Chorus十六小节、Bridge八小节、Outro八小节。结果AI给我生成了一首三分半的歌,段落倒是齐全,但听起来像被尺子量过一样,方方正正,一点呼吸感都没有。那次之后我才明白,结构指令不是让你拿着一套数值硬套,而是告诉AI每个段落该干什么活、占多大比重。Intro是定基调的,它不需要热闹,需要的是把听众拉进那个氛围里。我后来习惯在指令里写“Intro控制在十五到二十秒,用单件乐器铺底,别急着把所有元素亮出来”,出来的效果就自然多了。
Verse和Chorus的关系我最开始也没搞明白。我把这两个段落都写成“主歌”和“副歌”了事,AI就按最平庸的方式处理,Verse和Chorus的动态对比几乎听不出来。后来我换了个写法,在指令里明确说“Verse段保持克制,编曲以人声为主,器乐退后半步;Chorus段鼓组全开,贝斯加厚,人声叠层进入”。这等于给AI画了一条能量曲线,Verse在百分之四十,Chorus推到百分之九十,中间那个爬坡的过程它自己会处理。我有个做混音师的朋友听了之后说,你这个Prompt里把动态范围写清楚了,AI生成的素材混起来确实省劲。
Bridge和Outro是最考验结构指令精细化程度的地方。Bridge在我早期的指令里就是个摆设,写完“Bridge八小节”就完了,出来一听,跟Verse没什么区别。后来我学聪明了,在指令里写“Bridge段要出现明显的和声变化,配器做减法,留出空白让情绪透一口气”。Outro呢,我现在的写法是“Outro不做渐弱处理,用主乐器演奏一个短动机收尾,总时长控制在十秒左右”。你别说,这种带功能描述的时长控制比光写数字强太多了。我试过同一个风格描述配两套结构指令,一套只写段落名和时长,另一套加功能描述,出来的东西差距明显——前者像交作业,后者像有想法的人在安排曲式。
2.2 人声风格指令:性别、音域、音色、唱法、情绪、语言与和声层
人声这块我踩过的坑比编曲还多。最开始我只写“女声”两个字,AI给我生成的声音飘忽不定,有时候像少女有时候像阿姨。后来我拆开了写:性别、音域、音色、唱法、情绪、语言,一个不落地列在指令里。性别和音域是最基础的,“女声、中高音区”这个组合写清楚之后,声音的基本位置就稳了。音色是我个人最看重的一项,“温暖略带沙哑的质感”和“清亮透明”完全两种走向,我通常会把音色描述跟情绪描述绑在一起写,比如“音色偏暖带一点颗粒感,情绪上表现出克制中的坚定”。
唱法指令需要更具体的动词。我一开始写“自然唱法”,AI理解成白开水一样的平铺直叙。后来我换成“像在耳边说话的亲近感,尾音处理放松,不要炫技式的转音”,出来的效果才对了路子。有个做独立音乐的朋友教我写唱法指令时用“反义词对”,比如“有爆发力但不嘶吼”“温柔但不软弱”,他说这种写法帮AI找到那个精确的中间值。我试了几次,确实比堆形容词管用。语言这个维度别落下,写“中文”和写“普通话,咬字清晰但不过分字正腔圆”出来的味道差不少。
和声层是我最后才加进指令里的,加了之后后悔没早点加。写“Chorus段加入三度和声叠层,和声音量控制在主唱的百分之三十左右”跟完全不写和声,结果天差地别。有一次我忘了写和声指令,出来的歌副歌听起来单薄,像一个人在KTV干唱。后来我养成习惯,和声指令单独拎出来写一行,主唱和和声的比例、和声出现的位置、和声的唱法风格,能写多细写多细。我还试过在Bridge段写“无和声,仅留主唱单声部”,那种突然的裸露感特别抓耳。
2.3 AI音乐创作指令编曲结构与人声风格示例:完整Prompt拆解与注释
我攒了一个完整Prompt模板,用起来比较顺手,拆开给大家看看。开头是风格描述层:“以Indie Pop为基底,融入Chamber Folk元素,主要乐器包括原声吉他指弹、大提琴低音铺底、轻柔的钢琴高音点缀和松散的刷鼓节奏,BPM约82,调性为G大调,混音呈现温暖开阔的室内录音质感。”这一层管的是“听起来像什么”。
中间段是结构指令:“Intro十六秒,原声吉他独奏进入,不要鼓。Verse A段三十秒,保持安静,大提琴在第二小节悄悄进来。Chorus段四十五秒,全部乐器进入,刷鼓力度加强,人声叠层出现。Verse B段三十秒,做减法,钢琴退出,只留吉他和人声。Chorus反复段四十五秒,加入高八度钢琴点缀。Bridge段二十秒,和声变化,全体乐器停一拍再齐入。Outro十五秒,回到吉他独奏,不加混响尾巴。”这段我写得比较细,因为之前吃过亏,结构指令写含糊了,AI自由发挥的空间太大,出来的东西就不是我想要的走向。
人声指令我单列一段:“女声,中高音区,音色温暖略带气声质感,唱法贴近耳边低语,情绪表现为内敛的温柔,主歌用轻声真声,副歌加入三度和声叠层,和声音量约为百分之三十五,语言为普通话,咬字自然不刻意。”这个组合我调了七八版才定下来。刚开始和声比例写了百分之五十,出来太合唱团了,降到百分之三十五才刚好。Bridge那句“全体乐器停一拍再齐入”是我后来加的,之前Bridge太平,加了这一下之后整首歌的张力明显不一样。最后我还加了两条负向约束:“不要出现电吉他失真音色”“不要加入电子鼓编程音色”,把一些我不想要的方向提前堵死。
2.4 Prompt迭代流程:从风格草稿到结构微调、A/B测试与结果校验
我的迭代流程大概分四步走。第一步是风格草稿,花五分钟把脑子里的画面翻译成关键词,不纠结措辞精度,先跑一版听听大方向对不对。这一步出来的东西通常粗糙,但能帮我确认“是不是这个味儿”。我一般会连跑三版,取其中感觉最接近的作为底稿。第二步是结构微调,把段落时长和功能描述加进去,再跑一两版。这个阶段我特别关注段落之间的过渡是否自然,尤其是Verse到Chorus的爬坡有没有力气。
第三步是A/B测试,这是我最近半年才养成的习惯。我会把同一个Prompt里的某个变量单独拎出来,生成两个版本——比如和声比例百分之三十和百分之四十五各跑一版,或者Bridge段做减法和不做减法各跑一版。戴着耳机来回切着听,差别很快就出来了。有时候差别小到需要反复听三四遍,但这种抠细节的过程特别值。第四步是结果校验,我对着最初的意图清单一条条打勾:BPM对不对、调性对不对、人声情绪对不对、负向约束有没有被遵守。有一回我忘了校验和声层,生成完了才发现Bridge段的和声跟我的指令完全相反,白瞎了一版。
这个流程跑熟了之后,我一般四十分钟能完成一轮完整迭代,从草稿到出成品。有个做播客片头的朋友看我这么干活,说我像在做实验记录,每个变量改了什么、结果差在哪里都写得清清楚楚。我觉得他说得对,迭代这件事跟做菜一样,盐放多少、火候多大,记下来下次才有得参考。
2.5 常见问题与优化清单:指令冲突、信息过载、风格漂移与可复现性
指令冲突是我碰到最多的坎儿。有一次我写“鼓组要低调克制”和“Chorus段要充满能量”,AI在Chorus段把鼓做得震天响,跟“低调克制”完全冲突。后来我学乖了,同一个段落里的描述必须方向一致,段落之间的能量变化用“相对”来写,比如“Chorus段鼓组相对Verse更密集,但整体音色保持收敛”。这样冲突就消解了。还有一种冲突是显性的,比如“三分钟内”和“Bridge和Outro各二十秒”同时写,算一下时间压根不够,AI就给你砍乐句,听起来像赶火车。
信息过载我也踩过坑。有一版Prompt我写得特别嗨,乐器列了七八种,节奏描述写了三行,情绪形容堆了五个词。出来的结果一团乱麻,什么都想抓什么都没抓住。后来我给自己定了个规矩:乐器不超过五种,情绪形容词不超过两个,节奏描述控制在一句话以内。可复现性是最后要说的,同一个Prompt隔一天再跑,出来的东西可能有细微差别。我的应对办法是把种子编号记下来,或者把BPM和调性这两个硬参数锚死,剩下的让AI有一点发挥余地,但核心骨架不动。这一点在给别人交付的时候特别重要,你不能说你做的歌好听但再也复现不出来,那就没法讨论了。