1.1 什么是音乐创作提示词：从自然语言到生成指令
你打开AI音乐生成工具，在输入框里敲下一行字：“来一首悲伤的钢琴曲。”回车，等几秒，一段音乐出来了。这行字，就是最原始的音乐创作提示词。
但事情没这么简单。你很快会发现，“悲伤的钢琴曲”生成的东西可能跟你脑子里想的差很远——也许它给你一段慢速的、带弦乐铺底的、混响开得很大的新世纪风格，而你想要的其实是坂本龙一那种克制的、音符之间留着呼吸感的独奏。问题出在哪？出在“悲伤”和“钢琴曲”这两个词太宽了。它们像两张网眼太大的渔网，捞上来的东西完全不由你控制。
音乐创作提示词的本质，是把人脑子里的听觉想象翻译成AI能理解的生成指令。这个翻译过程有两层：第一层是从“感觉”到“描述”——你得把你模糊的情绪感受说出来；第二层是从“描述”到“参数”——你得知道什么样的声音特征对应什么样的词汇。大多数人卡在第一层就觉得完事了，其实第二层才是决定生成质量的关键。
我习惯把提示词分成三个层级来理解。最底层是“标签级”——“钢琴、悲伤、慢速”，这是大多数人起步的写法，能用但粗糙。中间层是“描述级”——“独奏钢琴，慢板，大量留白，音符间有呼吸感，混响适中偏干，情绪克制而非宣泄”，这就具体多了。最高层是“指令级”——你不仅描述声音，还指挥结构：“前8小节只有单音旋律线，第9小节加入左手低音区分解和弦，整体力度控制在p到mp之间，结尾不做渐弱处理而是突然收住”。到了这个层级，提示词才真正变成了“创作指令”而不只是“风格标签”。
这三层之间的差距，就是普通用户和高手之间的差距。好消息是，这个差距完全可以通过学习来缩短。
1.2 提示词在AI音乐创作中的角色、价值与边界
先说角色。很多人把提示词当成“点歌单”——我告诉AI我想要什么，它给我什么。这个理解偏了。提示词更像是一份“创作简报”，你是甲方，AI是乙方制作团队，这份简报写得好不好，直接决定乙方交出来的东西对不对路。你不会跟装修队说“给我装好看点”就完事，你会说“北欧风、白橡木地板、无主灯设计、厨房要开放式”。音乐提示词同理。
提示词的价值体现在三个层面。效率层面不用多说，一段精准的提示词能帮你跳过几十次盲试，直接从“大海捞针”变成“定向捕捞”。控制层面更有意思——好的提示词让你对生成结果有预判能力，你知道加了“lo-fi”会得到什么、加了“sidechain压缩”会改变什么，这种掌控感是创作愉悦感的重要来源。表达层面最容易被忽略：写提示词的过程本身就是在逼你想清楚“我到底要什么”。很多创作者写着写着才发现，自己之前对作品的想象其实是模糊的，是写提示词这个动作把想法逼到了清晰的位置上。
边界也得说清楚。AI不是许愿池，提示词再精准也有天花板。旋律的记忆点、和声进行的惊喜感、歌词与旋律的咬合关系——这些属于“创作灵魂”层面的东西，目前还不在提示词能完全覆盖的范围内。AI擅长的是执行层面的声音组织：音色搭配、节奏铺陈、氛围营造、结构搭建。你把提示词写到极致，能拿到一个“制作精良的合格品”，但要它变成“有灵魂的作品”，还得靠你在生成结果之上做筛选、编辑和再创作。
还有个容易被忽略的边界：不同AI音乐工具对提示词的“理解能力”差异巨大。Suno对自然语言长句的解析能力较强，Udio在某些风格标签上更敏感，Stable Audio对音频参数的响应更直接。你在一家平台上调好的提示词，换到另一家可能完全不是那个效果。这意味着提示词写作不是一劳永逸的事，你得跟具体的工具“磨合”。
1.3 音乐创作提示词的核心要素拆解：风格、情绪、乐器、节奏、人声、结构、制作质感
这七个要素，你可以理解成调音台上的七个推子。每首曲子的“配方”不同，但推子就这几个。
风格是第一推子。它决定了大方向——流行、电子、摇滚、民谣、爵士、古典、嘻哈、R&B，每个大类下面还有子风格。写风格时别只写大词，“电子”太宽了，从Ambient到Dubstep跨度巨大。“Melodic House”和“Lo-fi Hip Hop”都是电子分支，出来的东西天差地别。风格词越具体，AI越不会跑偏。
情绪是第二推子。但情绪词最危险——“悲伤”在不同风格里长得完全不一样。Country的悲伤是吉他滑棒加哭腔，Classical的悲伤是慢板小调加下行旋律线，Electronic的悲伤是冷色调合成器加长混响。我的经验是：情绪词后面必须跟“声音证据”。别只写“温暖”，写“温暖——模拟合成器的饱和失真、中频饱满、高频不刺耳”。
乐器推子要写到“音色”级别。不是“吉他”，是“尼龙弦古典吉他，指弹，近距离拾音”；不是“鼓”，是“70年代Ludwig套鼓，房间麦克风远距离拾音，轻微磁带饱和”。乐器描述越具体，AI越有方向。
节奏推子管两件事：速度和律动。BPM给数字最直接，但律动感要用词描述——“swing感”“直拍”“切分密集”“鼓组留白多”。同样是90BPM，Boom Bap和Reggaeton的骨架完全不同。
人声推子负责性别、音域、唱法、语言、和声。写人声提示有个坑：AI对“唱法”的理解比“音色”差。“沙哑嗓音”它可能给你一个粗糙的合成器音色，但“烟熏感、气息声明显、尾音带气泡音”就具体得多。语言标签也要精确——“中文女声”和“粤语女声”出来的咬字完全不同。
结构推子是很多人忽略的。不写结构，AI默认给你一个“主歌-副歌-主歌-副歌-桥段-副歌”的模板。但你可以指挥：“前奏16小节纯氛围铺底无人声，主歌8小节只有人声和贝斯，副歌全编制进入，结尾突然停在副歌第二遍的第三小节”。结构写得越细，生成结果越像“作品”而不是“片段”。
制作质感推子最容易被跳过，但它决定了“听起来像什么年代、什么预算、什么审美”。是低保真还是高保真？是模拟磁带还是数字干净？混响是大教堂还是小房间？压缩是紧贴还是松弛？这些词加起来，就是你的“声音指纹”。
这七个推子不是孤立的。风格决定了乐器的大致范围，情绪影响节奏的选择，制作质感反过来会重塑乐器的听感。写提示词时要在脑子里过一遍：这七个推子推上去，合起来是不是我脑子里那个声音。
1.4 常见误区：信息堆砌、术语模糊、目标缺失与风格漂移
信息堆砌是最常见的毛病。新手总觉得写得多就控制得细，于是把能想到的词全塞进去：“流行、电子、摇滚、舞曲、女声、男声、钢琴、吉他、鼓、贝斯、弦乐、合成器、欢快、悲伤、激烈、温柔、快节奏、慢节奏、复古、现代”。这不是提示词，这是词典。AI面对这种输入，要么随机抓几个词硬凑，要么直接忽略后半段。我的原则是：每个要素给一到两个最关键的词，其他的留给AI自己发挥。你越放手，它反而越不容易出错。
术语模糊是第二个坑。“大气”是什么？是史诗弦乐还是宽广混响？“高级感”是什么？是极简编曲还是爵士和声？这些词在人跟人之间都说不清楚，别说人跟AI了。替换方法很简单：把每个模糊形容词翻译成“你能在耳机里听到的具体特征”。“大气”换成“低频铺底厚实、高频有空气感、副歌全频段填满”。“高级感”换成“编曲留白多、音色不刺耳、动态范围大、没有廉价合成器预设”。
目标缺失这个误区更隐蔽。很多人写提示词时没想清楚这首歌“用来干嘛”。是短视频BGM？是播客片头？是游戏背景循环？是给自己听的氛围音乐？用途不同，提示词的优先级完全不一样。短视频BGM要前3秒抓耳，结构简单重复；播客片头要15秒内建立情绪且不抢话；游戏循环要无缝衔接且层次可增减。目标不写清楚，AI只能给你一个“通用款”，而通用款在具体场景里往往不能用。
风格漂移最让人头疼。你写了“民谣”，加了“电子鼓”，又写了“合成器贝斯”，再加了“管弦乐”——AI最后给你一个四不像。风格漂移的根本原因是“核心特征不明确”。你得问自己：这首歌的“锚”是什么？是原声吉他的指弹质感？是某个年代的鼓机音色？是某种人声的处理方式？把这个锚定死了，其他元素围绕它服务，漂移的概率就小很多。还有一个实用技巧：把核心风格词放在提示词最前面，AI对开头词汇的权重天然更高。
1.5 从“描述音乐”到“指挥生成”的思维转变
大多数人写提示词的默认心态是“描述”——我把我想要的声音说出来，你帮我做出来。这个心态在早期够用，但很快就到瓶颈。因为描述是被动的，你只能描述你“已经知道”的东西。而AI能生成的东西远比你已知的范围大。
真正好用的心态是“指挥”。指挥家不演奏任何一个乐器，但他决定什么时候进、什么时候出、谁强谁弱、整体往哪走。写提示词时，你要把自己放在指挥的位置上。
这个转变体现在几个具体动作上。从“要什么”到“先要什么后要什么” ——你不是列清单，你是排优先级。核心风格是什么？次要元素是什么？哪些可以牺牲？哪些绝对不能丢？提示词的前三分之一决定了生成的大方向，后面的词是在这个方向上做微调。从“形容词”到“动词” ——少写“激烈的”，多写“鼓组从第一拍就全力进入，贝斯跟底鼓同步，吉他扫弦密度加倍”。动词自带时间感和动作感，AI对动作描述的响应比静态形容词更准确。从“一次性”到“迭代式” ——指挥不是排练一次就上台。你先给一个基础指令，听生成结果，然后针对性地调：“鼓太密了，减少填充”“人声太靠前了，混响加大两档”“副歌进入太突兀，前4小节加一个上升音效过渡”。每一轮迭代都在缩小“想象”和“结果”之间的差距。
这个思维转变最难的地方在于：你得先学会“听”。不是被动地听，是分析性地听——这段贝斯走的是什么律动？这个混响的空间感是多大？人声和伴奏的比例关系是怎样的？你听得越细，写提示词时就越有词可用。很多人写不出好提示词，根本原因不是词汇量不够，是“听觉分辨率”不够。训练方法很朴素：找一首你喜欢的歌，用文字把它拆开写一遍，写到每个乐器、每个段落、每个音色特征都落成文字。写十首，你的提示词水平会肉眼可见地涨。
2.1 目标先行：歌曲用途、时长、受众、场景与平台适配
我写提示词之前会先逼自己回答一个问题：这首歌做出来是干嘛用的？这个问题不回答清楚，后面所有环节都是瞎忙活。给短视频配的BGM和给播客配的片头，提示词写法完全是两套逻辑。短视频BGM要的是前3秒直接把人抓住，最好第一拍就有记忆点，结构上简单重复就行，不需要复杂的发展。播客片头就不一样了，15到30秒内要建立情绪基调又不能抢主播的话，人声频段得让出空间，编曲不能太满。我吃过这个亏，早期写提示词上来就奔着“好听的音乐”去，结果生成的东西单听不错，往视频里一塞发现前奏太长了、情绪太浓了、节奏跟画面完全搭不上。
时长这件事也得提前定死。30秒的背景音乐和3分钟的完整歌曲，提示词里的结构标记密度完全不同。你要是没写时长，AI默认给你生成两分钟以上的完整结构，回头还得自己剪，剪出来的淡入淡出又特别生硬。我现在写提示词会直接把时长写进去，比如“总时长45秒，结构为前奏4小节+主歌16小节+副歌8小节+尾奏2小节淡出”。平台适配也很具体——发抖音的曲子低频别做太厚，手机扬声器根本放不出来还糊成一团；发网易云或者QQ音乐的，动态范围可以拉开一点，听众戴耳机的比例高。你要是给游戏做循环背景音乐，提示词里必须写“无缝循环点在第16小节结尾，接回第1小节时鼓组不重新进入”。这些细节不写，AI给你的东西看着专业，实际用起来全是坑。
受众这个维度容易被忽略。儿歌和老年合唱团的曲目，音域和节奏密度完全是两个世界。我帮一个做瑜伽馆的朋友生成冥想音乐，一开始写了“氛围、放松、自然音效”，出来的东西太空灵了，太空灵反而让人走神。后来改成“低频铺底稳定、无旋律性主导乐器、60BPM、无突发音量变化”，才真的对路。所以写提示词之前我会花两分钟想清楚：谁听？在哪听？听完要干嘛？这三个问题的答案会直接改变提示词里七八个词的写法。
2.2 音乐属性分层法：宏观风格、中观编曲、微观音色
我把音乐属性拆成三层来想，这个习惯帮我省了很多返工的时间。最上面一层是宏观风格，就是你这首歌往哪个大抽屉里放——流行、电子、摇滚、民谣、嘻哈、爵士、古典。这一层决定的是“别人怎么归类你”。中间一层是中观编曲，说的是乐器怎么配、段落怎么搭、整体织体的疏密关系。最下面一层是微观音色，具体到每一件乐器声音的质感、效果器的使用、混音上的处理倾向。三层之间是包含关系，上一层定方向，下一层填细节。
很多人写提示词只写宏观层，出来结果不对就反复责怪AI不行。其实问题出在中观层没写。你写了“电子、欢快”，AI知道给你合成器、鼓机、上升音效，但它不知道你要的是Big Room那种炸场子的编曲密度，还是 Tropical House那种松弛的律动。中观层要写的是“谁在什么位置做什么”——“主歌只有电钢琴和踩镲，副歌加入四四拍底鼓和贝斯，第二段副歌叠一层宽混响的合成器Pad”。这些信息一给，AI的编曲方向立刻收窄。
微观音色是区分“能听”和“好听”的关键。同样写“钢琴”，你写“雅马哈C7三角钢琴，近距离拾音，琴槌声明显”和写“老式立式钢琴，房间麦克风远距离录，带踏板噪音”，出来的质感天差地别。我习惯在微观层写三种东西：录音方式（近场/远场/DI直入）、处理痕迹（磁带饱和/板式混响/胶水压缩）、声音状态（干/湿、亮/暗、紧/松）。这三样不需要全写，挑最关键的写两三项，音色就立住了。
分层法还有一个好处：排查问题的时候有顺序。生成结果风格不对，先检查宏观层是不是写偏了；风格对了但编曲太单调，去补中观层的乐器配置和段落变化；整体听着“不够味”，多半是微观音色没写到位。一层一层往下修，比眉毛胡子一把抓有效率得多。
2.3 结构化描述公式：主体定位+风格限定+情绪曲线+乐器配置+节奏参数+人声设计+结构标记+制作质感
我写提示词用的是一个八段式的公式，基本上每次都会这八个槽位过一遍，哪一项缺了就补，哪一项不重要就写“无”或者“AI自由发挥”。这个公式的底层逻辑是“从大到小、从粗到细、从静到动”。你先说清楚这首歌是什么，再说它长什么样，再说它怎么动起来，最后说它听起来什么质感。顺序本身是有讲究的，AI对靠前的词权重更高，你把最重要的风格定位放在最前面，后面所有词都围绕它转。
主体定位是第一步，一句话说清“这是什么歌”。“一首中文女声流行抒情歌曲，速度偏慢，以钢琴为主导乐器”。这一句写完了，大方向就不会跑。风格限定要具体到子风格和年代感——“2010年代华语抒情流行，带有少量R&B律动，不是80年代复古也不是2020年代极简流行”。情绪曲线要写出变化，不能只写一个静态词——“主歌克制冷淡，预副歌逐渐升温，副歌释放但不失控，桥段回落至接近主歌的安静度，尾奏以单件乐器收束”。乐器配置写主奏乐器和伴奏乐器的分工。节奏参数写BPM和律动特征。人声设计写性别、音域、唱法、和声安排。结构标记写段落划分和时长比例。制作质感写录音风格和混音倾向。
这个公式看着长，写习惯了就是三五分钟的事。关键是它逼你把每个维度都想一遍，而不是凭感觉堆词。我一开始也觉得八段太繁琐，用了十几次之后发现，省下来的返工时间比写公式花的时间多得多。新手可以先从简版开始：主体定位+风格限定+情绪曲线+乐器配置，这四段能解决大部分问题。等你对生成结果有了更高的控制欲，再把后面四段加进来。
情绪曲线这块我要多说两句，因为它最容易写糊。别只写“悲伤”或者“欢快”，要写出走向——“从压抑到逐渐放开再到收住”或者“全程保持在一个温暖但不煽情的水平线上”。AI对“曲线”的理解比“点”好得多。我写悲伤的曲子会这么写：“前奏单音钢琴，情绪压得很低；主歌加入大提琴长音铺底，悲伤开始有重量；副歌弦乐群进入但旋律线不下沉，保持一种克制的痛感；结尾回到钢琴单音，但比前奏高八度，暗示情绪已经过去了”。这样写出来，AI给的动态变化会细腻很多。
2.4 正向提示词与负向提示词设计：明确需要什么与避免什么
正向提示词是你想要的东西，负向提示词是你不想要的东西。这两者的关系像开车——正向是方向盘，负向是刹车。只打方向盘不踩刹车，遇到坑就掉进去了。我早期写提示词基本只写正向，生成结果里冒出来奇怪的电音音效、突然的节奏断裂、人声忽大忽小这些问题，全靠反复重roll来解决。后来学会写负向提示词，重roll次数少了大概一半。
负向提示词要写得具体，别写“不要难听”这种废话。AI根本不懂什么叫“难听”。要写“不要突然的调性变化”“不要失真吉他”“不要电子鼓机音色”“不要超过两层的和声堆叠”“副歌不要加入未在之前出现过的乐器”。每一条负向都是你之前踩过的坑，把它记下来，下次写同类曲子的时候直接贴进去。我有个负向词库，分“通用避免”和“风格专属避免”两块。通用避免里包括“音量突变”“结构不完整”“结尾戛然而止”“人声与伴奏频段冲突”。风格专属的就多了，做民谣的时候写上“不要合成器Pad”，做电子的时候写上“不要原声鼓组”。
负向提示词还有一个高级用法：控制AI的“过度发挥”。AI有时候会自作主张加一些花活——突然来个转调、副歌后面接一段奇怪的器乐solo、人声结束之后又冒出来一段。你不写清楚别让它干什么，它就按自己的“审美”来了。我会在需要严格控制的曲子里写“除上述乐器外不添加任何其他乐器”“人声结束后直接进入尾奏，不添加器乐间奏”“全曲保持在同一调性内，不做转调”。这些负向指令一加，生成结果的可控性明显提升。
负向和正向的配比也要注意。有人喜欢写一长串负向词，把AI框得死死的，结果出来的东西特别拘谨、没有灵气。我的经验是正向词给到足够的创作空间，负向词只用来堵那些“绝对不能出现”的东西。负向词控制在正向词的三分之一以内比较合适。你写得越少，AI反而越可能给你惊喜。当然这个比例不是死的，做商业配乐的时候负向词可以多一点，做个人创作的时候少一点。
2.5 可复用提示词骨架：一句话版、段落版、参数版与模板版
写多了你会发现，提示词其实有“骨架”可以复用。骨架就是去掉具体内容之后剩下的结构。我常用的骨架有四种，从轻到重分别是：一句话版、段落版、参数版和模板版。不同场景用不同版本，别拿模板版去干一句话版的活，也别指望一句话版能控制到参数级的精度。
一句话版适合快速试方向。“一首90BPM的中文女声流行摇滚，吉他主导，情绪从压抑到释放”。就这一句，丢进去听个大概。生成结果对路，再往下细化；不对路，换一组关键词再试。这个版本的核心作用是“排雷”，排除明显不行的方向，成本极低。我一般会连写五六个一句话版，批量生成，耳朵过一遍，留下两三个有潜力的再深入。
段落版是一句话版的扩展，把每个维度展开成完整短句。“主体：中文女声流行摇滚，时长3分半左右。风格：2000年代华语流行摇滚，带一点朋克能量，不是金属也不是民谣摇滚。情绪曲线：主歌压抑，预副歌鼓点加密，副歌吉他墙打开，桥段突然抽空只剩人声和贝斯，最后一遍副歌加和声。乐器：失真吉他主导，贝斯跟底鼓锁死，鼓组用真鼓不用电子鼓。人声：女声，中高音区，带一点沙哑质感，副歌可以叠三度和声。结构：标准主副歌结构，前奏8小节。制作：模拟录音质感，鼓组房间声明显，混音偏干。”这个版本够用了，日常创作大部分时候写到这个程度就可以生成。
参数版是给“控制狂”准备的。段落版有的它都有，还多了具体数值和优先级排序。“BPM 92-96之间。调性D大调。拍号4/4。人声音域控制在C4到E5之间。副歌和声不超过三声部。混响衰减时间1.2秒以内。鼓组瞬态保留清晰。优先级：人声清晰度＞吉他音色准确度＞鼓组冲击力＞整体响度。”参数版适合批量生产或者团队协作，因为别人拿到你的参数版可以直接复现。
模板版是最高级的骨架。它不是一首歌的提示词，是一类歌的提示词。比如“抒情流行模板”的槽位固定了：“主体定位写__，风格限定写__，情绪曲线按主歌__副歌__桥段__填，乐器配置从钢琴/吉他/弦乐里选__做主奏，节奏参数默认70-80BPM，人声设计默认女声独唱加二层和声，结构标记默认前奏8+主歌16+副歌16+主歌8+副歌20+尾奏8，制作质感默认模拟温暖型。”用的时候填空就行。模板版最大的价值是保证同一类作品的风格一致性，你做十首同系列的曲子，用同一个模板版，出来的东西是一个家族的脸。
2.6 提示词清晰度检查：可听化、可判断、可迭代
写完提示词之后我会做三个检查，我管它叫“三可检查”：可听化、可判断、可迭代。三个都过了才拿去生成。这三个检查帮我砍掉了大量“看着写得挺美但根本没法用”的提示词。
可听化检查的是：这句话能不能在脑子里变成声音？你写“编曲有层次感”，脑子里有声音吗？没有。那就不是可听化的表达。改成“主歌只有钢琴和贝斯，副歌加入鼓组和吉他，第二段副歌再叠一层弦乐”，这个在脑子里能放出来。可听化不达标的时候，我会问自己一个问题：如果我是混音师，我拿到这句话知道该推哪个推子吗？不知道就是没写清楚。空泛的形容词是重灾区，“大气”“高级”“有质感”这些词全部要翻译成具体的声学特征。
可判断检查的是：生成结果出来之后，我能不能对照提示词判断“哪里没做到”？你写“副歌要有爆发力”，生成结果副歌确实比主歌响了，这叫做到了吗？很难说。改成“副歌鼓组力度从主歌的mp提升到ff，吉他失真度从轻度提升到中度，人声加入四层和声堆叠”，生成结果一出来，鼓组力度对不对、失真度够不够、和声有几层，全部可以数出来。可判断的提示词是能一条一条打勾的。我习惯把提示词拆成短句，每句对应一个可检查的点。检查不过关的地方，就是下一轮迭代要改的地方。
可迭代检查的是：这次生成的提示词，下次能不能在它的基础上改？有些提示词写成了“一次性用品”——改一个词整个结构就塌了。好的提示词每一条都是独立的模块，你可以单独替换某一项而不影响其他项。我的做法是把提示词写成结构化列表而不是一整段话。生成结果鼓不行就只改鼓那一行，人声不错就保留人声那一行。每轮只改一到两个变量，这样你才能知道到底是哪个词在起作用。有人一次改五六个地方，结果变好了也不知道为什么好，下次想复现都复现不了。
三可检查花不了几分钟，养成习惯之后是写提示词的自动动作。我现在的流程是：写完→扫一眼哪句听不出来→改→扫一眼哪句没法验证→改→拆成模块→生成。这个顺序走下来，一次通过率比早期高了太多。说到底，提示词不是写给自己看的诗，是写给AI执行的工单。工单的标准是清晰、可验证、可修改，不是华丽。
3.1 歌曲生成通用模板：流行、电子、摇滚、民谣等方向
我手头有几套通用模板，是这些年反复调出来的。流行歌的通用模板长这样：“主体：中文流行歌曲，时长3到4分钟，男女声皆可。风格限定：2015年后华语主流流行，旋律优先，编曲服务于人声。情绪曲线：主歌铺设画面感，预副歌推动情绪，副歌旋律记忆点突出，桥段做减法，尾奏渐弱。乐器：钢琴或吉他铺底，贝斯跟根音，鼓组在中后段进入，弦乐在副歌做情感增厚。节奏：BPM 80到100，4/4拍，副歌可加拍手声增加律动。人声：主歌靠近麦克风的气声处理，副歌打开胸腔共鸣，和声用三度或五度叠两层。结构：前奏4到8小节，主歌16小节，副歌16小节，第二段主歌8小节后直接进副歌，桥段8小节，终副歌16小节，尾奏4到8小节。制作：模拟录音质感，人声靠前，混响适中，整体温暖不刺耳。”这个模板好使的地方在于它把“流行歌”这个大概念拆成了可操作的零件。你往里换词就行，把“钢琴或吉他铺底”换成“合成器铺底”，风格限定改成“2010年代电子流行”，其他骨架不用动。
电子方向的模板跟流行有六七成是重叠的，差别主要在乐器和节奏参数。我电子模板的乐器栏写的是：“侧链压缩的合成器Pad铺底，四四拍底鼓跟贝斯锁死，主歌用滤波和弦切出空间感，副歌打开截止频率让高频涌出来，加一段上升音效做段落过渡，采样人声切片点缀在副歌间隙。”节奏参数会写得比流行更死：“BPM 124到128，四四拍，底鼓落在每拍正拍，踩镲落在反拍，副歌加十六分音符的踩镲滚动。”电子乐还有一个跟流行不一样的地方——我必须在负向词里写“不要原声鼓组”“不要三拍子”“不要非电子音色”，不然AI容易给你混进来奇怪的东西。
摇滚和民谣的模板我也常用。摇滚模板里我把“失真吉他”写成必选项，力度分层写得很细：“主歌轻度失真，副歌中度失真，桥段失真全开但只留吉他跟鼓，贝斯失真度略低于吉他。”民谣模板反过来，强调原声乐器的拾音细节：“木吉他指弹，近距离拾音，手指摩擦弦的声音保留，人声与吉他比例六四开，不加鼓组，贝斯只在副歌进入且音量偏低，第二段主歌可加一只小提琴长音铺底。”这几个模板不用每次都从头写，我存在备忘录里，用的时候复制出来改三五处就能贴进AI里跑。
3.2 纯音乐与配乐模板：影视感、场景感、镜头感与动态起伏
纯音乐和歌曲的最大区别是人声让出了位置，空出来的频段得用别的东西填。我写纯音乐模板的时候会多一个“画面描述”的槽位。影视感的模板大概是这样：“纯器乐，时长90秒到2分钟。画面意象：清晨的城市街道，薄雾，一个人在走路，镜头慢慢拉远。风格：电影配乐，钢琴主导，弦乐铺底，不出现打击乐。情绪曲线：前30秒钢琴单音稀疏，30到60秒弦乐低音进入，画面感从个人扩展到城市，60到90秒钢琴与弦乐对话，情绪到高点但不爆发，最后15秒回到钢琴单音收束。”这个模板里“画面意象”那一句特别重要。你给AI一个具体的场景，它编出来的音乐自带空间感和叙事性。我试过把“画面意象”写成“深夜高速公路开车”，生成结果自动带了低频的引擎轰鸣感铺底，鼓组的节奏也自动往稳定的行驶感上靠。
配乐模板跟纯音乐模板的差别在“贴合度”上。配乐是要跟画面咬合的，你得先知道画面怎么切、节奏怎么走。我帮一个做纪录片的朋友写配乐模板，他需要一段“90秒，前30秒讲解历史背景，中30秒人物访谈，最后30秒回到历史画面收尾”的音乐。我的处理是分三段写：“前段：钢琴与稀疏的弦乐，不抢人声，中低频让出300到800赫兹的频段。中段：低频铺底加强，加一个缓慢的脉冲音色暗示时间推进，整体音量不升反降，让访谈人声更清楚。尾段：弦乐群进入，旋律感增强，最后4小节渐弱至消失。”纯音乐模板你得考虑“音乐自己好不好听”，配乐模板你得先考虑“音乐让不让位”。我吃过亏，给一个企业宣传片写配乐，光想着做一段大气磅礴的弦乐，结果客户说“音乐太满了，领导讲话听不清”。后来所有配乐模板里我都加一条负向词：“不要覆盖人声频段，不要在讲话段落使用铜管乐器。”
镜头感这个东西说起来玄，落到提示词里其实能操作。你写“镜头缓慢推进”和“手持镜头晃动感”，对应的音乐参数是不一样的。推进感对应的是“音量渐强、叠加声部逐渐增多、混响空间变大”，晃动感对应的是“节奏轻微不稳、加入不规则的打击乐点缀、音色有模拟磁带的抖动”。我现在写配乐模板会把这些物理动作翻译成音乐参数，不直接写“镜头感”三个字。
3.3 人声歌曲模板：性别、音域、唱法、语言、歌词主题与和声设计
人声模板是我用得最多的一类，因为大部分用户要的就是歌。人声这块的提示词写得越细，生成结果越像“真人唱的”。我的人声模板有七个槽位：性别、音域、唱法、语言、歌词主题、情绪强度、和声设计。性别不用多解释。音域要写具体音高范围，比如“中高音区，舒适音域在C4到E5之间，副歌最高音不要超过F5”。唱法这个槽位最容易被低估，我写人声模板会从这些词里挑：“胸腔共鸣为主”“气声偏多”“带一点鼻音”“尾音加轻微颤音”“咬字靠前，字头清晰”“副歌加入撕裂感”。你写“女声，唱得好听”AI根本不知道怎么处理，你写“女声，气声为主，尾音收得轻，咬字靠前”出来的质感立刻具体了。
语言和歌词主题是配套的。中文歌词我一般会指定“普通话，咬字清楚，主歌叙事感，副歌有记忆点”。英文歌词写“美式发音，辅音清晰，不卷舌”。粤语歌词要加一句“粤语九声调，咬字跟旋律走向贴合”。歌词主题这个槽位写的是内容方向，不写具体歌词——“关于离别但不说破，用天气和街道做意象，不出现‘分手’‘难过’这种直白的词”。和声设计要写清楚“谁在什么位置唱什么”：“主歌不叠和声，预副歌加一条三度上方和声，副歌叠两条和声，一条三度一条五度，和声音量比主人声低6到8个分贝，桥段和声撤掉只留主人声。”
我帮一个独立音乐人做过一首男女对唱，提示词的人声部分写了两大段。男声部分：“男声，中低音区，音域G2到D4，民谣唱法，胸腔共鸣为主，咬字松但不糊，尾音不加颤音，情绪克制。”女声部分：“女声，中高音区，音域A3到E5，气声比例比男声高，咬字清晰，副歌允许轻微颤音，情绪表达比男声外放。”和声部分：“副歌男女声交替主唱，对方唱主旋律时另一人唱三度下方和声，最后一遍副歌两人同时唱主旋律，和声只保留低音铺底。”这个精细度写出来，AI生成的成品直接能用，不用后期修。
3.4 氛围音乐与功能性音乐模板：学习、睡眠、运动、商业空间
功能性音乐的提示词跟艺术性音乐完全是两个逻辑。艺术性音乐你追求“好听、动人、有记忆点”，功能性音乐你追求“不出戏、不打扰、该干嘛干嘛”。我做学习专注类音乐的模板里有一条铁律：“全曲不出现人声，不出现旋律性主导乐器，不出现节奏重音，音量变化幅度不超过3个分贝。”具体写出来是这样：“氛围音乐，时长60分钟循环，BPM 60，无鼓组，低频持续铺底，中高频用稀疏的钢琴单音或环境采样点缀，音色偏暗偏暖，不做渐强渐弱，循环接缝处无音量跳变。”睡眠音乐比学习音乐更极端，我的睡眠模板写“BPM 40到50，无高频刺激，所有乐器起音时间拉长到2秒以上，低频不浑浊，不做突然的音色切换，整曲保持在一个音量水平上”。
运动类音乐反过来，要的是能量和驱动。我写运动模板会强调“节拍稳定、低频有推力、段落变化少、持续兴奋不回落”。跑步用的模板写：“BPM 150到160，四四拍，底鼓每拍正拍，贝斯八分音符滚动，副歌加十六分音符踩镲，合成器音色明亮，不出现慢速段落，全曲能量曲线保持高位，每32小节加一次短促的上升音效做心理激励。”商业空间音乐是另一套逻辑。我给一家咖啡馆写过背景音乐模板，核心诉求是“不抢话、不赶客、有格调但不突兀”。写出来是：“BPM 90到100，爵士或Bossa Nova风格，原声乐器为主，吉他尼龙弦，贝斯拨弦不用弓，鼓组只用刷子不用鼓棒，整体音量动态小，副歌不突出，任意30秒截出来听都差不多但不完全相同。”
功能性音乐模板的验收标准跟艺术音乐不一样。你不用问“好不好听”，你问“听了之后还能不能专心干该干的事”。我测试睡眠音乐的方法很简单——自己放着睡一觉，半夜醒来看自己有没有被吵到。测试学习音乐的方法更简单——放着写两小时东西，看有没有走神去注意音乐本身。这个测试方法比任何参数都直接。
3.5 风格迁移与融合模板：参考风格、融合比例与保留特征
风格融合这块我踩的坑最多，早期写“把民谣和电子融合一下”，出来的东西四不像——民谣不够民谣，电子不够电子。后来我学会了一个方法：写融合模板的时候不写“融合”，写“谁为主、谁为辅、辅的那个保留什么特征”。民谣电子七三开的模板：“主体为民谣，木吉他指弹和叙事性人声为主，编曲层叠入电子元素作为氛围铺底——低频用合成器Sub Bass替代传统贝斯，鼓组用电子鼓机但节奏型参照民谣的简单直拍，副歌加入采样人声切片做点缀，电子元素整体音量低于民谣乐器，不抢主唱位置。”这样写出来，AI知道谁是主角谁是配角，不会给你搞成两边打架。
参考风格的使用要写“提取什么”而不是“像谁”。你写“像Coldplay”，AI不一定知道Coldplay具体是哪首歌的哪个特征。你写“提取Coldplay早期作品的钢琴驱动+宽混响吉他+中速英伦摇滚鼓组，不复制具体旋律和和声进行”，这就清楚多了。我帮一个做短视频的朋友写过一条融合模板：“参考90年代华语武侠片配乐的风格，提取竹笛和古筝的旋律走向、大鼓的节奏重音、弦乐群的悲壮感，不出现具体影片的旋律片段，融合比例大约七成传统民乐三成现代弦乐编配。”这个写法既拿到了风格特征，又避开了版权问题。
融合比例这个参数我一般在提示词里直接写出来。“70%爵士+30%嘻哈”这种写法AI能理解。我还会加一句“融合后的整体听感更接近__”——把融合结果的最终听感描述出来，相当于给AI一个靶心。比如“70%爵士+30%嘻哈，融合后整体听感更接近带爵士和声的Lo-fi Hip Hop，而不是带嘻哈鼓组的爵士乐”。这一句加进去，方向感立刻不一样了。最后加一句负向词兜底：“不要出现两种风格段落割裂，不要在曲中做风格切换，融合需要在同一段落内同时体现。”
3.6 模板定制方法：从通用模板到个人风格提示词库
通用模板用久了，你会发现有几处你总是要改同样几个词。这几处就是你的个人风格所在。我把这个过程叫“从模板到库”的转化。做法很简单：每次用完通用模板，把改动的地方单独记下来。我做了三个月这个动作，发现我在流行模板里永远把混响改成“板式混响，衰减时间1.5秒以内”，永远把人声位置改成“靠前，比伴奏高3个分贝”。这两个改动就是我的个人偏好。我把它们固化进我的个人模板，以后不用每次重写。
个人风格提示词库最好分两层。底层是“组件库”，存的是可以单独替换的模块——“钢琴音色组件”里有五种我常用的钢琴描述，“人声空间组件”里有三种我常用的人声混响设置，“鼓组动态组件”里有四种力度处理方式。上层是“模板库”，是这些组件的组合方案，按用途分类：“短视频BGM模板”“播客片头模板”“情感抒情歌模板”“运动歌单模板”“商业空间模板”。做新曲子的时候先选模板，再从组件库里换几个零件，五分钟能出一版可用的提示词。
建库还有一个隐性好处：它逼你把“感觉”翻译成“参数”。以前我觉得“这个钢琴音色不对”是靠耳朵听出来的，写进库里的时候必须描述成“高音区偏亮，低音区衰减太快，中频有纸盆感不够”。这个过程本身就是训练自己把听感转成语言。我现在听一首歌，脑子里会自动拆成“风格标签+乐器配置+情绪曲线+制作质感”四栏，填进去就是一条提示词。这个习惯不是天生的，是建库建出来的肌肉记忆。
库建好之后要定期清理。我每两个月翻一遍我的组件库，把三个月以上没用过的删掉或者合并。用得最频繁的组件放在最前面，方便快速调用。模板库里的模板如果连续五次生成结果都需要大改，说明这个模板该淘汰了，我把它扔进一个“失败模板”文件夹存着，有时候翻出来看看为什么会失败，比留着成功模板还有用。
4.1 关键词权重与优先级：确保核心风格不被次要信息淹没
我吃过一次大亏。那回我想做一首“带爵士和声的Lo-fi Hip Hop”，提示词里写了三十多个词，从BPM写到混响时间，从乐器组合写到母带处理。结果生成出来一听，压根儿听不出Lo-fi的味儿，倒像是半吊子的轻爵士，鼓组软绵绵的，完全不在状态。我回头翻提示词才发现，我把“爵士和声、钢琴七和弦、贝斯Walking Bass”这些词放在了前面，AI把那堆爵士元素当成了主角，Lo-fi反倒成了附属品。那次之后我明白一个事：提示词里的位置和篇幅本身就是权重。你写得越靠前、占的字数越多，AI就越把它当核心。
现在我写提示词的铁律是——前十个词定生死。核心风格必须放在最前面，用最确定的语气写出来。我会写“Lo-fi Hip Hop，核心风格，主导全曲”，然后再跟一句“融合元素：爵士和声，占比约三成，服务于Lo-fi的整体氛围”。这两句话一前一后，主次分明。你光写“Lo-fi Hip Hop融合爵士”，AI没法判断谁是主谁是谁。你写“以……为核心”“……作为辅助层出现”“……只出现在副歌段落”，权重就被你人工干预了。
还有一个土办法很好使——重复。核心词我在提示词里会重复两到三次，用不同的表述方式重复。比如“Lo-fi Hip Hop，低保真质感，磁带底噪明显，鼓组松散偏后，整体听感是放松的Lo-fi氛围”。同一个意思说了三遍，AI就老实了。但重复不能照抄原句，得换着说法重复，不然AI可能会判定你在堆砌信息。
负面提示词在权重管理里特别好使。我每次做风格融合，后面必加一句“不要让次要风格反客为主，不要出现风格段落割裂，不要在中段突然切换主导风格”。这句话相当于给AI系了一条缰绳，它想跑偏的时候拽一下。我试过不加这句话，十次里有三次会给你在桥段突然搞一段纯爵士即兴，跟前面完全脱节。
4.2 具体化与可听化表达：用声音描述替代空泛形容词
“好听的钢琴”这种词，写了等于没写。AI不知道你说的好听是什么好听。我早期的提示词里全是这种词——“温暖的音色”“宽广的空间感”“有力量感的鼓”。生成出来的东西不能说错，但每次都跟我想的不一样，我也说不清楚哪里不对。后来我逼着自己做翻译练习：把形容词翻译成物理参数，把感受翻译成声音特征。
“温暖的钢琴”我改成“钢琴音色偏暗，高音区不刺耳，中频有木质感，低音区衰减不拖沓，混响用板式混响，衰减时间1.2秒”。这一串写完，AI立刻知道该怎么调了。“宽广的空间感”写成“混响时间长，早期反射声稀疏，左右声道有延迟差，听起来像在一个大房间里听”。你看，没有一个字是“感觉”，全是声音本身的描述。
我总结了一个笨办法——写提示词的时候问自己三个问题。第一个问题：这个声音是高还是低？第二个问题：它是干的还是湿的？第三个问题：它是靠前的还是靠后的？这三个维度问完，大部分空泛形容词都能落地。比如“情绪激烈的副歌”，三问下来变成“高频占比提升，鼓组力度从中等跳到强，人声增加胸腔共鸣比例，整体响度比主歌高4个分贝，但不要压限过度导致失真”。“有空间感的吉他”三问下来变成“吉他混响时间长，高频衰减比低频快，听起来像是从远处传来的，左右声道各放一把节奏型不同的吉他，中间留空给主唱”。
这个翻译过程一开始很慢，写一条提示词要琢磨半小时。写了两个月之后，我脑子里形成了一张自动映射表。听到一个声音，直接蹦出来“中频饱满、高频收敛、近场拾音、短混响、声像靠左三十度”这种参数化描述。这个能力是练出来的，没什么捷径。
4.3 节奏与结构控制技巧：BPM、拍号、段落标记与能量曲线
BPM这个参数最容易写，也最容易被误用。我以前写“BPM 120”就完了，生成出来的东西速度是120，但律动感跟我脑子里想的完全不是一回事。问题出在BPM只管速度，不管律动。同样是120，底鼓落在正拍和底鼓落在反拍，听感差十万八千里。现在我写BPM会连带着写律动模式：“BPM 118，四四拍，底鼓落在每拍正拍和第三拍反拍，军鼓落在第二拍和第四拍，踩镲走八分音符，副歌加入十六分音符的踩镲断奏，整体律动偏向Boom Bap的松弛感，不要做成四平八稳的House直拍。”
拍号一般不用写，默认四四拍就行。你要写三拍子或者六八拍才需要特意标出来。我写三拍子的提示词会加一句“三拍子，圆舞曲感，重音落在第一拍，第二第三拍弱化，不要出现四拍子的节奏型”。不写这句负向词，AI有时候会在一首歌里给你混进四拍子的过门，听起来特别别扭。
段落标记我写得比大部分人都细。大部分人写个“主歌副歌桥段”就完了，我写的是带小节数和能量值的结构指令：“前奏8小节，能量值从0爬升到2（满分10）。主歌16小节，能量值稳定在3到4，不加鼓组或者只加轻踩镲。预副歌8小节，能量值爬到6，加贝斯和底鼓。副歌16小节，能量值7到8，全编制进入。第二段主歌8小节，能量值回落到4但保留贝斯。终副歌16小节，能量值冲到9。尾奏8小节，能量值从6衰减到0。”这么写等于给AI画了一张能量地图，它知道每一段该用力多少。
能量曲线不写小节数也能用，写成相对关系也行：“整曲能量从中低起步，主歌保持克制，副歌比主歌明显抬升，桥段做减法，终副歌比第一遍副歌更高，尾奏回落。”这种写法AI能理解，但控制精度差一些。我一般要么全写死，要么写一半留一半——段落时长让AI自己定，能量关系我写清楚。这样既保证方向对，又给AI留了编曲的余地。
4.4 情绪曲线设计：前奏、主歌、副歌、桥段、尾奏的递进关系
情绪曲线这件事，写提示词的人十个里有八个会忽略。大部分人把注意力放在“用什么乐器”“BPM多少”上，忘了问“这首歌情绪怎么走”。我见过太多生成出来的歌，从头到尾一个情绪，主歌跟副歌一样满，尾奏还在那儿使劲，听两遍就腻了。问题不在AI，在提示词——你没告诉它情绪要有变化。
我现在的做法是给每一段写情绪坐标。前奏写“情绪内敛，画面感强，像是在远处观望”。主歌写“情绪克制，叙事感优先，人声靠前但音量偏小，乐器留白多”。预副歌写“情绪开始爬升，添加低频和打击乐，但不要一下子推到顶”。副歌写“情绪释放，全编制进入，旋律记忆点突出，但不要过度煽情”。桥段写“情绪转调或做减法，撤掉副歌的厚重编配，只留关键乐器，给人喘息感”。尾奏写“情绪回落，渐弱收束，不要以强力和弦收尾”。这些描述不涉及任何专业术语，但AI读得懂。
有一点我特别在意——情绪高点放在哪里。大部分人默认副歌就是最高点，我不一定这么设计。有些歌我在桥段后半段设计最高点，让终副歌反而比桥段低一点点，产生一种“释放后的平静感”。这种设计在提示词里得明写：“情绪最高点出现在桥段末四个小节，终副歌的情绪值比桥段低一档，整体呈现‘爬升—爆发—回落—余韵’的曲线，不要做成‘一路走高’。”
情绪曲线跟曲风也有关系。舞曲的情绪曲线可以是“稳定高位不下落”，你写清楚“全曲情绪保持在高位，段落之间没有明显回落，只有音色明暗的变化”。抒情歌的情绪曲线是“低—中低—中高—高—回落”。电影配乐的情绪曲线可以很陡，从极静到极响。你把这些写进提示词，AI生成的成品立刻有了叙事感。我拿同一组乐器参数做过对比测试，一组写了情绪曲线，一组没写，写了的那个版本在听感上明显更“像一首完整的歌”，没写的版本更像一段循环演示。
4.5 迭代式提示词策略：从粗到细、A/B测试与差异对比
没有人能一次写出完美的提示词。我写了快三年，一次就满意的概率大概三成。剩下七成靠的是迭代。迭代的策略比单次提示词的质量重要得多。
我的第一版提示词永远写得粗。核心风格、BPM大概范围、主要乐器、人声性别，就这四项。跑一遍听结果，跟脑子里的方向对不对。方向对了，进第二版加细节——情绪曲线、段落结构、具体音色描述。第二版一般是改动最大的一版，因为粗版把大方向定下来了，细节可以大胆调。第三版开始做微调，换一个乐器音色、改一个BPM数字、加一条负向词，每次只改一个变量。
A/B测试这个做法我强烈推荐。同一段提示词，你只改一句话，其他全不动，跑两版出来对比。我前几天刚做过：一版写“人声靠前，混响短”，另一版写“人声靠前，混响中等”。两版其他参数一模一样。生成出来一对比，短混响那版人声干净但有点干，中等混响那版人声跟伴奏融合得更好。我把这个对比结果记在备忘录里，以后写类似风格直接调用那个结论。这种对照实验做多了，你对每个参数的效果心里就有数了。
差异对比还有一个用法——留底。我每跑一版就存一次提示词，用日期加版本号命名。有时候跑到第八版发现还不如第三版，直接回退。没有留底你就只能凭记忆重写，重写的跟原来那个不一定一样。我吃过这个亏，第三版挺好的没存，跑到第八版不行了想回去，重写了一遍提示词，出来跟第三版完全两回事。现在我有一个文件夹叫“提示词版本库”，里面按项目分文件夹，每个项目里按版本号排，谁跑的好用一目了然。
4.6 参考曲目的合规使用：提取特征而非复制作品
参考曲目这件事特别容易踩线。早期我写“像周杰伦的《晴天》那样”，AI给你的东西要么不像，要么像得过分了——旋律走向、和声进行都往原曲上靠，这就危险了。后来我改了写法，不写歌名和歌手名，写特征拆解。
《晴天》那个例子我改成这样：“参考2000年代华语校园民谣摇滚的风格特征——木吉他扫弦铺底，英伦摇滚影响的乐队编配，主歌叙事感强，副歌旋律上扬但不过度煽情，鼓组简单直拍不炫技，整体音色偏干偏暖，混响不重。”这样写，AI提取的是风格层面的东西，不会去复制具体的旋律和和声进行。你写“参考某某歌曲”和写“参考某某歌曲的风格特征”，差别就在这儿。
风格迁移的时候我会加一句“不要出现与原曲高度相似的旋律片段或和声进行，参考仅限风格层面的特征提取”。这句话是给自己买保险。AI生成的东西有时候会无意中撞上某首歌的旋律动机，你加了这句负向词，它会主动避开太像的走向。
还有一种情况——用户指定了参考曲目。我遇到过客户说“就要这个感觉”，我一般会写“提取该参考曲目的节奏密度、乐器编制比例和情绪曲线，旋律和和声进行必须原创，不得直接引用原曲片段”。这句话既满足了客户的需求方向，又守住了合规边界。有时候我还会把参考曲目的特征拆成三到四个维度分别描述，每个维度都说清楚“提取什么、不提取什么”。这样AI能精准拿到你想要的，不会越界。
4.7 提示词长度控制：何时精简、何时补充细节
提示词不是越长越好。我见过有人写了两千字提示词，信息密度极低，全是“好听的”“有感觉的”“高质量的”这种废话，真正有用的参数没几个。也见过另一类人，写三个词就跑，“流行，女声，好听”，出来什么全靠运气。长度控制的关键是看场景。
做快速原型的时候我写短提示词。比如我想快速试十个不同方向，每个方向写一两句话，跑出来听个大概，筛选出有潜力的方向再深耕。短提示词写法就是“核心风格+主要乐器+人声+情绪”，其他全不写。BPM不写，AI自己定。结构不写，AI自己排。这种粗放式的跑法效率高，适合找灵感。
定稿阶段我写长提示词。长不是目的，全才是目的。定稿阶段我要求每个维度都有明确指令——风格、乐器、节奏、结构、人声、情绪、制作质感、负向词，一个不落。这种提示词一般三百到五百字，再长也不是不行，前提是每一句都在提供新信息。我有一条自检规则——把提示词从头到尾读一遍，每读一句问自己“这句删了AI会猜错吗”。如果答案是“不会”，删掉。
负向词的长度也要控制。我见过有人负向词写了二十条，把能想到的否定全写上了。负向词写太多有个副作用——AI会被约束得不敢动，生成出来的东西特别保守，像怕犯错的学生交的作业。我一般把负向词控制在三到六条，只写那些确实容易跑偏的点。比如我写Lo-fi Hip Hop，负向词只写“不要高保真质感，不要失真人声，不要激烈鼓组，不要电子舞曲结构”。这四条是这个风格最容易被AI搞错的地方。其他不太相关的就不写了，给AI留点发挥空间。
短提示词和长提示词中间还有一种我常用的写法——骨架加关键词。骨架部分是固定的结构模板，关键词部分每次替换。比如“主体：。风格核心：，辅以。BPM ，拍号。主歌，副歌，桥段。人声，唱法。音色，混响。避免___。”填完大概一百五到两百字，信息密度高，改起来快，我日常八成的工作量用的都是这种写法。纯自由写的长提示词留给那些特别复杂的需求，比如带情绪转折的电影配乐或者多段式结构的长曲子。
5.1 流派与子流派术语库：准确调用风格标签与年代特征
我吃过“风格标签写错一个词，整首歌跑偏到另一个星球”的亏。有一回我想做一首City Pop，提示词里写了“日系复古流行”，结果AI给我整了一首演歌味儿的东西，三味线都冒出来了。问题出在“日系复古”这四个字太宽了，AI在它的训练数据里可能把昭和演歌、J-Pop、City Pop全塞进了“日系复古”这个筐里。后来我改成“City Pop，1980年代日本都市流行，山下达郎式编曲风格，融合Funk与Soft Rock，强调和声进行与铜管点缀”，出来的东西一下子就对了。风格标签的精度决定了生成结果的方向感，你用一个模糊的大词，AI就给你一个模糊的大杂烩。
我现在维护着一个自己的流派术语库，分了三级——一级是大类，流行、摇滚、电子、爵士、民谣、嘻哈；二级是子流派，City Pop属于流行下面，Shoegaze属于摇滚下面，Synthwave属于电子下面；三级是年代和地域标签，比如“1980年代日本”“1990年代英国曼彻斯特”“2000年代底特律”。三级标签叠在一起，AI才知道你要的是哪个具体的角落。光写“电子”等于什么都没写，电子下面的子流派有几十个，BPM从60到180都有，音色取向天差地别。我写提示词的时候，一级标签用来定大方向，二级标签定具体风格，三级标签补年代质感。三个层级缺一不可。
年代特征这件事特别值得单独建一个标签列。同样叫摇滚，1960年代的摇滚和1990年代的摇滚在音色、鼓组、录音质感上完全是两个物种。我做复古摇滚的时候会写“1970年代硬摇滚，模拟录音质感，鼓组干且靠后，吉他失真偏中频，贝斯指弹不入混音太靠前，整体听感像从黑胶转录”。这几句一写，AI就不会给你做成2000年代的数字摇滚，也不会有那种过于干净的现代混音质感。我一般把年代特征拆成三块——录音技术、乐器音色偏好、混音审美。1960年代的录音是四轨磁带，乐器摆位偏左偏右不居中；1980年代是数字录音刚兴起，混响给得大方，鼓组有电子化苗头；1990年代又回到干声为主，压缩用得多。你把这些写进提示词，年代感自然就出来了。
我还专门建了一个“近义词辨析表”。有些风格标签听起来像，实际上是两回事。比如“Chillout”和“Downtempo”经常被混用，Chillout更偏氛围铺底，人声可有可无，节奏缓慢但织体丰富；Downtempo有明确的鼓组律动，BPM一般在80到110之间。再比如“Trip Hop”和“Lo-fi Hip Hop”，前者的黑暗感更重，采样来源偏爵士和电影配乐，鼓组有碎拍特征；后者更轻更松弛，鼓组更规整。我写提示词之前会翻一下这个辨析表，确认自己用的标签是精确的那个，而不是差不多的那个。差不多在风格标签这件事上，就是差很多。
5.2 乐器、音色与制作质感描述：原声、合成、采样、混响、压缩与空间感
“钢琴”这两个字在我的提示词里基本已经快绝迹了。不是不用钢琴，是得说清楚是什么钢琴、怎么录的、怎么处理过的。我早期写“钢琴铺底”出来的声音千篇一律，像是从同一个音源库默认预设里扒出来的。后来我把钢琴拆开写——“原声三角钢琴，近场拾音，琴槌击弦的噪音保留，低音区琴弦共鸣明显，高音区偏暗不刺耳，混响用房间混响，衰减1.5秒，混响量控制在三成，不要太湿”。这么写出来的钢琴才有人味儿，你能听见琴槌敲下去那一瞬间的机械感。
乐器描述我分了三层来写。第一层是乐器本身——什么乐器、什么牌子型号如果有参考就写、原声还是电声。第二层是演奏方式——用弓拉还是用手拨、用鼓棒还是用束棒、轻力度还是重力度。第三层是录音和处理——近场拾音还是远场拾音、有没有经过压缩、混响类型和量。这三层写全，AI基本能复现你脑子里那个声音。少写一层，AI就多一个自由发挥的空间，出来的东西跟你想的就有了偏差。我经常只写第一层，结果发现AI把第二层和第三层的所有可能性里挑了一个我恰恰不想要的那个。
合成器音色是另一个坑。你写“合成器Pad”或者“Synth Bass”，AI能给你掏出几十种完全不同的声音，有的温暖有的冰冷，有的像弦乐有的像噪音墙。我现在写合成器会说清楚合成方式——“模拟风格减法合成器，锯齿波为主，低通滤波器截止频率偏低，有轻微失谐效果，起音慢，释放长，铺在背景层”。减法合成、FM合成、波表合成出来的声音底色完全不一样，你不写清楚，AI就随机挑一个。采样类音色我会写“采样来源为1970年代爵士唱片，底噪保留，高频衰减，循环片段有轻微摇摆感，不要做过度时间拉伸导致失真”。
制作质感是我最近半年才开始系统写进提示词的维度。以前我觉得这东西太虚了，后来发现质感描述直接决定了成品是“像专业录音室做出来的”还是“像卧室制作人用笔记本跑出来的”。我现在会写“整体质感偏复古，鼓组采样率做低，高频有滚降但不要让声音发闷。贝斯用DI直录，不加箱体模拟。人声保留呼吸声和唇齿音，不要做过度修音，允许轻微音准偏差。母线不做响度战争式压限，保留动态范围”。这一段写完，出来的东西马上就有了制作取向，不再是一股AI味儿。
压缩和空间感这两件事我想单独说，因为它们最容易被忽略也最容易毁掉一首歌。压缩我一般写“鼓组轻压缩，保持瞬态，不要压扁。人声中等压缩，起音时间偏慢，保留动态起伏。母线压缩比二比一，只做轻微粘合”。空间感写“混响以板式为主，辅以短房间混响，延迟效果低频少高频多，左右声道混响量有细微差异，整体空间感偏紧凑，不做大教堂那种空旷感”。你不写这些，AI默认给你的混响往往偏大偏亮，听起来像是所有乐器都摆在一个巨大的体育馆里演奏。我吃过好几次这个亏，明明想要的是贴身的小房间感，出来的是空旷的大厅。
5.3 人声表现控制：气声、真假声、说唱、合唱、和声与情绪强度
写“女声”跟没写一样。我做过一个测试，同一段旋律，提示词里只写“女声”，连跑十次，出来的声音从低沉的爵士女中音到甜腻的流行女高音全有，跨度大得吓人。后来我把人声拆成六个维度来写——音域、音色、唱法、咬字、情绪强度、和声安排。这六项写全了，人声的可控性才上来。
音域我写具体音区，不写“高音女声”这种模糊描述。写“女声，音域集中在中音区到中高音区，真声为主，最高音不超过高音C，不追求飙高音”。音色写“声线偏厚，有颗粒感，接近爵士 vocal 的质感，不要甜美化处理”。唱法写“以气声和半声为主，副歌段落切换为真声，真假声转换处不做明显断层，允许有轻微漏气感”。咬字写“咬字清晰但不生硬，尾音处理自然，不要每个字都拖长”。情绪强度写“主歌情绪克制，音量七成，副歌释放到九成，桥段回落到六成，尾奏渐弱到四成”。和声写“副歌加入三度和声，和声人声音量为主唱的六成，不要盖过主唱，和声站位偏后偏宽”。
说唱的人声控制是另一个体系。我写说唱提示词的时候会把flow单独拎出来写——“Verse段落为说唱，flow偏紧凑，每句末尾有切分停顿，重音落在反拍，咬字力度中等偏强，不要做成喊麦式的大白嗓。副歌切换为旋律性演唱，人声加入Auto-Tune轻微修正，修正强度低，保留自然人声瑕疵”。说唱的flow不写清楚，AI容易给你做成特别平铺直叙的那种念白，一点律动感都没有。我一般会指定参考的flow类型——“Boom Bap式flow，句尾押韵密度中等，不要三连音堆砌”。
合唱和和声得分开写。合唱是多人同时唱同一个声部，和声是不同音高叠在一起。我写合唱会注明人数和声部——“四声部混声合唱，女高音、女低音、男高音、男低音各两人，声部平衡，不要突出某一声部”。写和声会注明音程关系和出现位置——“主歌不加和声，预副歌加入五度和声，副歌加入三度和五度叠置和声，桥段和声撤掉只留主唱，终副歌和声加宽到四声部”。和声如果不指定位置，AI可能从头到尾给你铺满和声，听感特别腻。我一般在负向词里加一句“不要在非指定段落出现和声铺底，不要用和声替代主唱旋律”。
情绪强度这件事得跟旋律走向配合着写。我做过一首歌，提示词里写了“情绪激烈”，结果AI给人声加了一堆嘶吼和破音，那首歌的编曲其实是偏内敛的后摇风格，人声一吼整首歌的气质就拧了。后来我改成“情绪激烈但表达克制，人声力度中等偏强，不嘶吼不破音，通过咬字力度和气息推动来传递情绪，高音区用假声弱化处理”。同一个情绪词，配上不同的表达方式限定，出来的效果天差地别。人声的情绪不在于音量大小，在于密度和张力。我现在写人声情绪会同时写“音量等级”和“张力等级”两个参数，音量可以是五成，张力可以拉到八成，这种反差感比单纯吼出来高级得多。
5.4 避免风格漂移：锁定核心特征、设置约束条件与优先级
风格漂移是我最头疼的问题，没有之一。你做一首歌，前奏听着是Post-Rock，主歌进来变成流行摇滚，副歌突然冒出一段电子Drop，桥段又给你整了段管弦乐。单听每一段都还行，合在一起像四个人写的四首歌拼的。AI生成长曲子的时候特别容易犯这个毛病，它在每一段都独立决策，没有全局一致性意识。你不给它上锁，它就在每一段放飞一次。
我现在的做法是写一条“全曲风格锚定”指令放在提示词最前面——“全曲锁定风格为___，所有段落不得偏离此核心风格，段落之间的变化仅限于情绪强度、乐器密度和编曲厚度的调整，不得出现风格类型的切换”。这条指令之后，我还会在段落描述里重复锚定——“主歌：Post-Rock核心风格，吉他延迟音色铺底，鼓组轻力度。副歌：Post-Rock核心风格不变，吉他失真加入但保留延迟特征，鼓组力度提升。桥段：Post-Rock核心风格不变，撤掉失真吉他，只留清音延迟和贝斯，情绪做减法。”每段都提一次核心风格，AI就不容易在桥段突然给你转成爵士。
约束条件我一般分三组来写。第一组是风格约束——“不要出现电子舞曲的Four-on-the-floor节奏型，不要出现爵士和弦替代，不要出现乡村音乐的滑音吉他”。第二组是结构约束——“不要在中途突然改变BPM，不要在段落交界处做突然的风格切换，不要出现无铺垫的转调”。第三组是乐器约束——“不要出现非指定乐器，不要在主歌加入副歌才有的乐器，不要在同一声部叠放音色冲突的乐器”。这三组约束写下来，AI的活动空间被框在一个合理的范围内，既不会跑偏到收不回来，也不会被框得太死导致生成的东西死气沉沉。
优先级是约束条件的配套工具。我写提示词的时候会明确标出哪几个特征是“不可妥协”的——“核心风格：Shoegaze，不可妥协。吉他音色：大量失真加混响墙，不可妥协。鼓组处理：偏后偏闷，不可妥协。BPM：120到135之间，可浮动。结构：主歌副歌桥段，可调整小节数。人声：女声，气声唱法，可接受微调。”不可妥协的项我放在提示词前半段，可调整的项放后半段。AI读提示词的时候有位置偏好，前面的权重更高。我把最怕漂移的特征放在最前面，就是在告诉AI“这些你要是搞错了，整首歌就废了”。
还有一种漂移是“渐进式漂移”，前奏到主歌只偏了一点点，主歌到副歌又偏了一点点，等听到尾奏的时候已经跟最初的方向差了十万八千里。这种渐进式漂移最难发现，因为每一步偏差都不大。我的对策是在提示词里把“参考坐标”固定住——“全曲以第一段主歌的编配密度和音色取向为基准，后续所有段落的变化以此为参照，副歌的乐器增量不超过基准的三成，桥段的乐器减量不少于基准的五成”。有了这个基准坐标，AI在每一段做决策的时候都有一个参照物，渐变式漂移的概率会低很多。我在后期检查的时候也会拿第一段主歌当标尺，逐段对比，偏了就回去改提示词加约束。
5.5 提示词效果评估：从可听结果反推提示词修改方向
听生成结果的时候不能光凭感觉说“好听”或者“不好听”，得有个评估框架。我现在的做法是拿一张检查表对着听，表上列了八个维度——风格准确度、乐器音色符合度、节奏律动感、段落结构清晰度、情绪曲线走向、人声表现、制作质感、整体完成度。每项打一到五分，低于三分的项就是下一轮提示词要重点改的地方。这个打分听起来很机械，但确实管用，它逼着我把模糊的不满意翻译成具体的修改方向。
从结果反推提示词是有技巧的。举几个我实际遇到的例子。生成出来发现“鼓组太靠前，抢了人声的位置”，反推回去看提示词，我写了“鼓组有力”但没写“鼓组靠后不抢人声”。修改方案就是在鼓组描述里加“鼓组音量比人声低三到四个分贝，混响量偏少，保持节奏骨架功能不强调存在感”。再比如“副歌没有比主歌明显抬升”，反推回去发现我写了“副歌加入更多乐器”但没写“副歌整体响度和密度要明显高于主歌”。修改方案是加上“副歌比主歌多出至少两层乐器，低频能量提升，人声响度提升两到三个分贝，段落交界处有明确的能量跃升”。
有一种情况比较麻烦，生成结果整体方向没问题，但就是“少了点什么”。这种最难反推，因为你说不清少了什么。我的办法是对比法——找一首风格接近的参考曲目，用前面说过的特征拆解法把参考曲目拆成各个维度的描述，然后跟我写的提示词逐项对比，看我漏了哪个维度。十次里有七八次能找到漏项。有一次我做一首氛围电子，怎么听都觉得“不够氛围”，对比参考曲目之后发现我漏写了“空间感”维度——没写混响大小、没写声场宽度、没写延迟效果。补上这三项之后，氛围感马上就对了。漏掉的往往不是风格标签这种大词，是听起来不起眼但实际影响很大的细节维度。
“负向结果”也是重要的评估信号。生成出来的东西有某个你不想要的特征反复出现，说明你的正向提示词里缺少相反的约束。我做Lo-fi的时候总出现“人声太干净”的问题，反复改正向词也没用。后来想明白了，我一直在写“人声温暖”但从来没写过“不要过度修音”。加上负向词“人声保留呼吸声和瑕疵，不要做音准修正，不要做节奏对齐”之后，问题解决了。负面结果出现的时候，先别急着改正向描述，第一反应应该是“我是不是少写了一条负向词”。
评估还得看“稳定性”。同一段提示词跑三次，如果三次出来的风格一致性很好，说明提示词写得够明确。如果三次出来三个样，说明提示词里有模糊地带，AI每次都在随机选。我的标准是核心风格一致性必须三次一致，音色和编曲细节可以接受一定范围的浮动。我跑完一批生成结果之后会做一个“一致性打分”——三个版本里核心特征是否全部一致、次要特征是否在两个版本里一致、细节特征允许三个版本各不相同。核心特征不一致的，提示词必须回炉改。
5.6 个人提示词资产沉淀：标签库、模板库与失败案例库
我刚开始写提示词的时候每条都现写，写完就扔，下次遇到类似需求从头再来一遍。这个状态持续了大半年，效率低得令人发指。后来有一次我想做一首City Pop，写提示词的时候觉得这个风格我好像做过，翻聊天记录翻了半小时才找到半年前写的那条，发现当时写得还挺好，稍微改改就能用。那次之后我开始建自己的提示词资产库。
标签库是基础层。我按维度分类存标签——风格标签、乐器标签、音色标签、节奏标签、人声标签、制作质感标签、情绪标签、负向标签。每个标签后面我会加一句简短的注解，说明这个标签适合什么场景、跟哪个标签搭配效果好、跟哪个标签容易冲突。比如“磁带饱和”这个标签的注解是“适合复古风格、Lo-fi、City Pop，不适合电子舞曲和高保真古典，跟‘高频滚降’搭配使用效果最好”。这个注解比标签本身还值钱，它记录的是我实际用下来的经验判断，不是从网上抄的列表。
模板库是中间层。我把验证过好用的提示词骨架存成模板，分了几类——快速原型模板、定稿长模板、风格迁移模板、人声歌曲模板、纯音乐模板、功能性音乐模板。每个模板里留空位，用的时候填空就行。模板不是死的，我会根据项目需求在模板基础上增删。我的City Pop模板用了快两年，前后改了十几版，每一版都是遇到了新问题、补上了新约束。模板更新的过程其实就是经验积累的过程，你改过的每一版都在帮你把那个风格的控制精度往上提一档。
失败案例库是最容易被忽略但最重要的部分。我专门建了一个文件夹叫“翻车记录”，每次生成结果跟预期差得特别远的时候，我就把提示词原文、生成结果描述、问题分析、修改方案全存进去。翻车记录我分了几个大类——“风格漂移类”“人声翻车类”“节奏错乱类”“质感不对类”“结构崩坏类”。每类下面有具体的案例。我做新歌之前会翻一下对应类别的翻车记录，看看有没有可能踩同样的坑。这个习惯帮我避开了很多重复错误。人不会从成功里学到太多东西，成功的时候你不知道哪个参数起了作用，失败的时候你才被迫去找原因。
资产库还得有检索功能，不然存了等于没存。我给每条记录打了标签——风格标签、问题类型标签、项目类型标签。找的时候按标签筛，比如我想找“City Pop + 人声处理”相关的记录，筛出来直接看。我的资产库现在有四百多条记录，靠标签检索能在十秒内找到相关条目。这个库是我写了三年提示词攒下来的家底，比我任何单条提示词都值钱。刚开始建库的时候觉得麻烦，每条都要分类、写注解、打标签，坚持了三个月之后就尝到甜头了——以前写一条新提示词要琢磨半小时，现在翻库找参考加修改，十分钟搞定，而且质量还比现写的稳定。
6.1 从创意到提示词：需求拆解、关键词提取与提示词草稿
我接到一个需求的时候，脑子里第一反应从来不是“提示词怎么写”，而是“这首歌到底要干嘛用”。这个顺序不能反。我见过太多人拿到需求直接开始敲提示词，敲了两百字发现方向不对，推倒重来。我的做法是先做一张需求拆解表，把用途、受众、场景、时长、平台、情绪目标、风格方向、人声需求这八项挨个填一遍。填完这张表，提示词该写什么自然就浮出来了。
拆解完需求，下一步是提取关键词。我一般会从需求描述里拎出三类词——硬性词、软性词、氛围词。硬性词是“BPM 90”“女声”“三分钟”“副歌必须有记忆点”这种带参数的，软性词是“温暖”“怀旧”“不吵”这种带感受的，氛围词是“深夜开车”“雨天咖啡馆”“旧照片翻页”这种带画面的。三类词拎出来之后，硬性词直接进提示词骨架，软性词翻译成可听化的音乐术语，氛围词用来校准整体气质。这三类词的比例大概是硬性三成、软性四成、氛围三成，氛围词少了歌没魂，硬性词少了歌跑偏。
提取完关键词我开始写草稿。草稿阶段我写得很糙，不追求完整句子，就是把脑子里的东西一股脑倒出来——“中速，女声，City Pop底子，贝斯要弹起来，鼓组别太电子，副歌要有铜管，整体听感像傍晚东京街头”。这种草稿写个五六条，每一条稍微换个角度，然后放着不管。过半小时再回来看，哪条读着最顺眼、最有画面感，就拿那条当底子展开。草稿阶段最重要的不是写得多好，是把脑子里的模糊想象先固定下来，不然你写到一半想法变了，前面全白搭。
6.2 生成、筛选、标注、迭代的闭环流程
我现在的生成流程分了四步——粗跑、筛选、标注、迭代。粗跑阶段我会用同一组提示词跑四到六个版本，每个版本之间的差异只在一个变量上，比如只改BPM、只改人声性别、只改鼓组音色。这个阶段的目的不是找到“能用的”，是找到“哪个变量影响最大”。有时候你会发现改了五个变量都没什么感觉，改了混响参数整首歌的气质全变了。粗跑就是帮你找到那个杠杆点。
筛选阶段我有个笨办法但特别好使——盲听打分。把生成的文件名字改成随机编号，不看提示词，纯靠耳朵给每个版本打两个分，一个是“离目标近不近”，一个是“本身好不好听”。这两个分数经常打架，目标分高听起来一般的版本，说明提示词写对了但AI执行有问题；目标分低但听起来好听的版本，说明提示词方向偏了但AI撞对了某个好东西。打架的版本我一般会留下，因为里面有信息量。
标注是把筛选结果翻译成修改指令的过程。我给每个保留下来的版本写三行标注——第一行写“这个版本哪里对了”，第二行写“哪里还不够”，第三行写“下一轮改哪个词”。这三行必须写具体，不能写“鼓组感觉不对”，要写“鼓组瞬态太硬，听起来像电子鼓，下一轮在鼓组描述里加‘原声鼓组，瞬态柔和，鼓皮余振保留’”。标注写不清楚，下一轮迭代就是瞎改。
迭代我一般跑三轮。第一轮粗调，改大方向；第二轮细调，改音色和段落衔接；第三轮微调，改混音质感和细节参数。三轮之后如果还不满意，说明问题不在提示词上，要么是这首歌的编曲复杂度超了AI当前的能力边界，要么是我自己的需求就没想清楚。我吃过一次亏，一首歌迭代了九轮还是不对，最后发现是我一开始写的需求就是矛盾的——又想要“极简”又想要“层次丰富”，这两个词在音乐上是对冲的。迭代之前先把需求本身检查一遍，能省掉一半的无用功。
6.3 多版本管理与提示词版本库建设
我在版本管理上走过很大的弯路。最早的时候文件名就是“歌名_最终版_真的最终版_打死不改版”，这种命名方式除了搞笑没有任何作用。后来我改成了一套死板的命名规则——项目编号加版本号加变更关键词，比如“P023_V4_副歌铜管加强”。项目编号是数字，版本号是数字，变更关键词用一句话说清楚这版改了什么。就这一条规矩，帮我省掉了大量翻文件夹的时间。
光改文件名还不够。我每个版本会配一个文本文件，里面存三样东西——完整提示词、生成参数快照、版本备注。生成参数快照包括BPM设了多少、时长选了多少秒、随机种子是哪个。很多人只存提示词不存参数，下次想复现某个版本的时候发现BPM记错了，跑出来完全对不上。备注写的是“这版为什么改、改完效果好不好、有没有引入新问题”。这三样东西缺一样，版本库的价值就砍一半。
我的版本库分了两层——项目层和资产层。项目层是按项目建的文件夹，每个项目下面放所有版本和标注文件。资产层是从各项目里提炼出来的通用提示词骨架，按风格和功能分类存放。项目层是工作台，乱一点没关系，能找着东西就行。资产层是仓库，必须干净整洁，每条骨架都经过验证、写了使用说明、标了适用场景。我从项目层往资产层搬东西的标准很简单——这条提示词跑出来的结果，我自己愿意在下一个项目里当起点用。达不到这个标准的一律不进资产层。
6.4 团队协作中的提示词规范、命名规则与交接流程
我一个人写提示词的时候没什么规范可言，自己看得懂就行。后来开始跟别人协作，问题马上就来了——别人写的提示词我看不懂，我写的别人接不住。有一次我把提示词交给同事跑后续迭代，他跑出来的东西跟我跑出来的完全两个样。查了半天发现原因特别蠢——我写BPM的时候写的是“中速”，他理解成了110，我实际想要的是92。就这一个词的歧义，整首歌的速度差了一大截。
从那之后我开始定团队用的提示词规范。第一条规矩是禁用模糊词——“中速”“稍快”“偏慢”全部不许用，BPM必须写具体数字。第二条是乐器名称用标准术语——“琴”必须写清楚是钢琴还是电钢琴还是合成器。“鼓”必须写清楚是爵士鼓还是电子鼓还是打击乐合奏。第三条是情绪词后面必须跟可听化描述——“温暖”后面要加“高频不刺耳、中频饱满、低频不轰头”。这三条规矩执行下来，交接的沟通成本降了七成。
交接流程我搞了一个简单的模板，分四块——需求摘要、提示词全文、版本历史、已知问题。需求摘要写这首歌给谁用、什么场景、什么风格；提示词全文复制粘贴不许截图；版本历史写清楚每一版改了什么、为什么改；已知问题写清楚当前版本有哪些瑕疵、下一轮准备怎么解决。接的人看完这四块，基本不用再问我什么。这个模板我逼着团队所有人都填，一开始大家都嫌烦，填了两个月之后没人抱怨了，因为省下来的沟通时间远超填表的时间。
命名规则在团队协作里比在单人工作里重要十倍。我们现在的规则是“项目编号_版本号_变更内容_负责人缩写”，比如“P031_V2_贝斯线简化_LW”。项目编号统一分配，不许自己编；版本号只增不减，小数版本用V1.1这种格式；变更内容限十五个字以内，写不清楚说明改动太多需要拆成多个版本；负责人缩写用姓名首字母。这个规则听起来死板，但团队协作最怕的就是灵活，灵活意味着每个人一套规矩，最后谁也不知道哪个文件是哪个。
6.5 版权、原创性与伦理边界：参考风格与避免侵权的平衡
风格参考这件事我踩过边界。有一次我做一首歌，提示词里写“听起来像某某乐队的某某专辑”，结果生成出来的东西跟那首歌的副歌旋律走向高度相似。虽然AI不是直接采样，但出来的东西太像了，我自己听着都不舒服。那之后我给自己定了一条线——可以写风格特征，不写具体作品和艺人名字。写“1990年代英国盯鞋摇滚，吉他失真加混响墙，男女双主唱，鼓组偏后”没问题，写“像我的血腥情人节《Loveless》那张专辑”就越界了。前者是风格描述，后者是把具体作品当成生成目标，性质不一样。
风格特征的提取我有一套方法，叫“拆骨法”。拿一首参考曲目，不听旋律不听和声进行，只听音色取向、混音质感、乐器编制、节奏型态这四样。把这四样写成文字描述，然后拿掉所有能指向具体作品的信息，剩下的就是可以安全使用的风格提示词。比如一首歌用了“温暖的黑胶质感、鼓组干且靠后、贝斯指弹为主、吉他清音加短延迟”，这组描述可以用在无数首歌上，不指向任何一首具体作品。但如果你加上“副歌有那种特定的和弦走向”或者“前奏有那个五声音阶的吉他riff”，指向性就出来了，不能写。
原创性这块我的标准很朴素——我做出来的歌，我敢不敢在发行的时候不标注“AI生成”直接当原创发。如果不敢，说明提示词里借来的东西太多，需要回炉重写。这个标准很主观但很管用，它逼着我在提示词里加自己的东西，而不是纯粹从参考曲目里扒特征。我现在写提示词会刻意加一些“不完美”的参数——某个乐器音量故意做大一点、段落过渡故意不做平滑处理、混音故意保留一点粗糙感。这些不完美的地方是我作为创作者的选择，不是AI的默认输出，有了这些东西我才觉得这首歌算是我的。
伦理边界还有一条线是歌词内容。AI生成歌词的时候容易滑向两个极端——要么空洞无物全是套话，要么为了“深刻”硬凹一些不知所云的句子。我现在的做法是歌词主题和核心意象自己写，提示词里只给关键词和情绪走向，让AI填血肉，骨架必须是我自己的。有一回我做一首关于离别的歌，提示词里写了“离别、火车站、旧车票、没有说出口的话”，AI填出来的词虽然不算多好，但方向是对的。后来我把“火车站”改成“轮渡码头”，整首歌的气质马上就不一样了。这种细节上的控制，既是原创性的保障，也是提示词工作里最有意思的部分。
6.6 实战案例：一首定制歌曲从需求分析到提示词优化的全过程
去年秋天一个做独立游戏的朋友找我，说他的游戏里有一段过场动画需要一首配乐，要求是“三分钟左右、纯音乐、情绪从压抑到释放、带一点东方色彩但不传统、整体听感要现代”。这个需求描述很典型——信息量不小，但全是形容词，没有一个音乐术语。我拿到需求之后先做拆解，把五个形容词翻译成音乐参数。“压抑”对应的是低频铺底、节奏缓慢、和声偏暗；“释放”对应的是乐器增量、高频打开、节奏密度提升；“东方色彩但不传统”对应的是五声音阶的旋律动机、但配器用现代合成器和弦乐；“现代”对应的是混音质感干净、低频紧实、声场偏宽。翻译完这五条，提示词的骨架就有了。
我第一版提示词写的是——纯音乐，三分钟，BPM 70，前奏压抑，钢琴低音区单音重复，弦乐铺底，中段加入电子合成器Pad和五声音阶的琵琶采样，副歌段鼓组进入，弦乐群奏，情绪释放，尾奏回到钢琴单音。这版出来之后问题很明显——前奏太长了，快一分钟才进鼓，过场动画总共三分钟，等不到释放段就结束了。而且琵琶采样太突兀，跟电子Pad打架，听感像两个不同的音乐拼在一起。标注写的是“结构时间分配不合理，乐器进场顺序需要重排”。第二版我把前奏压缩到二十五秒，琵琶往后挪到桥段，改用合成器模拟类似音色，避免采样跟电子音色冲突。这版解决了结构问题，但新的毛病出来了——情绪释放得不够，副歌段听起来只是“稍微响了一点”，没有那种从水里冒出头来的感觉。
第三版我开始上手段。光是改提示词描述已经不够了，我加了参数控制——副歌段的鼓组描述改成“军鼓瞬态加强，底鼓低频下潜加深，鼓组整体响度比主歌提升至少四分贝”，弦乐描述改成“弦乐群奏从单声部扩展到四声部，高频段弦乐泛音打开，不要做低通滤波”，还加了一条“副歌段整体声场宽度比主歌拓宽三成，混响量增加但衰减时间不变，保持声场紧凑”。这三条参数写进去，出来的版本终于有了明显的释放感。但朋友听了之后说“释放是有了，但释放完之后有点收不回来，尾奏感觉悬在半空”。
尾奏的问题我调了两轮。第四版我把尾奏描述改成“尾奏回到钢琴单音重复，但音区比前奏高一个八度，弦乐在背景层做长音衰减，电子Pad的低频部分保留，高频逐步撤出，最后八秒只留钢琴和混响尾音，不要突然切断”。这版出来之后朋友说可以了。从拿到需求到定稿，总共跑了六版，耗时三天，其中前两版花了半天，后四版反复调了两天半。整个过程里提示词从初稿到终稿改了多少次我没数，但每一版改动的方向都很明确——第一版解决结构，第二版解决乐器冲突，第三版解决情绪释放，第四版解决尾奏收束，第五版微调了琵琶音色的融合度，第六版只改了一个参数，把BPM从70降到68，让整体听感更沉一点。
这个案例做完之后我把整个过程整理进了资产库，归类到“定制配乐”下面，标注了几个要点——需求拆解阶段怎么把形容词翻译成参数、结构时间分配怎么做减法、乐器冲突怎么通过音色替换解决、情绪释放怎么用参数而不是形容词来控制。后来有个做播客的客户找我做片头音乐，需求跟这个很像但时间只有十五秒，我直接调了这个案例的资产，二十分钟出了初稿，改了两轮就定稿了。这就是版本库和案例库的价值——第一个项目花三天，第二个类似项目花二十分钟。经验不是天上掉下来的，是你每做完一个项目就存一点东西进去，存着存着就有了。
