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 pads，90 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60-80，Citypop、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。
