AI 音乐提示词怎么写 — 不懂乐理也能写出想要的歌
不识谱、不会乐器、不知道和弦是什么，也能用 AI 做出一首自己真正喜欢的歌。生成结果是千篇一律，还是接近你想象中的样子，几乎完全取决于你在输入框里写了什么。
AI 音乐工具已经进入主流。在 LANDR 2025 年对 1,200 多名音乐创作者的调查中，87% 的受访者表示已经在创作流程的某个环节使用 AI。工具足够强，普及度也足够高；对刚上手的人来说，门槛已经不在技能，而在于会不会描述自己想要什么。
而大多数新手，写得太少。
一个词的陷阱
新手最常见的做法，是只输一个词——「流行」「伤感」「lo-fi」——然后点生成。这也是最容易做出平庸结果的做法。
在一份约 650,000 次 AI 音乐生成的跨平台样本中，人们输入的长度分成了两个阵营：约 41% 的提示词超过 1,000 个字符——完整歌词或详细的创作指示；只有约 9% 不足 50 个字符。中间地带非常少。拿到具体歌曲的人在写整段文字；拿到背景墙纸的人在写标签。
你不需要写到 1,000 个字符，但需要比一个词多。一个合适的起步目标是一到两个完整的句子——就像朋友马上要放一首歌给你听之前，你向他描述这首歌的那种说法。
写清场景、情绪和走向
一条模型真正用得上的提示词，要点明三件事：这首歌用在什么场景、带着什么情绪、音乐本身在做什么。只给流派，结果几乎不会有变化。
在样本中，情绪与情感类词汇的出现频率和乐器名大致相当。人们描述一首歌「该是什么感觉」的篇幅，不亚于描述「里面有什么」——而感觉，恰恰是模型无法从流派标签里猜出来的部分。
一个可靠的模板：
[场景或场合]+[情绪]+[谁在唱]+[歌曲走向]
于是「流行」变成：
一首专为夏日公路旅行而作的欢快 synth-pop 歌曲，气质明亮而无忧无虑，由年轻女声担任主唱，一路层层推进，落在全场跟唱的大副歌。
「伤感钢琴」则变成：
一首缓慢而私密的钢琴抒情曲，关于思念一个人，深夜氛围、克制内敛，轻柔的男声一直压着音量，直到最后一段副歌才放开。
「走向」是新手最容易跳过的部分。这首歌是保持平稳、逐步推进，还是骤然下落？「推进到一个大副歌」「全程保持舒缓」「第一段主歌之后重重地 drop」——这些告诉模型的是歌的形状，而不只是氛围。
声音调色板：指定人声，锚定几件乐器
场景之后，最影响声音的是两样东西：人声，以及两三件起锚定作用的乐器。
人声是默认项。在样本里，人声描述与纯器乐请求的数量之比约为 17.6 比 1——如果你不想要人声，就写上「instrumental」（纯器乐），否则出来的歌一定有人唱。
如果你想要人声，就用三笔描述演唱者：身份（年轻女声、年长男声、童声）、质感（沙哑、气声、圆润）、唱法（说唱、放开高唱、耳语式轻唱）。
乐器写两三件就够——堆上十件反而糊成一团。点名那几件定义这首歌的乐器，其余交给模型补全。在人们确实点名的乐器中，贝斯和吉他排在最前——比起独奏，更能决定质感的是底层基础。
同样的速度，两套音色组合会得到完全不同的两首歌：
温暖、略带沙哑的男声，指弹木吉他，轻柔的低音提琴
明亮的女声带一点 auto-tune，冲击力十足的 808 低音，清透的合成器拨弦音色
结构标记是你还没用上的最便宜的控制手段
如果你生成过那种听起来像两分钟循环的歌——没有推进、没有回报、同一个乐句转来转去——这一节就是解法。
你喜欢的歌都有段落，就算你从没用过这些名词，耳朵也早就认识它们。主歌是讲故事的部分：推动情节向前，通常安静一些。副歌是不断回来的那部分——听一遍就能哼出来的那一段，通常最饱满。桥段在接近结尾时出现一次，换一处风景，让最后一遍副歌打得更重。
结构标记让你把这个形状直接交给模型。把段落名写在方括号里，后面跟几句大白话，说这一段该是什么感觉：
[verse] quiet, just guitar and voice
[chorus] full band, big harmonies
[verse] add a steady drum beat
[bridge] strip back to piano
[chorus] biggest version, lift the energy
不写歌词也能用。哪怕只放光秃秃的标记——[intro] [verse] [chorus] [verse] [chorus] [outro]——也能把一段循环变成一首形状可辨的歌。
而且这不是小众技巧。在样本中，[chorus] 出现约 453,000 次，[verse] 约 410,000 次——整个数据集里最高频的八个词中，有六个是段落标记，而不是情绪或流派。多数教程教新手打磨情绪词；真正做过很多歌的人，把字数花在结构上。
不用术语，也能调旋律和唱法
结构标记之所以简单，是因为它只负责标出段落。旋律和演唱同样值得引导——而且用大白话就行，不需要音乐术语。直接说出你想让曲调是什么感觉：
- 想要记得住的副歌："a catchy hook that lifts and rises at the end"（一个抓耳的钩子，结尾处上扬）。
- 想要听得清、跟得上的咬字："clear, one note per syllable, easy to sing along"（咬字清晰，一字一音，容易跟唱）。或者 R&B 那种一个字在几个音之间绕的唱法："lots of vocal runs"（大量转音）。
- 想要能量感："short, punchy notes"（短促有力的音符）。想要平静："smooth, flowing, connected notes"（平滑流动、连贯的音符）。
- 说唱则用："a laid-back flow"（松弛的 flow），或 "a fast, tight flow"（快而密的 flow）。
重度用户有时会把这些写成方括号标记——[soaring melody]、[melismatic vocals]、[staccato]——在支持它们的工具上同样有效。但你不必学会这套词汇。大白话描述就能覆盖大部分需求，而且它和本指南其余部分是同一个直觉：说出你想听到的。
其余旋钮：速度、调性、时长
速度、调性和时长，只在你有具体理由时才值得设置。其余时候，你的描述本身已经暗含了它们。
- **速度（BPM）**就是歌有多快——每分钟节拍数。大致的落点：慢速抒情歌在 60–80 左右，多数流行乐 100–130，house 和 EDM 接近 120–130，嘻哈 80–100，drum & bass 165 起。只有当歌需要对上某个外部对象——视频剪辑点、一支舞、跑步配速——才需要给具体数字。其余时候，「慢速」「中速」「有推进感」就够用。
- 调性决定这首歌整体偏高还是偏低。大多数非音乐人应该留空，模型会选一个适合演唱的调。只有在要对齐某首现成曲目、或某位歌手的音域时才设置。
- 时长在歌要填进一个固定槽位时才重要——30 秒的短片、15 秒的开场。不写的话，通常会得到完整长度的编曲。
- 简单模式与高级模式是唯一值得弄懂的开关。简单模式是用大白话描述这首歌；高级模式是自己输入歌词和结构标记。在样本中，实际使用里高级模式略多于简单模式——约 46% 对 38%。从简单模式开始，一旦你想控制歌的形状，就切到高级模式。
六种常见风格的起步提示词
下面把这套框架落成可以直接复制的提示词。每一行都点明了场景、情绪、人声和歌曲走向。找到离你想法最近的一条，把细节改成你自己的歌。
| 风格 | 一条你真的会输入的提示词 | 值得设置的旋钮 |
|---|---|---|
| 流行 | 一首专为夏日公路旅行而作的欢快 synth-pop 歌曲，气质明亮而无忧无虑，由年轻女声担任主唱，一路层层推进，落在全场跟唱的大副歌 | ~120 BPM |
| 原声抒情歌 | 一首关于想家的缓慢而私密的抒情歌，温暖略带沙哑的男声，指弹吉他配轻柔的低音提琴 | ~70 BPM |
| 嘻哈 | 一首关于深夜打拼的 boom-bap 说唱，松弛的男声 flow，铺在带灰尘感的钢琴循环和厚重的 808 之上 | ~90 BPM |
| EDM | 一首欢腾的音乐节 house 曲目，长长的铺垫之后骤然 drop，明亮的女声主旋律线，配清透利落的合成器和弦 | ~126 BPM |
| Lo-fi | 一首适合学习时听的舒缓 lo-fi 节拍，温暖朦胧，无人声，带灰尘感的 Rhodes 电钢琴和轻微的黑胶底噪 | 纯器乐，~80 BPM |
| 影视配乐 | 一段为高光时刻而作的缓慢推进的电影感配乐，无人声，弦乐与钢琴层层上升，推向饱满的顶点 | 纯器乐 |
注意：没有一条是单个词。
人们实际用它做什么
做一首歌，不需要先有发行计划来当理由。仅 Suno 一个 AI 工具，据报道每天就生成约 700 万首歌。其中绝大多数是日常的、个人的——而这恰恰是非音乐人占优势的地方。
对业余爱好者来说，长尾才是真正的故事。0.6% 的生日歌和 0.4% 的广告短歌不是舍入误差——它们是数以千计、为某一个具体的人或用途而作的歌。几类最常见的：
- 内容创作者——给视频、播客和直播配背景音乐，不必借用别人有版权的曲子。
- 歌曲礼物——为一个人写的歌：生日、纪念日、婚礼第一支舞、告别。
- 小生意——一段 20 秒的广告短歌、一段广告垫乐，或店内循环播放的音乐。
- 只为自己——一首把孩子名字唱进去的摇篮曲，或者把糟糕的一周变成三分钟的什么东西。
这些歌都不需要上榜。它们只需要写对那个人、写对那个时刻——而这恰恰是只有你才能写进提示词的东西。
模型提供工艺，你提供具体。想了解「谁在做 AI 音乐、怎么做」的全景，见我们对这份数据的完整拆解。
如果只改一个习惯，就改掉只写一个词的提示词。一个场景、一种情绪、一把指定的人声，再加几个段落标记，就能让一个非音乐人接近脑海里已经在响的那首歌——不需要任何乐理。
如果连这样也嫌麻烦，你可以不必亲自动手。在 Lacuna 里，你可以用日常语言把歌描述给 AI 智能体，提示词交给它来处理——它会问清你想要什么，和你一起调整场景、人声、结构与速度，等一切对上你心里的样子，再生成这首歌。