写音乐提示词,最该写清的不是风格名
给音乐生成工具写提示词,多数人第一句就写“悲伤的钢琴曲”或“轻快的电子乐”。结果往往是:方向大致对了,但每首都差不多,想改也改不动。
原因在于,风格名是别人总结出的结果,而生成过程需要的是构成这个结果的条件。写条件,才写得动。
风格名是个筐
“氛围感”这三个字,在一百个人脑子里有一百种声音。有人想到铺底的长音,有人想到缓慢的鼓点,有人想到空旷的混响。
工具学到的是统计关联,它会把风格名与训练中最常见的组合绑定,于是输出稳定但缺乏区分度。
这不是工具的缺陷,而是词的密度不够。一个词承担了太多含义,工具只能取平均值,而平均值通常就是“没有特点”。
四个比风格名更有效的维度
想让输出可控,把提示词拆成四个维度写,效果立刻不同。
第一个是编制。用什么乐器、几件、怎么排。是独奏钢琴,还是钢琴加弦乐铺底,还是只有低频合成音。编制一变,气质就变。
第二个是速度与律动。慢是多慢,快是多快;鼓点是密集的十六分音符,还是宽松的四分音符;有没有切分。
第三个是空间。干声还是带混响,近场还是远场,听起来像在录音棚还是在大厅。
第四个是结构。开头怎么进,中间有没有明显的段落转换,结尾是收住还是渐弱。
| 维度 | 写具体的例子 | 有效的原因 |
|---|---|---|
| 编制 | 单簧管主奏,弦乐铺底 | 决定音色与层次 |
| 律动 | 每分钟七十拍,无鼓 | 决定推进感 |
| 空间 | 大厅混响,声源偏远 | 决定距离感 |
| 结构 | 前八小节单音,后段加入低音 | 决定起伏 |
情绪要写成可执行的动作
“悲伤”不是一个动作。“半音下行的旋律线,尾音拖长,音量逐渐减弱”才是一个动作。
这个区别很关键。情绪词描述的是听者的感受,动作描述的是声音的特征。工具能从动作里学到东西,从感受里只能猜到平均值。
练习办法是把常用的情绪词逐个翻译一遍。温暖可以写成中频饱满、失真轻微;紧张可以写成节奏断续、音高不稳;宏大可以写成低频厚、声场宽、起音慢。
翻译完会发现,真正决定听感的一直是这些具体特征。
参照物比形容词好用
如果工具支持参考音频,一段参照比一整段描述有效得多。
参照的作用不是复制,而是校准。它告诉工具“我要的是这个密度、这个亮度、这个松紧”,这些是文字很难精确描述的部分。
用参照时要注意控制变量。如果想改的是速度,参照就只提供音色;如果想改的是编制,参照就只提供律动。一次只对齐一项,多项目标互相冲突时输出会变糊。
越具体的提示词,越容易僵
这里有个反向的坑:把每个细节都写死,结果往往僵硬,像在按要求填表。
原因是音乐的生命力来自各元素之间的弹性关系,写得太满,工具只能机械执行,缺少自然的呼吸。
可行的做法是区分必控项与放开项。整段的编制、速度、结构段落要控死,因为这些改起来成本高;演奏的细节、力度变化、装饰音放开,让工具自己处理。
一般控制在四到六个具体约束比较合适,超过之后收益迅速下降。
用同一段文本反复试
提示词的效果很难凭单次生成判断。同一段描述,换几次生成,差异可能比改提示词还大。
有效的做法是固定提示词,连续生成五到八版,先看这个描述本身的稳定性。稳定,说明描述足够明确;每次都跑偏,说明描述里有歧义。
确定描述稳定之后,再改其中一项,观察变化方向。这样每一步变化都能归因,而不是改了三处不知道哪处起了作用。
什么时候不该用提示词解决
有一种情况,改提示词是无效的:问题出在结构,而不是元素。
比如整段音乐听起来平淡、没有推进。这不是音色或律动的问题,而是缺少层次变化。此时无论怎么改描述,只要结构要求没变,输出就会一直平。
遇到这类问题,需要的是分段处理:把一首曲子拆成几段分别生成,各自设定不同的密集程度,再拼起来。结构的差异是生成时给不出来的,只能靠分段构造。