用天工 SkyMusic 做 AI 音乐，最常见的失败方式是一句话下单：敲一句"来首好听的民谣"，然后嫌结果平庸。真正决定成败的是三件事——歌词有没有留出换气口、风格描述有没有落到乐器和速度、你有没有把它当编曲初稿而不是成品。这三点想清楚，同一套工具出来的是两个档次的东西。
先把一首歌拆成四个可描述的部件
歌词、风格、结构、人声，四项里任何一项空着，模型都会用自己的默认值补上，而默认值通常是最保守的那一档。动手前先写四行：这首歌唱什么、用什么乐器、几分几秒进副歌、男声还是女声。四行写完，提示词就有了骨架，不用再堆形容词。
结构这一项最容易被跳过。只写"民谣"、不写"前奏八秒、主歌十六小节、副歌重复两遍"，生成结果听上去"不像一首完整的歌"，问题常常出在这里：它给你的是段落，不是结构。段落可以拼，结构只能重来。
歌词要留换气口
歌词决定演唱的可行性。一行字太多，唱出来会赶；每句字数忽长忽短，旋律就难对齐。可用的经验值是主歌每句七到十二个字，副歌允许短句反复，长句拆成两句念一遍，念不顺就再拆。
还有个细节：把段落标签直接写进歌词正文，用方括号标出主歌、副歌、桥段。模型读到这些标记，段落划分会清楚很多，后期裁剪也省事——你知道哪一段该保留、哪一段该重生。
风格提示写到乐器与混音这一层
文字描述在生成流程里扮演的是"条件"：模型先把风格、情绪、乐器转成一组约束，再在声学层面逐段生成。约束越具体，可选空间越小，结果越贴近你脑子里那首。所以"好听的歌"不是可执行的描述，它没有给出任何约束。
可执行的写法是三段：乐器（木吉他、口琴、轻鼓）、速度（舒缓、偏慢，不要电子鼓）、混音（人声靠前、混响克制）。想更稳可以给一个参照物，比如"像深夜电台里的民谣"，参照的作用是划边界，不是让它复制某首歌。
提示词不必每次从零编，可以先找现成模板再改，取舍方法见官方提示词库怎么改编。
生成之后还有三道工序
拿到音频先别急着发。裁掉首尾多余的空拍；检查段落衔接，副歌进来得突兀就只重生那一句，不要整首重来；最后统一响度，手机外放和耳机听着差别大，多半是这一步没做。
把它当编曲初稿是合理预期。人声咬字、乐器层次、段落过渡，初稿通常是够用但不精细，剩下的靠后期补，指望一次生成直接可发，会一直不满意。
| 用途 | 提示侧重点 | 要交代的结构 | 验收时听什么 |
|---|---|---|---|
| 短视频配乐 | 乐器少、留白多、不加人声 | 十五秒内进主题，结尾可硬切 | 有没有压住解说的人声频段 |
| 品牌宣传曲 | 情绪统一，副歌有记忆点 | 前奏短、副歌两次、尾奏收干净 | 副歌听一遍能不能记住 |
| 播客片头 | 节奏稳、无人声、结尾留衔接 | 十秒左右，末段渐弱 | 接上正片是否突兀 |
| 纪念类歌曲 | 人声为主，编曲克制 | 主歌两段、桥段一句、副歌升调 | 咬字是否清楚、情绪是否过火 |
这张表的用法是：先对号入座，把"要交代的结构"那一列直接抄进提示词，比反复调形容词有效。
它做不到什么
三条边界。其一，三四分钟以上的完整歌曲容易出现段落重复、结尾草率，越靠后越明显；其二，指定某位歌手的音色或某首已有歌曲的旋律，不在它的能力范围，也不该这么用；其三，中文咬字的清晰度和情绪起伏需要人耳逐句听，工具不会主动告诉你哪句听不清。
还有一项隐性成本是试错。同一段提示生成五六版是常态，真正花时间的不是生成，是从里面挑。把每版能用的片段记下来，比反复重生成更省时间，素材多了之后可以参考历史记录怎么搜索与导出。
发布前的授权确认
两件事要分开看。生成内容能不能商用，取决于你所用账号的类型与平台条款，同一产品不同套餐的授权范围可能不同，以官方最新版本为准。歌词如果引用了他人作品、或者改编了已有歌曲，那是另一条线，需要单独取得授权。
开工前过一遍的四句话
- 四行前置：主题、乐器、结构、人声
- 歌词每句七到十二字，段落标签写进正文
- 风格写到乐器、速度、混音三层
- 一次生成五版起，挑比改快
三个容易被问到的细节
同一段提示，两次结果差很多是为什么？生成过程带随机性，同条件本来就会出不同结果。部分平台提供固定随机种子的选项，能不能用、在哪里开，以实际入口为准。想要稳定，靠的是把结构写死，不是反复抽卡。
能不能只出伴奏、不要人声？部分产品提供纯音乐模式，入口位置各版本不同，以官方说明为准。写提示时明确"无人声、无和声铺底"，比事后消音干净得多。
先写词再生成，还是让工具连词带曲一起出？先写词，词的结构和字数你能控，改一句只影响一句；一起出，词曲咬合更自然，但想改一句往往要整段重来。用途明确的（宣传曲、纪念曲）建议先写词，随口玩玩的直接生成；一件事该由模型起稿还是人工主导，可以借用任务类型怎么判断里的分法。
本文只讲方法与思路，不构成法律建议，具体事项请咨询执业律师。
