AI音乐提示词最常见的误区，是把“情绪词”当成“生产指令”。写“温暖钢琴”，容易出来一段婚礼现场式的配乐；写“轻快电子”，容易变成超市促销曲。问题不在工具，在于只告诉了AI“要什么情绪”，没告诉它“谁在什么场景里，用什么姿态唱”。
提示词不是许愿，是给AI下生产订单。新手先背下面10条，把“输入→生成→试听→改一处再生成”的循环跑通，比背一百条复杂模板管用。
先记一个公式
场景/画面 + 风格 + 情绪 + 核心乐器 + 人声方向 + 特殊要求
顺序可以换，但前三个最影响成品方向。中文描述在情绪细节上比英文标签细，像“克制的想念”“释然的遗憾”这种词，英文标签翻不出那层意思。
单次生成，5到8个要素最合适。塞太多，AI反而会乱。
这10条模板覆盖口播、vlog、卡点、片头、中文歌五个最高频场景，直接复制修改就能用。蘑兔AI音乐对中文情绪描述响应比较细，像“像在自言自语”“留白”这类词，比纯英文标签更容易出细节。新用户有免费试用额度，够把这10条各跑一遍。
一、口播背景（最刚需，先背这条）
模板1：干净口播
干净+钢琴+电子脉冲+无人声+中速+人声避让+总长三十秒
核心是“人声避让”四个字。加上它，配乐会自动给说话声让路，导入剪映不用手动压音。不加这句，说话的时候钢琴跟人声抢，观众听不清内容。
模板2：知识科普
干净+钢琴+脉冲+无人声+中速+结尾利落+总长二十秒
比模板1多一个“结尾利落”。知识类口播讲究干脆，BGM拖泥带水会显得内容也不利索。
二、日常vlog（出片率最高）
模板3：清晨治愈
清晨+窗边+咖啡机嗡嗡+钢琴+慢速+温暖+无人声+总长三十秒
“咖啡机嗡嗡”是灵魂。有了这个环境音，歌就活了，像刚醒来的早晨，而不是一段悬在空中的钢琴曲。
模板4：傍晚散步
傍晚+街边+人群嘈杂+吉他+中速+平静+远处有人说话+无人声
“远处有人说话”比写“热闹”准一百倍。距离感是高级感的第一来源。
三、卡点视频（节奏写数字，别写形容词）
模板5：快节奏卡点
电子+鼓点清晰+BPM 120+每两秒一个重拍+无人声+总长三十秒
不要写“节奏感强”，写“BPM 120”和“每两秒一个重拍”。数字比形容词准。导入剪映自动踩点，黄点跟鼓点基本重合，不用逐帧对齐。
模板6：产品展示卡点
电子+脉冲+BPM 110+每两秒一个重拍+干净+无人声
产品展示要“干净”，不要太多乐器堆叠。鼓点清楚就够了，别的都是干扰。
四、片头片尾（三秒定生死）
模板7：美食片头
尤克里里+口哨+中速+前三秒一段口哨+温暖+总长十二秒
“前三秒一段口哨”是记忆点。用户刷到第三次，听到口哨就知道是同一个账号。不写这句，前奏可能铺十秒才进主题，用户早划走了。
模板8：情感片头
吉他泛音+呼吸感+慢速+前三秒像叹气+温暖+总长十五秒
“前三秒像叹气”是一个声音动作，不是情绪词。AI能理解“叹气”这个动作，但理解不了“深情”。
五、带人声的中文歌（最容易翻车，重点看）
模板9：叙事民谣
中文+女声+吉他+钢琴+中速+咬字自然+像在翻旧相册+呼吸感+句尾渐弱
不要只写“女声”。写“咬字自然+像在翻旧相册+呼吸感+句尾渐弱”，人声就从“AI在念词”变成“有人在唱”。中文歌翻车十次有八次是因为人声描述太笼统。
模板10：克制想念
中文+女声+钢琴+吉他泛音+慢速+呼吸感+句尾渐弱+像在自言自语+留白
“像在自言自语”比“深情”准，“留白”比“安静”准。越像在跟歌手说戏，它越对味。
三个新手最容易踩的坑
坑一：写情绪词，不写画面词。“悲伤”不如“声音有点抖，像忍着”，“温暖”不如“冬天晒被子，阳光味，懒洋洋”。AI对具体动作和音效的响应比抽象情绪准得多。
坑二：纯音乐不写“无人声”。想要纯器乐，末尾一定加“无人声”或“纯器乐”。不写这句，AI可能随机生成人声哼唱，跟视频里的旁白打架。
坑三：不写总长。做短视频配乐一定写“总长三十秒”。不写时长，AI给你生成两分钟，还得剪。
先背这10条，把“输入→生成→试听→改一处再生成”的循环跑通。跑通了，自然知道第11条该怎么写。提示词不是背出来的，是改出来的。
热门跟贴