歌词结构怎么写,歌才好听?YuE 提示词工程速成手册
歌词结构怎么写,歌才好听?YuE 提示词工程速成手册
用 AI 写歌,最常听到的抱怨是:"歌词我写得挺认真,为什么生成的歌就是不对味?" 节奏散、副歌不抓耳、旋律和人声像是各写各的。问题往往不在模型,而在你把歌词当成了一段"作文"丢进去——而 YuE2 期待的是一份带结构的演唱脚本。
YuE2 的开源仓库把这件事讲得很清楚:它的 SongRequest 只接收 style、lyrics、cot、seed 等寥寥几个字段(见 请求协议),模型会先用符号规划器写出一份带旋律与和弦的 ABC 谱,再据此生成带人声的完整歌曲。也就是说,歌词的结构标记会直接决定曲式的走向——主歌、副歌、桥段怎么排,全靠你在歌词里怎么"排版"。本文不聊玄学,直接从源码、官方示例和技能文档里拆解三件事:结构标记怎么写、风格字段怎么分工、翻车歌词怎么救。
结构标记规范:让模型知道该在哪儿发力
先看仓库里最标准的输入长什么样。官方示例 examples/song.json(与技能包中的 assets/prompt.json 同源)是这样的:
{
"id": "city_lights",
"style": "English, warm piano pop, expressive female voice, acoustic piano, rounded bass and light drums, lyrical memorable melody, unhurried phrasing, 88 BPM",
"lyrics": "[Verse]\nNeon fades along the lane\nFootsteps keep the time of rain\nFold the night and leave it here\nMorning has a sky to clear\n\n[Chorus]\nLet the day come into view\nEvery road begins with you\nHold a little room for light\nWe will sing beyond the night",
"cot": "full",
"seed": 831001
}
注意三个细节:
- 段落用
<a href="https://link.gitcode.com/i/5ffb3a2d50ab3ada60ddb080d2a0265c" target="_blank">Verse]、[Chorus]这类方括号标签开头。CLI 的默认示例也遵循同样的规范(见 [cli.py):[Verse]\n晚风轻轻吹过窗前…\n[Chorus]\n让这首歌陪你走远…。这些标签是模型的"编曲指令",它会据此安排乐句的起伏、配器密度和段落过渡。 - 段落之间用空行隔开,每个标签后紧跟实际要唱的词。仓库的纯音乐工作流甚至把歌词位写成了纯曲式骨架
<a href="https://link.gitcode.com/i/c6964a29970798bf65c0de899710af87" target="_blank">Intro]\n\n[Verse]\n\n[Chorus]\n\n[Outro]\n(见 [instrumental.py)——当你想让模型只搭结构、不写唱词时,这种"标签 + 空行"的写法就是现成的模板。 - 歌词只放要唱的词。技能文档的原话是:把流派、乐器、人声特点、语言和速度放进
style,把段落标签和实际歌词放进lyrics,不要给歌词掺入实现说明(见 SKILL.md)。
模型侧的处理逻辑在 protocol.py 里可以看得很清楚:SongRequest.text() 会把三个部分拼成一段原生指令——cot 对应的指令文本、[Tags] 后的 style、[Lyrics] 后的歌词。也就是说,你的输入会被重组为一条严格格式化的提示词,任何越界的内容都会被塞进"歌词"这个槽位里,而不是你期待的地方。
在正文的适当位置,放一张流水线总览图,可以看到提示词是如何一步步变成可编辑乐谱、语义 token、声学 latent 再到最终音频的:
风格、情绪、节拍:提示词的分工表
YuE2 的请求字段只有六个(style、lyrics、cot、seed、abc、cfg_scale,见 protocol.py 的 SongRequest 定义),但每个字段的"带宽"完全不同。正确的分工是:
| 想表达什么 | 写进哪里 | 示例 |
|---|---|---|
| 语言、人声 | style |
English, warm female vocal / Mandarin, male vocal |
| 乐器编配 | style |
acoustic piano, rounded bass and light drums |
| 情绪与唱法 | style |
lyrical memorable melody, unhurried phrasing |
| 速度(BPM) | style + 乐谱 Q: 字段 |
88 BPM 与 Q:1/4=88 |
| 曲式与歌词正文 | lyrics |
[Verse]…\n\n[Chorus]… |
| 旋律/和声干预 | abc + cot |
见下文三种模式 |
社区里关于"YuE 提示词优化"的讨论几乎都踩过同一个坑:把 BPM、音色、乐器一股脑堆进歌词字段。从源码看,style 与 lyrics 在拼接到指令时位于完全不同的槽位,[Tags] 后的内容才是模型判断音乐风格的主信号。
另一个容易被忽略的分工是 cot 三模式(见 protocol.py 的 INSTRUCTIONS 与 generation-and-covers.md):
cot="full":规划旋律 + 和弦,产出可编辑的完整谱面,默认模式;cot="melody":只规划旋律,伴奏自由发挥,翻唱场景推荐;cot="off":跳过符号规划直接出音频,不能接 ABC。
如果你手头有乐谱(比如想把 examples/melody.abc 这段八小节旋律变成歌),就用 abc 字段 + cot="melody";如果你想改和声(仓库提供了 score.abc 与 score-jazz.abc 两个只换和弦、不改旋律的对比版本),就用 cot="full" + 编辑后的 ABC。技能文档还特别提醒:melody 模式下喂入带和弦符号的谱面会被拒绝,必须先 strip-chords(见 abc-editing.md)。
三种翻车歌词与三种救法
翻车一:把"制作说明"写进歌词。 常见形态是"这首歌要 88 BPM、钢琴打底、女声、副歌要有冲击力"。结果模型要么把这些句子直接唱了出来,要么旋律节奏完全对不上。救法是把这些都挪进 style,歌词只留 [Verse]/[Chorus] 标签与唱词。参考官方写法,style 一行就能把"语言 + 乐器 + 人声 + 情绪 + BPM"打包清楚。
翻车二:一整坨文字没有段落结构。 没有标签、没有空行,模型只能把歌词当一首"说唱长诗"处理,主歌副歌的张力自然出不来。救法是先定曲式再写词:至少 <a href="https://link.gitcode.com/i/dfbe7ad9e9cbea086f2abb849ade4fda" target="_blank">Verse] → [Chorus] 两段,想更精细可以加 [Bridge]、[Intro]、[Outro],段落间用空行分隔。如果只想做纯音乐,直接复用 [Intro]\n\n[Verse]\n\n[Chorus]\n\n[Outro]\n 这种纯结构骨架(见 [instrumental.py)。
翻车三:音节数失控、换词后唱不顺。 这是最隐蔽也最影响听感的问题。仓库的示例刻意做了对齐:melody.abc 的说明明确指出"每行歌词七个音节、每小节七个音符"(见 examples/README.md)。当歌词与音符一一对应时,旋律的呼吸感自然成立;一旦某行塞了 11 个音节,模型就只能挤音或者吞字。救法有三步:一是数音节,让每行长度和旋律密度匹配;二是换语言时为演唱适配而非逐字直译——技能文档明确要求检查重音、长音上的元音、换气点和辅音密度(见 editing-workflows.md);三是利用可编辑谱面兜底:生成 plan 后把 score.abc 拷出来人工调整,再以新 ABC 重新渲染,和弦、节奏、速度(Q: 字段)都可以精准干预。
一句话总结
YuE2 的提示词工程,本质是把"你想表达什么"拆成三个干净的槽位:风格与参数进 style,曲式与唱词进 lyrics,音符级干预进 abc。结构标记决定曲式骨架,风格字段决定音色气质,音节对齐决定人声是否自然。三者各司其职,你的歌词就能从"作文"变成真正"能唱的歌"——这才是 YuE2 白盒生成区别于黑盒产品最值得利用的能力。
