歌词结构怎么写,歌才好听?YuE 提示词工程速成手册

原创2026-10-09 18:13:161,679 阅读
文章标签:人工智能媒体生成音乐生成音频大模型本地部署AI 技能模型推理服务

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:

  1. 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。
  2. 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。
  3. 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:

YuE2 架构示意:style 与 lyrics 输入后,先经符号规划产出可编辑乐谱,再生成语义 token、声学 latent,最后经 VAE 解码为立体声音频

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。

登录后查看全文
YuE