企业官网建设流程全解析

我用AI做音乐的时间不算短，前后折腾了快三年。从最早只会复制别人的提示词模板，到能相对稳定地控制旋律气质和整体听感，真正让我产生质变的节点，不是换了什么更高级的生成工具，而是我终于肯把那些铺在界面里的英文术语一个个弄明白。打开任意一个AI音乐创作页面，几乎都会撞见同一批英文字眼：prompt、seed、guidance、stems、sample rate、BPM、key、timbre……老实说，在你没搞懂它们各自管什么之前，生成效果基本上全看运气；可等你摸清它们背后的逻辑，那个神秘的黑盒就会变成一台听你指挥的乐器。

这篇不是冷冰冰的术语字典，我打算按实际创作流程把AI音乐创作中最常用的英文术语拆开讲。每个词给出我自己的通俗理解、常见的坑，以及不同场景下的用法，顺便解释一下“为什么是这个参数”。适合刚入门、看到全英文界面就发怵的新手，也适合已经玩了一阵子、想系统性补课的老手。如果你属于后者，可以直接跳到第五节，那里有速查表和听感训练法。

1. 内容整体设计与思路拆解

1.1 为什么搞懂术语，比记住一堆模板更关键

很多新人进到AI音乐创作这个领域，第一步是到处收集提示词模板，第二步是照着网上的参数瞎调，但我的经验是，模板和生搬硬套的参数都救不了你。真正能把你从“碰运气”里解放出来的，是你理解了那些英文术语到底在描述什么。

拿stems这个词来说，翻译成“分轨”很容易，但它背后是一整套“把整首歌拆成独立音轨”的工作流。你理解了它，才会明白为什么有些工具允许你只换掉贝斯轨、只重做人声，而有些工具只能给你一整段无法细改的成品。再比如negative prompt，表面意思就是“反向提示词”，但如果你不理解它对生成结果的作用边界，你会误以为只要把不想要的词写进去，AI就一定不敢碰。这些词不是简单的单词表，它们是整份工具使用说明书。说明书没读透，你当然写不出准确的需求描述。

我自己就栽过跟头。有很长一段时间，我每出一首歌都觉得别扭，怀疑自己是不是审美不行，后来才发现问题出在我对temperature和CFG scale的理解是错的。我一直在同一组参数里打转，让AI反复产出同一类结果，然后怪它不够有创意。后来我才想明白：不是工具不够好，是我连怎么描述“让它更有创意”的词都不认识。从那以后，我得出一个结论——与其收集一百条提示词模板，不如先把二十个高频术语吃透。

1.2 我把术语分成四大类，方便对应操作环节

术语一多就容易乱，我习惯把它们按“你在操作里的哪个环节会碰到”分成四大类，这样每次遇到不认识的词，不用恐慌，先判断它属于哪一类就行。

• 提示与创意描述类：写需求时用得到，比如prompt、genre、mood、instrumentation、lyrics、style。
• 模型与生成控制类：决定“AI怎么生成、生成得有多自由”，比如diffusion、transformer、sampling steps、CFG scale、temperature、seed。
• 音频与信号类：涉及声音本身和文件格式，比如sample rate、waveform、spectrogram、stems、bit depth。
• 传统音乐结构类：音乐本身就带有的属性，比如BPM、key、chord、verse、chorus、bridge、timbre。

这个分类并不绝对，比如timbre既可以算音乐结构类，也可以算音色质感类，但分类本身不是目的，它是帮助你建立路径：当我在提示词框里看到生词，我知道该去第一类找答案；当我在高级设置里看到一堆数值，我知道该去第二类找答案；当我导出文件时一头雾水，我知道该去第三类看。思考路径清晰了，初次接触全英文界面的紧张感就会小很多。

2. 核心术语分类详解与实操要点

2.1 提示词家族：prompt、negative prompt、tags和权重

先讲最基础也最重要的prompt，它就是你给AI的需求描述。不同工具的prompt形态不太一样，有的是自由输入框，你可以写一整句话；有的是标签系统，要求你用逗号隔开一堆关键词；还有的是对话式，可以来回改需求。形态不同，你的表达策略也得跟着变。句子式prompt适合描述情绪变化和场景推进，比如“从安静的钢琴独奏慢慢过渡到有冲击力的电子鼓点”；标签式prompt适合快速罗列硬性要素，比如“synthwave, night drive, 110bpm, female vocal, dreamy”。

在标签系统里，有两个技巧很实用：权重和负向提示。你可以在某个关键标签上加上括号，或者用“标签名:1.2”这种数字给它加权，让它在生成结果里的影响更大；在negative prompt里写下不想要的东西，等于给AI一份“尽量别碰”的清单。注意，不同工具对负向提示的支持强度不一样，有的工具只把负向词当作低权重提示，效果不明显，这点到后面排查部分我会细说。

tags，也就是标签，是中文用户经常挂在嘴边的“流派词”“风格词”。常见的有lofi、chill、dark、ethereal、cinematic、synthwave等等。写标签的时候不要贪多，同类标签堆两三个就够了，我的实测是，七八个标签里真正起决定性作用的往往只有三四个，剩下的大多是重复和干扰。把最核心的几个标签放前面，次要的放后面，权重天然就不一样。

2.2 风格与曲式词：genre、mood、instrumentation、BPM、key、chord

genre是音乐风格，比如pop、rock、jazz、electronic、ambient。它是最直观的维度，但也是最容易产生误导的维度。因为“pop”这个词范围太宽，同样写着pop，可以是校园民谣式的轻快，也可以是商场背景乐式的无压力感。AI不知道你想要哪一种，它只知道把这些标签映射回训练数据里的统计分布。所以单靠genre不够，一定要配合mood和其他约束。

mood是指情绪，AI音乐创作里特别重要的维度。模型不理解什么叫“高兴”、什么叫“失落”，它只能把情绪词关联到训练数据里出现过的大量音频片段特征。我的用法是给mood加一个具体对象或场景，比如“适合凌晨便利店灯光下的孤独氛围”“带着暴雨前压抑感的电子乐”，效果会比单独写一个sad或者dark好很多，因为场景能让情绪词落得更准。

instrumentation指配器/乐器组成，比如acoustic guitar、piano、strings、synth、808 bass。它必须和genre配合使用，单独写piano，AI会生成风格差异很大的各种钢琴曲；但如果你写成“jazz piano，带一点点酒吧昏黄感”，AI就会更明确你要的钢琴质感类别。BPM（beats per minute）是每分钟节拍数，直接控制速度。120BPM是很多流行歌的常见速度，140以上容易出电子舞曲的紧张感，90以下一般是抒情慢歌或氛围乐。不过AI对BPM的理解并不像节拍器那么精准，所以写BPM数字的同时，最好再用“slow tempo”“fast-paced”这类词辅助。key是调式，比如C大调、G小调，它决定旋律和和弦的结构底色。如果你不是主攻乐理，只把key当作稳定的调性基础就够了，但如果你想把两首歌拼接或者做remix，key的匹配会直接影响听感顺不顺。chord是和弦，常见的有major、minor、diminished，写清“muted minor chords”会比直接写“chords”更能传达情绪色彩。

2.3 音频信号层：sample rate、bit depth、waveform、spectrogram、mel spectrogram、stems

以下这些词不像音乐内容词那样感性，但它们决定了你能拿到什么样的音频。很多新手在导出页面看到sample rate直接懵，其实它没那么复杂。

sample rate是采样率，指每秒钟对模拟声音采集多少次，常见的有44.1kHz和48kHz。44.1kHz是人类听力范围的有效覆盖，也是多数流媒体平台采用的标准；48kHz通常用在视频相关场景。采样率越高，文件体积越大，但对AI生成音乐的听感提升几乎可以忽略，更多是给后期处理留空间。bit depth是比特深度，常见16bit和24bit，24bit的动态范围更大，后期压制空间更足。如果你只是导出发给别人听，16bit就够；如果你还想继续做混音修整，导出24bit会更安全。

waveform波形图，以时间为横轴、振幅为纵轴，能直观看到哪里轻哪里响，但它无法反映音高。spectrogram频谱图，把声音展开成时间、频率和颜色三个维度的视觉图，能看到谐波结构，这也被很多人称为“声音的长相”。mel spectrogram梅尔频谱图，是AI音乐领域更常用的输入格式，因为mel标度是模拟人耳对频率的非线性感知设计的，更接近我们听觉系统真实的工作方式。很多AI音乐模型并不是直接生成音频波形，而是先生成梅尔频谱图，再用声码器把它转换成声音。你如果看到生成过程中出现一张逐渐清晰的彩色图，不要惊讶，那就是频谱在“显影”。

stems分轨，指把完整歌曲拆分成鼓组、贝斯、人声、弦乐等独立音轨。这个词在AI音乐创作里非常重要，因为有些平台允许你对某一轨单独重生成。比如你不满意整首歌的贝斯走向，可以只选中贝斯轨去替换，其它轨保持不动。有一点常被混淆：stems和tracks不是一个意思。tracks泛指所有音轨，stems特指从完整歌曲中拆分出的独立声音成分。

2.4 模型生成控制词：text-to-music、audio-to-audio、diffusion、transformer、latent space

平台的技术说明和高级设置里会出现一些更大的词，虽然你不用亲手写代码，但知道它们是什么，能帮你理解很多界面现象。

text-to-music就是输入文本直接生成音乐，这是目前最主流的范式。audio-to-audio则给定一段音频，再配合文本做改编或替换，比如你上传一段自己哼的旋律，AI把它扩展成完整编曲，或者你提供鼓点，AI跟着鼓点生成贝斯和和弦。

diffusion是扩散模型。最早在图像生成领域火起来，现在也用在音频上，它的核心方式是从纯噪声出发，一步步学习去除噪声，最终显现出完整的声音结构。所以你会看到生成进度条走得比想象中久，因为它在做多次迭代去噪。理解这一点，你就明白sampling steps为什么存在：它是在控制“去除噪声”这一过程的细密程度。

transformer是变换器模型架构，擅长捕捉序列里的长期关系。音乐天生是时间序列，主歌到副歌之间往往隔了十几秒甚至更长，transformer能压缩注意核心，让AI记得前面出现过什么，从而保持整首歌的结构连贯。新一代音乐生成工具常常把diffusion和transformer组合使用：diffusion负责让单段音色细腻，transformer负责让跨段结构结实。这是很多“长歌曲生成”功能背后的大致逻辑。

latent space潜空间，说的是AI内部对音乐特征进行压缩后的抽象空间。你在界面上得到的生成结果，并不是AI直接从提示词翻译出来的音频，而是它在一个压缩空间里潜行变换后，再还原出来的成品。提示词只是引导方向的发动机，随机种子、temperature这类参数是在控制这个潜行过程的自由度。理解了潜空间，你就明白为什么有时只是改了一颗seed，整体情绪就突然大变，因为你换了一个潜行起始点。

2.5 进阶但高频的音色词：timbre、texture、groove、dynamics

最后这一组词出现频率很高，但很多人不知道它们和AI调参有什么关系。timbre是音色，比如钢琴弹同一个音符和吉他弹同一个音符，听感不一样，这就叫音色差异。在AI音乐创作里，你想让同一段旋律变得更“温暖”或更“清冷”，本质上是在调timbre相关的特征。texture是织体，你可以理解成“声音的厚度层数”，它描述的是旋律、和声、节奏在纵向上的丰富度。想让音乐更满，就加texture，想让音乐空灵，就要降低它的密度。groove是律动，指那种让身体忍不住跟着晃动的感觉，它不只是一个快慢问题，还和节奏重音的位置、切分方式有关。dynamics是强弱起伏，从最轻到最响之间的变化范围。如果一首AI生成的歌从头到尾音量都像一条直线，那就说明dynamics不足，听久了容易疲劳。

这组词很少作为直接参数出现在界面上，但它们应该成为你描述需求时的常用语。写提示词时加入“groove更强”“texture更薄”“dynamics更大”，AI的理解往往会比你干巴巴写“好听一点”要准确得多。

3. 实操过程与核心环节实现

3.1 一套可以直接套用的起始参数

这里给一份我常用的参数起点清单，拿去就能直接开工。不同平台对参数范围和命名会有差别，但思路是通用的。

有几个关键值我想单独说。CFG scale有人喜欢拼命调高，觉得这样AI会更听话，但我的实测是，超过15以后听感会明显变紧，甚至出现奇怪的失真，因为模型被逼得太狠，反而在潜空间里走入极端区域。temperature过高会得到大量不可用的碎片，过低又容易千篇一律，我更喜欢控制在0.6上下，保留一点意外又不至于失控。sampling steps也不是越大越好，我在后面专门讲。

3.2 一次完整的调整实例：从“偏快电子乐”变成“凌晨慢歌”

可以想象这样一个需求：你做一首“适合凌晨独处时听的电子氛围歌”。第一次，我直接填“深夜，电子乐，安静”，结果出来一首底鼓很重、节奏偏快的舞曲。这个结果并不差，但它不是我要的感觉，问题出在需求描述太模糊，模型只能靠默认风格去脑补。

我开始做第一轮调整：先把BPM从默认改成80，并在prompt里写明“slow tempo，低沉贝斯，氛围感，带一点留白”。这回速度感明显对了，但编曲还是有点太满，缺少凌晨那种空旷感。第二轮，我把CFG scale从7提到9，增强AI对提示语的遵循度；同时把negative prompt里写上“dense arrangement, heavy drums”，我在试图让模型减少密集编排。第三轮，换了一个seed，让潜空间起始点换一个方向。三件事组合下来，成品比第一版安静了很多，也终于有了深夜的呼吸感。

这个例子想说明的是：改参数要组合，但又要克制。很多用户苦恼的原因是一次改了好几个参数，最后结果变了，却不知道是哪个改动起了作用。我的笨办法是记录基线，每次只改一个参数，生成两版做AB对比，把有效果的改动保留下来，再进入下一轮。别觉得绕，这个方法在AI音乐创作里非常管用。

3.3 从生成片段到完整编曲的术语流

AI音乐一开始往往产出的是片段，从片段到一首成品的路径里，术语栈会逐渐扩大。第一步是认识结构词：intro前奏、outro尾奏、verse主歌、chorus副歌、bridge桥段。如果你只生成几十秒demo，这些词不一定出现；但当你选择生成完整歌曲，或者进入结构化编辑器，它们就是最基本的地图。想写一首有记忆点的歌，不要只盯着chorus部分，verse的空间感和bridge的过渡同样重要。

第二步是导出时的词：WAV、MP3、mixdown、mastering。简单讲，mixdown是把多轨合成一个完整立体声文件的过程，mastering是最后的响度和质感统筹。大多数AI音乐平台不需要你自己做精细的EQ压缩，但你至少要明白，如果界面里有mastering开启选项，开着通常会得到更响、更完整的成品听感，而不是继续保留碎片的毛边。

第三步是当你想继续深度编辑时，你需要把stems下载到本地的音频工作站里。到了这一步，你会撞见reverb、delay、compressor、side-chain这些传统后期术语。我不打算在这里展开一套混音教程，只想提醒一点：AI生成的整体平衡往往已经很不错，如果你机械地往分轨里猛加效果器，反而容易把平衡打破。我个人的经验是，在生成阶段多花时间把结构和音色调对，导出之后只做轻量微调，别拿后期去硬救一段前期就不合格的素材。

4. 常见问题与排查技巧实录

4.1 为什么BPM设成140，生成结果还是偏慢？

这是个非常实际的困惑。症结通常有两个：一是模型对具体数字的敏感度有限，二是BPM标签和“听觉速度感”并不是一回事。你可能写了140BPM，但如果同属慢速风格的训练样本在模型里占比更大，生成结果的节奏律动依然会偏松弛。同样的道理，一首歌的听觉快慢还受音符密度影响，同样120BPM，密密麻麻的十六分音符肯定比空旷的整拍更有推进感。

解决办法是双保险：在提示词里同时写数字和描述性速度，比如“140BPM, fast-paced, 节奏紧凑，带明显推进感”。如果平台支持，再叠一个更适合快节奏曲风属性的genre词，比如“club mix”这种带有速度增益倾向的风格标签，效果会比只写一个140BPM明确得多。

4.2 提示词写得很诗意，结果却完全不是想要的？

AI读提示词不是在读作文，它是把文本拆成语义向量，再映射到训练数据里的音乐特征分布。你写“一整夜的风吹过老巷子和朋友的空酒杯”，模型也许能解析出一点忧郁氛围，但它更可能只是把“夜”“风”“老巷子”“空酒杯”当成离散的语义点，去检索相关音频片段，结果方向就飘了。

我的建议是把文学性表达和可执行参数分成两段写。第一段写情绪和画面，只用来定性氛围；第二段写具体硬指标，比如“BPM 76，C大调，纯器乐，钢琴为主，加入轻微底噪声”。这样既保留了氛围描述的温度，又给了AI明确的执行抓手。现实里的好用提示词，往往是“一段意象加一串参数”的组合。

4.3 negative prompt是不是填得越多越好？

不是，而且填太多还可能起反效果。negative prompt的作用是降低某些特征在潜空间里的权重，它并不像“删除键”那样能把对应内容彻底抹掉。你写“drums”只是让模型尽量少往鼓的方向走，但不能保证鼓声彻底消失，尤其当其他正向描述里已经包含了节奏强的配器时，负向提示会显得力不从心。

更微妙的是，填得太多会过度约束模型的探索空间，导致生成结果变得干瘪。我试过一次性在negative prompt里列出十几种不想要的声音，得到的成品确实“避开了所有坏东西”，但也“失去了一切惊喜感”，听感非常紧绷。更稳妥的做法是把最不能接受的一两个特征放进negative prompt，其它问题交给更换seed、调整temperature和CFG scale来解决，这样既能过滤明显雷区，又能保留模型的自由度。

4.4 sampling steps、temperature、seed到底该怎么调？

sampling steps不是越大越好。步数太少，结果会很粗糙；但超过某个范围后，多出来的步数只是在反复打磨已经收敛的细节，有时甚至会把原本自然的颗粒感磨成“油腻感”。不同工具的收益平衡点不同，我通常从50步开始，如果觉得细节不够就一次加20步，直到听感没有明显提升就收手。出快速草稿时，我会降到30步左右，因为草稿阶段最重要的是看方向和结构。

temperature和seed又是一对。temperature控制的是随机程度，seed控制的是随机起点。如果你想要一批互相之间有继承关系的变体，可以固定seed、微调temperature；如果你想彻底换一种灵感方向，保持temperature不变、换seed会更合适。一个常见的困惑是“我改了seed，结果却几乎没变化”，这往往是因为CFG scale太高了，模型被提示词绑得过死，那点seed变化根本不值一提。遇到这种情况，先把CFG降下来，再换seed试，你才会看到明显的分叉。

5. 高频术语速查表与个人使用心得

5.1 一张速查表，解决80%的英文界面困惑

我把上面提到的高频词汇总成一张速查表，按英文、中文、实用理解排列，建议存到手机里，遇到不认识的词直接对照。

这张表覆盖我日常创作的绝大多数场景，但术语世界永远在扩大。用它的原则不是背，而是当工具用。

5.2 把术语变成听感：三个亲测有效的训练法

光有表还不够，你得让每个词变成耳朵里的记忆。我的第一个方法是，固定同一组prompt，只改一个参数，生成两版对比听。比如把temperature从0.4改成0.9，你会发现“随机度”这个抽象词立刻变得具体可感；把CFG从6改成14，你会真切听到“服从度过高”是什么样的一种僵硬。这个AB对比法，比单纯查字典有效一百倍。

第二个方法是做听感词汇卡。每当我遇到不熟的术语，我会查一下含义，顺手生成一段能体现这个词的音乐片段，存进同一个收藏列表。过两个星期再回头听，词和声音就会自动配对。第三个方法是刻意往自己的提示词模板里加入新学的术语，比如在需要空间感的时候写一句“add more texture”，多试几次，你就知道texture到底影响的是哪个频段、哪种厚度。光看不写记不牢，AI音乐创作这个领域尤其如此。

我最后想说的是，不要把英文术语当成英语课作业去背，要把它们当成可调档位去玩。当你能自然地说出“这个seed不太对，这个temperature可能偏大了”的时候，AI音乐创作对你来说就不再是碰运气的盲盒，而成了一种可以反复打磨的手艺。希望这份清单和心得也能帮你少走一些我曾经绕过的弯路。