AI 音樂提示詞怎麼寫？6 大要素公式，讓 Suno、Udio 一次生成你要的曲子

AI 生成音樂

老實說，我第一次用 AI 生成音樂的時候，打的提示詞是「一首放鬆的音樂」。出來的東西，聽起來就像電梯裡循環播放的那種背景音樂，毫無記憶點。後來翻了幾份專業教學才發現，問題不在工具，而是我把提示詞寫得太像「許願」，不夠像「創作簡報」。

如果你也卡在這一關 —— 生出來的曲子永遠都差那麼一點，那這篇文章就可以幫助你。

為什麼提示詞太模糊會生出罐頭配樂

太簡短或太抽象的指令，AI 只能靠猜測補上細節，結果就是那種俗稱「罐頭配樂」的平淡背景音。專業的提示詞其實更像是交給一位作曲家的創作簡報，需要具體的音樂術語，加上明確的情感方向，AI 才知道往哪個方向走。

到了 2026 年，這件事變得更明顯。像 Suno v5.5、Udio v2 這類高階模型，會把提示詞當成「製作藍圖」在解讀，而不是單純的文字指令，模糊的描述反而會拉低生成品質。

核心公式：六大要素一次寫齊

三份資料不約而同都提到同一套邏輯，可以整理成這個公式：

〔曲風〕＋〔情緒〕＋〔節奏／BPM〕＋〔樂器〕＋〔人聲風格〕＋〔使用場景〕

把這六個元素一次寫齊，出來的結果會比只寫兩三個字精準非常多。以下逐項拆解。

曲風（Genre）：別停在模糊大範圍，要指定到特定的類別與細節

只寫「電子音樂」太籠統，範圍從 Lo-fi 到 Dark Techno 什麼都算。建議直接指定子類型，甚至加上年代或地區修飾詞，例如把「Hip-hop」寫成「1990 年代紐約電影感 Boom-Bap」或「2024 倫敦 Drill」，指定的年代與地域越窄，生成結果越準。

常見曲風：

• Lo-Fi ／輕鬆系：Lo-fi hip hop、臥室流行（bedroom pop）、爵士感器樂
• 電子舞曲：Progressive house、Dark techno、Future bass、Melodic dubstep
• 嘻哈／Trap：Boom bap、Modern trap、Drill
• 電影配樂：Epic orchestral、Dark ambient underscore
• 流行／獨立：Synth-pop、Indie folk、Dream pop

情緒（Mood）：把「快樂」換成具體的畫面

「快樂」「悲傷」這種詞太籠統，容易讓 AI 各自表述。試著把情緒延伸成具體情境，例如把「憂鬱」寫成「一首關於距離與思念的歌」，會讓旋律更有渲染力。

高能量可以用「振奮、強勢、凱旋」；內省情緒可以用「懷舊、惆悵、若有所思」；緊張感可以用「懸疑、不安、令人窒息的張力」。記得避免互相矛盾的形容詞，例如「放鬆的重金屬」這種組合，只會讓模型無所適從。

節奏與 BPM：給數字，不要給感覺

比起單純寫「快」或「慢」，直接標出 BPM 數字準確非常多，這也是提升生成品質最重要的單一變數。

樂器（Instrumentation）：用「二到三種」建立音色識別度

只寫一種樂器，AI 很難建立明確的音色印象，指名二到三種效果最好，例如「刷奏軍鼓＋低音提琴」，比單寫「爵士」更有畫面。可以參考這些「參考錨點」：Rhodes 電鋼琴、supersaw 主音、808 滑音貝斯、悶音小號、獨奏大提琴。

人聲風格（Vocal Direction）：連「不要人聲」都要講清楚

如果啟用人聲，記得指定音色，例如「沙啞獨立男聲」「氣音女聲」；如果不需要人聲，務必明確寫出「無人聲」或「[Instrumental]」，否則 AI 有時會自己加進不必要的人聲或哼唱。

使用場景（Use Case）：讓 AI 知道這首歌要放在哪裡

註明用途能幫助 AI 理解結構與情緒走向，例如「適合旅遊 Vlog」「紀錄片旁白背景音樂」「深夜 Lo-fi K 書用」。不同平台也有各自的眉角：短影音前三秒要有強烈的鉤子、節奏抓耳且適合循環播放；YouTube 片頭要在十秒內建立品牌調性，片尾則採漸弱收尾；廣告與 Podcast 則要強調傳遞信任感，維持情緒穩定不落俗套。

範例提示詞，直接套用

Lo-fi 讀書系：「放鬆的 Lo-fi hip hop 器樂曲，85 BPM，A 小調，悶音黑膠採樣，帶灰塵感的鼓組循環，Rhodes 電鋼琴的柔和爵士和弦，輕柔雨聲環境音，溫暖懷舊氛圍，適合深夜讀書。」

Progressive House：「Progressive house，128 BPM，強力的 Four-on-the-floor 大鼓，厚重的 Sidechain 壓縮，層疊合成器音牆逐漸堆疊至高潮，氣音女聲人聲切片，夏日音樂節能量，寬闊的立體聲場。」

電影感預告片配樂：「史詩級管弦樂預告配樂，從大提琴獨奏緩緩擴展至完整弦樂與銅管，戲劇性定音鼓敲擊，C 小調堆疊的張力，六十秒內漸強至恢弘的英雄式高潮，最後收束。」

常見的提示詞地雷，先避開再說

• 過於模糊：缺乏曲風與情境說明，AI 只能亂猜。
• 前後矛盾：像「放鬆的重金屬樂」這種互斥描述，模型會不知道該聽誰的。
• 風格堆疊（Prompt Soup）：一口氣塞進太多曲風，例如「雷鬼搖滾福音饒舌電影感民謠電音」，生成結果只會一團混亂。正確做法是抓出主從關係，例如「雷鬼搖滾為基底，福音合唱點綴，厚重真鼓，深沉貝斯」。
• 故事性過強：寫了一整段劇情，卻沒有任何音樂專業術語，AI 很難把文字轉譯成聲音元素。
• 字數失衡：字數是有甜蜜點的，太短資訊不夠，AI 只能靠預設值補；太長又容易「訊號稀釋」，模型會忽略重要的樂器或結構線索。有教學建議器樂曲落在 80 到 200 字之間效果最穩定，人聲曲則建議控制在 30 到 80 字左右。

進階技巧：負面提示詞與迭代優化

除了正面描述，負面提示詞（告訴 AI「不要什麼」）同樣關鍵，甚至能左右一半以上的成品品質。可以分三層使用：直接在排除欄位列出相鄰但不想要的曲風；在風格欄位內嵌入「no」語句做軟性引導，例如「no auto-tune、no English vocals」；最後加上通用的「不要過度殘響、不要套路化的鼓點漂移」，防止模型跑出常見的失敗模式。

另外，把第一次生成當成「方向指標」就好，不用一次到位。先產生幾個版本挑出最順耳的一版，接著每次只調整一個變數（BPM、調性，或單一樂器），才能清楚知道是哪個改動讓結果變好或變差。也有創作者發現，模型比較擅長解讀「描述句」而非「命令句」 —— 用「一首……的曲子」開頭，會比「請生成一首……」更容易對到 AI 的機率分布。

一份 2026 年的整理也提到，Suno 目前活躍用戶已破千萬，每天生成的曲子數量相當驚人；但同一份分析也指出，多數初版曲子之所以需要重新生成三次以上，關鍵原因往往就是曲風沒有「咬住」 —— 這正好呼應了前面提到的：曲風要寫具體、要放在提示詞最前面。技術分析也發現，AI 音樂模型會特別重視提示詞開頭的前五到十個字，所以把最重要的曲風放在最前面，能有效鎖定整首曲子的和聲與節奏基調。

最後

AI 音樂生成工具已經很強了，差的往往不是模型，而是我們給的指令。下次打開 Suno 或 Udio 之前，不妨先把這六個要素 —— 曲風、情緒、節奏、樂器、人聲、場景 —— 在腦中過一遍，再動手打字。你會發現，同一個工具，生出來的東西完全是兩個等級。