文章目录
我最近被一个特别小的事卡住了。
给视频配乐。
说起来有点丢人,我这个人,图片会生成,视频会剪辑,脚本文案也能写,结果一到了配乐这块,整个人瞬间回到解放前。
翻遍曲库,热门的那几首,烂大街到什么程度呢,刷十条视频能有八条在用,观众耳朵都起茧了。
冷门的吧,一查授权,商用两个字直接把人劝退。
去买版权,一条几十到几百,日更的账号根本扛不住。
我就不信这个邪了。
都2026年了,AI连视频都能给你生成出来,配个乐还搞不定???
这尼玛就是,工具都送到手边了,我还卡在第一步。
于是我打开了即梦AI,找到了里面那个音乐生成的功能,也就是SeedMusic。
折腾了小半天,我把踩过的坑、摸出来的公式,还有两套能直接复制的提示词,全都摊开在这篇文章里。
反正我觉得,这些东西早点写出来,能帮一个是一个。
先说好,我也不知道行不行,下面这些算不上什么精通,就是我自己一点不成熟的经验,可能有些想法还没完全跑通。
但我觉得,对绝大多数做视频的朋友来说,应该够用了。
配乐这事,你可能一开始就走岔了
配乐这件事,很多人第一步就走错了。
他们会去想,我要找一首好听的歌。
好听这个词,太大了。
你听着觉得好听的,跟AI理解的好听,压根不是一回事。
我之前也犯过这个错,随手在输入框里敲了一句,来一首好听的、燃一点的音乐。
结果它给我的东西,怎么说呢,像幼儿园文艺汇演的伴奏。
= =
我当时就愣住了。
不是哥们,我说的燃,和你理解的燃,好像不是一个燃。
后来我才搞明白,即梦这个SeedMusic,它有个特点,指令跟随能力特别强。
你说得越具体,它响应得越准。
反过来,你说得越模糊,它给你整的活就越抽象。
它其实不是在猜你要什么,它是在照着你给的字面意思,一笔一划地做。
给AI写提示词,其实就像点菜
这就有点像点菜。
你去馆子里跟厨师说,随便来点好吃的,那端上来的,大概率是一盘你完全没想到的东西。
但你要是把口味、食材、火候、忌口一样样报清楚,出菜的成功率一下就上去了。
写AI音乐的提示词,本质就是点菜。
我试了很多次,最后稳定下来一个公式,九个槽位,照着填就不会跑偏。
主题加曲风,加情绪,加人声,加速度和调性,加乐器,加歌曲结构,加歌词,最后加不想要的元素。
你别嫌多。
新手最容易犯的错,就是只写了前四项就停手,然后纳闷为什么生成出来的东西没法用。
我一个一个说。
万能公式,九个槽位一个个填
主题这块,写清楚语言和内容。
是中文歌还是纯音乐,是关于夏天的告别,还是给教程当背景,一句话交代明白。
曲风这块,要给具体的流派或者氛围,比如清新民谣、国风戏腔、Lo-fi Chill。
别再写好听、高级、燃这种词,我对着AI试过,这几个字它基本无感,等于没说。
情绪这块,给两三个关键词就行,温暖明亮、热血上扬、松弛微甜,越具体越好。
人声这块,是个大坑,很多人栽在这。
你必须明明白白写上无人声,或者写清楚要男声还是女声、什么唱法。
你要是不写,它可能自作主张给你塞一段哼唱进去,一条好好的BGM就废了。
速度和调性,就是BPM和调。
这个数字一给,音乐的骨架就定下来了。
95 BPM是松弛的,120 BPM是往前冲的,你要是做教程,就老老实实用80到90,别让音乐比你的嘴还急。
乐器,写主奏加辅助。
木吉他为主,加轻柔钢琴,这种写法它就懂。
乐器是决定这条音乐有没有质感的关键,千万别空着。
歌曲结构,是我觉得最容易被忽略、又最要命的一项。
不写结构,生成的歌经常前奏老长,副歌姗姗来迟。
前奏八秒、尾声渐弱,这种话你要写死。
短视频的BGM,前奏一长,观众早就划走了,副歌还没来呢,片就完了。
歌词这块,如果你想生成带人声的歌,就把歌词直接写进提示词,按主歌副歌标好段。
纯音乐就跳过。
最后是不想要的元素,也就是排除项。
这一项特别关键。
不要鼓点过重,不要电子音色,不要人声。
你把它不想要的东西列出来,等于给AI画了条红线,它就不容易越界。
你可能会觉得,我又不是做音乐的,这些槽位听着就头大。
我非常理解这种感觉。
你不是音乐人,不识谱,也没碰过乐器,你只想赶紧给视频配个乐发出去,AI不该是又一个要重新学一遍的东西。
但你看,这些词温暖、明亮、松弛、钢琴、吉他,没有一个是专业术语,全是大白话。
你要做的,就是把脑子里的感觉,换成这几个词填进去而已。
九个槽位填完,你手里就有了一条能直接上片的音乐。
听起来有点繁琐对吧。
但我跟你说,你把这套流程跑通一次,后面就是复制粘贴改几个词的事,快的话几分钟一条。
第一类,美女自拍怎么配
说了这么多公式,咱们来点能直接抄的。
我做两类视频,一类是美女自拍,一类是AI工具注册教程。
这两类视频的配乐逻辑,完全是反的,正好拿来当例子。
先说美女自拍。
这类视频,音乐是主角。
观众划走的成本极低,前三秒决定生死。
所以音乐一上来就得抓人,前奏必须短,中段最好有个能卡点的地方,方便你做转场和镜头切换。
我把让AI生成音乐的提示词写成了这样,你可以直接复制:
我用AI写音乐,用来给我的视频配乐,我的视频有美女自拍、AI工具注册教程,这2类,分别给我一个提示词方案。

我想要一首纯音乐,用作15秒氛围感自拍短视频配乐。
曲风:轻盈梦幻的 Chill R&B / Lo-fi Pop,带一点都市夜色的暧昧感。
情绪:松弛、微甜、自信,不要甜腻、不要悲伤。
人声:无人声,不要任何哼唱、不要歌词。
速度:约96 BPM,A小调。
乐器:电钢琴分解和弦为主,柔和的 electronic kick 与轻 hi-hat,圆润贝斯,
铺一层空气感 synth pad,点缀少量清脆的 pluck 音色。
结构:前奏2秒(直接进氛围,不要长前奏)— 主题A 4秒 — 中段一次明显
的节奏留白/轻 drop 作为卡点和镜头切换点 — 主题A重复 6秒 — 尾声3秒渐弱。
时长:约20秒,与视频等长。
不要:人声、说唱、密集鼓点、强电子 drop、交响史诗感、情绪大起大落。这条提示词里,前奏写死两秒,中段留了一个卡点,这两处是专门为短视频设计的。
你要是换个平台、换个风格,别的都不用动,只改曲风、情绪、乐器、BPM这四个槽位就行。
我给你准备了三个变体,都是只改四处的。
想要清冷高级感的,曲风换成极简氛围电子 Ambient Pop,情绪改成清冷、克制、疏离,乐器用钢琴单音加弦乐pad加极轻电子脉冲,速度80 BPM,明确写上不要鼓。
想要元气甜妹的,曲风换成轻快 City Pop,情绪改成明亮、俏皮,乐器用清音吉他加拍手加马林巴加铃鼓,速度提到118 BPM。
想要复古胶片的,曲风换成 Bossa Nova 或者轻爵士,情绪改成慵懒、暧昧,乐器用钢琴加萨克斯加刷鼓,速度90 BPM。
还有个小建议,一个账号最好固定用同一套提示词去生成曲子。
观众听两三条就能认出你的声音,这比你每期去追热门BGM划算得多。
第二类,AI工具教程怎么配
再说AI工具注册教程。
这类视频,音乐是墙纸。
你有口播、有录屏,观众是来学东西的,音乐的唯一任务就是别捣乱。
所以这里的关键词就三个,低存在感,低存在感,还是低存在感。
我把提示词写成了这样。
我想要一首纯音乐,用作AI工具注册教程的口播与录屏背景音乐,全程不能干扰人声讲解。
曲风:极简科技感 Ambient / Lo-fi Chill,干净、现代、克制,类似软件产品演示BGM。
情绪:专注、平稳、可信赖、带轻微向前推进感,不要兴奋、不要煽情。
人声:无人声,绝对不要歌词、不要哼唱、不要人声采样。
速度:约88 BPM,C大调,节奏稳定、全程不变速。
乐器:低音量的柔和 synth pad 铺底,轻微低频脉冲作律动,点缀干净的 pluck
单音与极轻的 click 节拍;中频尽量留空,不要用密集钢琴,
不要用萨克斯或弦乐做主旋律。
结构:前奏2秒淡入 — A段循环主题 — A段重复(旋律基本不变,只做细微层次
变化)— 尾声渐弱;整体音量平稳,全程无高潮、无 drop、无突然强弱
变化,方便任意裁剪和循环拼接。
时长:按视频精确秒数填写,例如60秒 / 90秒。
不要:人声、歌词、重鼓点、强节奏、舞曲式 drop、情绪起伏、突然停顿。这条里最关键的是中频留空、旋律基本不变、可任意裁剪这三句。
为啥要留空中频?
因为你的讲解声主要就集中在中频。
音乐要是把中频占满了,人声就被糊住了,观众听不清你在说啥,这条视频基本就白做了。
戴上耳机听一遍是最准的检验方法。
把音量压到人声之下大概12到18分贝,音乐只负责把情绪托起来,不负责抢戏。
那两条短音,我一开始也没说明白
说到这个,我得坦白一件事。
我前面本来只想给两套提示词就完事。
后来顺手写了一句,说可以再生成片头音和结尾音。
结果朋友看完直接懵了,跑来问我,说这两条短音到底要怎么做。
我当时心里就一句话,这事儿怪我。。。
因为这坑我自己也踩过。
问题出在我写得太跳了。
那句话的意思,根本不是让你在一条音乐里同时做三件事,而是让你分开生成三条音频,一共三个文件,拿到剪辑软件里拼到同一条时间线上。
为什么要分开做?
因为AI音乐一次生成的是一整首曲子。
你要是想让它做到第0到3秒是提示音、中间平稳、最后5秒上扬,模型做不到按秒精确切换。
分开生成,片头音还能每期复用,慢慢就做成了你频道的固定听觉标识。
还有一个更实际的坑。
SeedMusic没法直接产出正好3秒的音频,它一出来往往是一整段,一分多钟甚至两分钟。
所以正确的做法是,生成15秒左右,回剪辑里裁出最干净的前3秒。
别指望时长填个3就能成,那样很容易出空白或者爆音。
片头音和结尾音,两套能直接抄的
片头音的提示词,我写成这样。
我想要一段科技感开场提示音,用作AI工具教程片头的固定声音标识。
曲风:极简电子音效 / UI 提示音,干净、现代、轻盈。
情绪:短促上扬、清醒、有"开始"的提示感,不要煽情。
人声:无人声,不要歌词、不要哼唱。
乐器:一个柔和的 synth 上扬滑音,加一个干净的 ping / 风铃质感高频单点收尾,
底部一层极轻的低频托底。
结构:起音后立即上扬,最后一个 ping 自然衰减收尾;不要旋律、不要鼓点、不要循环段落。
时长:约15秒(后期只裁取最干净的前3秒使用)。
不要:人声、歌词、鼓点、旋律段落、强低音、突然的爆音。结尾CTA音的提示词,是这样。
我想要一段纯音乐,用作AI工具教程结尾"关注/链接在简介"那5秒的收束配乐。
曲风:极简科技感 Ambient,与主BGM同质感(synth pad + 干净 pluck)。
情绪:温和上扬、轻微收束感、干净利落,不要高潮、不要煽情。
人声:无人声,不要歌词、不要哼唱。
速度:约88 BPM,C大调,与主BGM一致,节奏稳定。
乐器:柔和 synth pad 铺底,干净的 pluck 单音逐步叠一层,最后一个音自然延音衰减;
中频留空,不要鼓点。
结构:前段渐强并微微上扬,后段自然淡出收尾;无 drop、无突然停顿。
时长:约15秒(后期只裁取最后5秒使用)。
不要:人声、重鼓点、舞曲式 drop、情绪大起伏、突然切停。拿到这三条音频,进剪辑软件,摆到时间线上就行。
以60秒的教程为例,片头音放在0到3秒,主BGM从3秒铺到55秒,开头做两秒淡入,结尾音从55秒接到60秒,交接的地方做一个交叉淡化。
人声或者录屏原声单独一条轨,全程音量最高。
偷懒版,我其实更推荐你先这样
不过说实话,三条拼接这件事,我其实更推荐你先别做。
为啥?
因为对绝大多数教程视频来说,只用主BGM一条就够了。
片头直接拿主BGM的前3秒淡入,结尾5秒手动拉一条音量包络做渐弱,听感上就已经是一个完整的收束了。
三条拼接,是你频道做到有固定片头、想做声音标识的时候,才值得加的工序。
先把一条跑顺,比一上来就折腾三条省事得多。
说到底,是把感觉翻译成参数
这个道理,其实不只适用于配乐。
我写着写着,突然想起以前学音乐的朋友是怎么入门的。
他们要先学五线谱,学一个乐器,学和声,学编曲,十年磨一剑,才敢说自己懂音乐。
现在不需要了。
你不需要会弹任何一个乐器,但你需要会另一件事,把脑子里那个说不清的感觉,翻译成AI能听懂的具体参数。
曲风、情绪、速度、乐器、结构,这些词以前只有音乐人挂在嘴边,现在成了咱们普通人都能用的日常语言。
我一直觉得,AI没有让表达这件事消失。
它只是把表达的门槛,从你的手上,挪到了你的嘴上。
你怎么描述你想要的东西,就会得到什么样的世界。
配乐这件事,到最后,其实不是让AI替你写歌。
是你终于有能力,把心里那点说不清道不明的东西,讲给它听。
然后它把它还给你,变成一段能听见的声音。
这感觉,太爽了。
以上,既然看到这里了,如果觉得不错,随手点赞、转发吧,如果想第一时间收到推送,也可以给我个关注⭐~
谢谢你看我的文章,我们,下次再见。
希望陈沩亮博客( https://www.chenweiliang.com/ ) 分享的《从入门到精通:AI写歌给视频配乐的万能公式,附带可直接复制的提示词清单》,对您有帮助。
