让 AI 听懂你要的那个味道：音乐提示词进阶

这篇假设你已经用 Suno 做出过至少一首完整的歌，知道 Custom 模式里那三个框分别是干什么的。 如果还没有，先去看 篇二，那边有可以原样复制的例子。

全文约 40 分钟。第八节是动手环节，跟着做大概 30 分钟。 第二节（逆向参考曲）和第六节（局部返工）第一次读可以先跳过，等你手上真的有一首”差点意思”的歌，再回来看会更有用。

这是 AI 音乐系列六篇的第三篇：

1. AI 写歌到底是怎么回事：原理和三条红线
2. Suno 保姆级教程：从注册到第一首完整歌曲
3. 本篇——让它做成你要的样子
4. 把 AI demo 变成能听的成品
5. 不只有 Suno：工具全景与本地部署
6. AI 音乐怎么合法地发出去

一个必须先说清楚的前提

本篇讲的所有写法——七个零件、结构标签、段落参数——都是社区经验，不是官方规范。调研时的实际情况是：Suno 官方帮助中心里找不到风格描述词和结构标签的规范定义页（相关文档目录返回 404，查证于 2026-07-23），网上流传的那些”meta tag 大全”全是用户互相摸索出来的。

两个后果，你从第一行就得记住：

• 没有”正确语法”这回事。 我给的写法是”多数情况下有效”，不是”官方规定必须这么写”。
• 它是概率，不是命令。 你写下一个词，模型大概率会朝那个方向走，但它有权忽略。被忽略时正确做法是重新生成或换个更简单的说法，而不是加更多词逼它就范。

零、为什么你的歌”差点意思”

0.1 你不是描述得不够多，是描述得不够全

绝大多数人写风格描述的样子是这样的：

好听的 citypop，很有感觉，高级感，treble 清晰，专业制作

这段话里有五个词，但只有一个零件（流派：citypop）。剩下四个词——好听、有感觉、高级感、专业制作——模型接不住。它们不是音乐属性，是你的听后感。

结果就是：它在整个 citypop 这个大类里随机抽。十次里可能有一次撞上你想要的，剩下九次的点数就是这么烧掉的。

0.2 七个零件

一条能稳定复现的风格描述，拆开来看有七个位置：

拼起来就是：

90 年代日本 citypop, 电钢与贝斯, 慵懒微醺, 女声气声, 模拟磁带质感

这条描述和上面那条一样长，但信息量差了一个数量级。

0.3 缺哪个零件，它就在哪个维度上随机

这是理解整件事的关键：模型不会因为你没写年代就”不管年代”。它必须为每一个维度做出决定——只是你没写的那些，它自己随机决定。

• 你没写年代 → 可能给你 2020 年代的干净制作，也可能给你 70 年代的糊
• 你没写编制 → 可能给你一把木吉他，也可能给你一整个交响乐团
• 你没写人声 → 男女、清亮沙哑，全看运气

所以”每次生成都不一样”不是模型不稳定，是你留了太多空位给它填。

反过来说，留空位也可以是故意的：你想看看它对”深夜的城市”会给出什么编制，那就把编制那格空着，多抽几次当采风。这是策略不是错误——前提是你知道自己在留哪一格。

0.4 反直觉的那条：零件不是越多越好

知道了七个零件，大多数人的下一个动作是往里面塞更多词。这是本篇最想拦住的行为。

经验值：整条 Style 描述超过十个词之后，词与词会开始互相打架，结果反而不如七个精准的词。

打架长什么样：

• 写了「温暖」又写了「凛冽」——它只能挑一个，或者做个四不像
• 写了「木吉他」又写「合成器铺底」又写「弦乐」又写「808 鼓」——四件东西抢同一段频率，出来一团糊
• 写了「慢速」又写「律动强烈」——它不知道你到底要哪个

社区反馈的反模式也印证这点：一次塞十几个标签、把 Style 写成 200 字长文、用生僻词描述音色，都会让结果更不可控。

操作建议：写完先删一遍，顺序是先删形容感受的词（好听、高级、治愈），再删重复的词（温暖 / 温馨 / 暖色调留一个），最后删互相冲突的词。删完还超过十个词，说明你想要的东西太多了——那应该拆成两首歌。

一、可抄的风格词库

只给五个流派。这不是词典，是让你看懂”一组词会产出什么”的样本。

看完这五组，你应该能自己写第六组。这比背五十个流派名有用得多。

每组的格式都一样：可抄的词 → 它实际会产出什么 → 最容易翻车的地方 → 想调整时动哪个零件。

1.1 中文都市民谣

中文都市民谣, 男声, 木吉他分解和弦, 电钢, 轻柔鼓刷, 慢速, 深夜感, 温暖干净的制作

它实际会产出什么：偏慢，没有强烈鼓点；吉他是一根根拨的（分解和弦）不是”唰唰”扫的；人声靠前能听清字；整首动态平缓，没有”炸”的段落。

最容易翻车的地方：副歌起不来。整条描述里没有任何一个词提示”这里要变大”，模型会把副歌也做得和主歌一样淡。解决办法在第四节。

想调整时动哪个零件：想更暖 → 动质感（加「磁带质感」）；想更空 → 动编制（删掉电钢）；想更有推进感 → 动编制（加「简单的贝斯线」），不要动速度。

1.2 City pop

80 年代日本 citypop, 女声, 电钢, funky 贝斯, 闪亮的合成器, 中速, 慵懒, 模拟磁带质感

它实际会产出什么：贝斯很活跃，是整首歌里最动的那条线；和弦比流行歌复杂，会有”听着有点甜又有点晃”的转折；高频偏亮，镲片明显；人声偏气声，不用力唱。

最容易翻车的地方：写了 citypop 但没写年代和质感，出来的会是一首”现代 R&B”，干净得没有味道。年代和质感这两个零件对这个流派是必填。

想调整时动哪个零件：想更复古 → 动年代（80 → 70 年代末）并把质感换成「黑胶质感」；想当 BGM → 动人声（改「无人声」或「哼唱」）。

1.3 Lo-fi 说唱底 / chillhop

lo-fi hip hop, 无人声, 慢速鼓组, 电钢琴循环, 黑胶噪音, 雨声, 放松, 温暖的低保真质感

它实际会产出什么：一段两到四小节的循环反复到结束；鼓是”松”的，故意不对齐拍子；高频被削掉一块，像隔着一层布；没有明显的段落变化——这是它的特点，不是缺陷。

最容易翻车的地方：你要的是”能放着写代码的背景音乐”，却把人声那格留空，结果人声一直在唱。这个流派必须明确写「无人声」——留空它会自己决定，多半会给你加。

想调整时动哪个零件：想更适合视频配乐 → 动编制（删掉雨声这类环境音，后期自己加更可控）；想要情绪起伏 → 换流派（lo-fi 天生就是平的，别在它身上要起伏）。

1.4 合成器流行 / synthwave

80 年代 synthwave, 男声, 复古合成器铺底, 电子鼓机, 中速, 夜路驾驶感, 宽阔的混响

它实际会产出什么：一层持续的合成器从头铺到尾；鼓是机器味的，很规整，没有人打鼓的呼吸感；混响很大，像在一个大空间里；人声被推得靠后，融在音墙里。

最容易翻车的地方：混响大、人声靠后，中文歌词会糊成一片听不清。要中文人声，就把「宽阔的混响」换成「干净的人声」——两者只能选一个。

想调整时动哪个零件：想人声听清 → 加「人声靠前 干净」同时删掉混响词；想更适合游戏或短视频 → 动情绪（「紧张」「追逐感」）并加快速度。

1.5 独立摇滚 / 民谣摇滚

独立摇滚, 男声, 失真吉他, 贝斯, 真实鼓组, 中快速, 有点糙, 现场感的制作

它实际会产出什么：有明确的主歌—副歌落差，副歌吉他会加满；鼓像真人打的，有轻重变化；人声偏用力，可能带一点破音；整体没那么”干净”，这是「现场感」这个词的功劳。

最容易翻车的地方：「有点糙」「现场感」会连带影响人声清晰度。如果歌词是这首歌的重点，这两个词要谨慎用。

想调整时动哪个零件：想更安静 → 动编制（失真吉他 → 木吉他），流派不动；想更”大” → 动编制（加「和声」「弦乐」），不要靠加形容词。

1.6 五组之外怎么办

看出规律了吗——每组词的骨架都是那七个零件，换的只是填空的内容。所以你不需要一本词典，你需要的是：找到流派名 → 用七个零件补全 → 生成、听、判断是哪个零件不对、只改那一个。

关于中文词和英文词：社区反馈一致认为，英文的流派名和乐器名识别率比中文高，即使你的歌词是中文。折中写法是流派、乐器、质感用英文，人声语言和情绪用中文写明。本篇为了好读用了中文，你实际用的时候可以把流派名换成英文对比一下。

二、逆向一首参考曲

2.1 先说清楚不能怎么做

不要写歌手的名字。 这不是道德建议，是两个层面的实际问题。

第一，它无效。 模型里没有”某位歌手”这个旋钮。你写下一个名字，它接收到的只是一串文本，输出一个模糊的、平均化的联想结果。表现出来就是：出来的东西和那个人没什么关系；写同一个名字两次，两首歌互相之间也没什么关系；而且你完全不知道该怎么改——因为你没写下任何一个可调的零件。

用名字换来的是不可复现，用七个零件换来的是可复现。 这是纯粹的工程差别。

第二，它踩红线。

• 未经授权用 AI 克隆真人（尤其是歌手）的声音，是明确的红线。Spotify 在 2025-09-25 的政策发布中直接把它定性为”对艺人身份的剥削”，其冒名（impersonation）政策当日立即生效。
• 中国法下，自然人的声音受人格权保护（《民法典》人格权编规定声音参照适用肖像权保护的规定；具体条文编号本系列未核对原文，你要引用请自行核实条号）。
• “拿别人的歌 + 明星音色做 AI 翻唱”同时踩三条线：录音版权、词曲著作权、声音/人格权。标注”AI 生成”不能免除这三项责任。

红线的详细展开在 篇一，这里只强调一句：“像谁”是错的问题，“像什么”才是对的问题。

2.2 正确的做法：把一首歌听成七个零件

拿出你想参考的那首歌，戴上耳机，听三遍。每遍只听一样东西。

第一遍：听编制。 能听出几件乐器（多数流行歌三到五件，不要多写）？从头铺到尾的是哪一件（这是”打底”的那件，最重要）？副歌比主歌多了什么（这个答案直接写进结构标签，见第四节）？

→ 编制 = 打底那件 + 最多两件辅助。

第二遍：听节奏型。 快还是慢（不要猜 BPM 数字，用「慢速」「中速」「中快速」就够了，写数字更容易失控）？鼓密还是疏，有没有鼓？重拍是”咚—哒—咚—哒”这种规整的，还是有点晃、有点错位？

→ 流派大半是从这一步判断出来的。节奏型是流派最硬的指纹。

第三遍：听人声位置。 人声浮在最前面还是陷在乐器里？干还是湿（湿 = 混响多，像在大房间里唱）？用力唱还是气声？有没有背景和声，副歌有没有变厚？

→ 人声 + 质感。

2.3 填空，填不出来就空着

听完三遍，照第零节那七格填。年代听录音的干净程度和鼓的味道，地域听语言和旋律走向，其余三遍里已经有答案。

填不出来的格子，就是你还没听出来的东西——空着，别瞎写。空着至少你知道那一格是随机的；瞎写会把结果带偏，而且你不知道是哪个词带偏的。

2.4 一个诚实的提醒

逆向出来的结果永远不会像那首参考曲，它只会像”那首歌所在的那一片区域”。这已经是你能拿到的最好结果——而且从版权角度看，这恰恰是你应该要的结果。

如果你的目标是”做出和某首歌一样的东西”，这个工具帮不了你，任何工具都帮不了你，而且那件事本身就有法律问题。

三、人声的控制

这一节的作用是帮你省点数——知道哪些是真能控的，就不会在不能控的东西上反复抽卡。

3.1 真的可控

• 性别：「男声」「女声」基本都听，这是最稳的一个
• 语言：「中文」「英文」有效，而且必须写——不写的话中文歌词也可能被唱出外国腔（第七节第 3 个案例）
• 大致音域：「低沉」「明亮」「高亢」有效；写具体音高（“A3 到 E5”）无效，别写
• 唱法：「气声」「念白」「呐喊」「假声」这类有明确演唱动作的词，多数时候有效
• 和声：在结构标签里写「加和声」比写在 Style 里准，因为你能指定只在副歌加
• 人声位置：「人声靠前」「干净的人声」有效，是解决”人声没存在感”的直接手段

3.2 半可控（值得试，但别指望）

• 年龄感：「少年感」「沧桑」有时有效，有时被忽略
• 沙哑程度：「微微沙哑」这种带程度限定的，命中率比「沙哑」高
• 方言：基本别指望，出来的多半是带口音的普通话
• 颤音、转音：写了它可能加，但加多少完全随机

3.3 基本不可控（别浪费点数）

• 具体音色——你脑子里那个声音，没有词能描述准
• “像某某人”——见第二节
• 精确的换气点——但你可以间接控制，见第五节（换行就是断句）
• 同一个人唱两首歌——每次生成的人声都是新的

3.4 关于”锁定同一个音色”

如果你的目标是做一张专辑、几首歌听起来像同一个人唱的，光靠描述词做不到。

调研当天（2026-07-23）在 Suno 官方 release notes 里查到的相关功能有两个，都是随 v5.5 于 2026-03-26 上线的：

• Voices：录制或上传你自己的声音，然后让它用你的嗓音演唱
• Custom Models：上传你自己作品集里至少 6 首曲子，训练一个属于你的模型变体

这两个功能的具体操作细节、点数消耗、可用档位，本系列没有逐条查证，所以不展开写。 你要用的话，去官方 release notes 和帮助中心当场确认。

⚠️ 无论用哪个，素材必须是你自己的声音或你有权使用的声音。用别人的声音训练，前面说的三条线一条不少。

四、结构标签的实战用法

4.1 再说一次：这是社区经验，不是官方规范

[Verse] [Chorus] 这套写法，在 Suno 官方文档里没有规范定义（相关帮助文档目录 2026-07-23 查证时返回 404）。它是用户群体长期试出来的、被广泛验证有效的习惯用法。

所以下面所有内容的正确读法是”多数情况下有效”，不是”必须这么写”。哪天它突然不认了，不是你写错了。

4.2 基本写法

四条规则：

1. 中括号包住，独占一行
2. 放在它要影响的那段歌词的前面
3. 标签本身不会被唱出来
4. 1 到 3 个词最稳，越短越可靠

[Verse 1]
第一段主歌的词写在这里
每一行就是一个乐句

[Chorus]
副歌的词写在这里

标签用英文比用中文稳，即使歌词是中文——这也是社区的一致反馈。

4.3 三个可以直接抄的模板

模板一：流行三段式

Intro
Verse 1
Chorus
Verse 2
Chorus
Bridge
Chorus
Outro

适合：绝大多数你想做成”一首正经歌”的情况。副歌出现三次，是让人记住旋律的最低次数。

模板二：民谣叙事

Intro 木吉他独奏
Verse 1
Verse 2
Chorus
Verse 3
Chorus
Outro 渐弱

适合：歌词有故事线、想让人听内容的。特点是副歌来得晚——先用两段主歌把事情讲清楚，副歌才出现，情绪落差更大。本系列的贯穿案例《末班地铁》走的就是这个路子的变体。

模板三：短视频 15 秒

直接从 Chorus 开始
Chorus
Verse
Chorus
总长控制在 30 秒以内
生成后剪前 15 秒

适合：做视频配乐、做卡点素材。

要点是开头就得是最抓耳的那一段——短视频没有铺垫的时间。生成的时候留一点余量（做到 30 秒），后期再剪出最好的 15 秒。

4.4 参数化写法

在标签里加冒号，后面跟修饰语，只影响这一段，不动全局 Style：

[Verse: 只有木吉他, 气声演唱]

[Chorus: 加满乐器, 有力的人声]

这是解决”副歌不炸”最直接的手段——在副歌标签里写清楚编制变化。

⚠️ 冒号后的补充说明多数时候有效，但不保证。它和 Style 框里的词一样，是概率提示。

4.5 常见的段落标签

够用的就这几个：[Intro] [Verse] [Chorus] [Bridge] [Outro] 五个骨架标签；[Pre-Chorus] 是副歌前的过渡，想做”蓄力感”时用；[Instrumental] [Guitar Solo] 是纯乐器段落，下面不要写词；[Whispered] [Spoken] 是演唱方式，用在需要反差的地方。

不建议往上堆更多。 标签越多越冷门，被忽略的概率越高。

4.6 它不听你的时候怎么办

按这个顺序试，不要跳步：

1. 重新生成一次——大概三分之一的情况这样就好了，因为它本来就是概率的
2. 把标签改短——[Chorus: 加满乐器，有力的人声，鼓组进入，弦乐铺底] 改成 [Chorus: 加满乐器]
3. 把标签换成英文
4. 改 Style 框而不是改标签——有些事（比如整体质感）是全局的，在段落级别拧不动
5. 接受它——如果三次都不听，说明你要的东西超出了它的能力范围

最错误的做法是往里加更多标签。 这是社区反馈里最明确的一条反模式。

五、歌词怎么写才好唱

5.1 一条比什么都重要的规则

换行就是断句。你在哪里回车，它就在哪里换气。

这一条能解决你一半的歌词问题。

它不会自己判断”这句话到哪里应该停”。它把你的每一个换行都当成一个乐句的边界。所以：

• 一行写太长 → 它会唱得很赶，字挤在一起
• 一行写太短 → 中间会出现莫名其妙的空白
• 该断的地方没断 → 它会在词语中间换气，听起来像喘不上气
• 两行之间空一行 → 多数时候会被理解成一个更大的停顿

所以排版就是编曲的一部分。 写完歌词，你的换行位置已经把节奏定了七成。

5.2 四组对照

第一组：字数。 好唱是每句字数接近、七到十二个字；不好唱是有的三个字有的二十个字。

原因很简单——旋律是有小节的。字数差太多，它只能靠拉长或压缩塞进同一个小节，出来就是有的字被拖得很长，有的字快到听不清。不需要每句一样多，上下句差三个字以内就够了。

第二组：押韵。 好唱是句尾押韵、哪怕只是宽韵；不好唱是完全不押，它会自己乱改断句。

宽韵的意思是不用严格同韵母，听起来”顺”就行，「口」和「走」、「灯」和「人」都算。不押韵之所以会让断句乱，是因为韵脚是它判断”一句结束了”的重要线索——没有韵脚，它只能靠换行猜。

第三组：用字。 好唱是常用字、口语化；不好唱是生僻字、多音字、专有名词。中文特有的三个坑：

• 多音字：「行」「重」「长」「乐」，它会读错，而且你没法纠正
• 数字：「一」在不同位置读音不同，「2」它可能读”二”也可能读”两”
• 中英夹杂：一句里混英文词，切换时会有明显卡顿

第四组：信息密度。 好唱是一句一个意象；不好唱是一句里三个转折，它会唱得赶。

歌词不是散文。「末班车的灯光有点旧」是一个画面，一句一个就够了；「末班车的灯光有点旧但是我想起了去年冬天你说过的话」是三件事，塞在一句里必然唱崩。

5.3 自检方法

写完之后自己念一遍。不用唱，就正常念，按你写的换行停顿。

念着别扭的地方，它一定唱得别扭。 这个方法准确率极高，因为你和模型面对的是同一份文本、同一个断句。念的时候注意三件事：需要抢气才念得完的句子太长了，拆成两行；念出来是另一个音的字是多音字，换掉；你自己都不确定该在哪停的地方，加个换行。

5.4 副歌的特殊要求

副歌要满足三条，缺一条都会”记不住”：

1. 比主歌短——句子更短，字更少
2. 重复——同一句词出现两次以上是正常的，不是偷懒
3. 有一句是”歌眼”——最想让人记住的那一句，放在副歌开头或结尾

看贯穿案例的副歌：

今天也没什么不好
只是有点想早点睡觉
城市把我送到家门口
它就不再说话了

四句，每句 8 到 10 个字，「好」和「觉」押宽韵，全是常用字，一句一个画面。整首歌里它原样重复三次。

5.5 关于这首歌的诚实说明

《末班地铁》的歌词是人写的。 AI 负责的是编曲和演唱。

本系列不会给你”AI 全自动产出一首好歌”的暗示，因为那不是现在的真实情况。歌词这一层，你自己写，或者用通用的大语言模型辅助你写，都比让音乐模型自己发挥要可控得多。

六、局部返工

6.1 先判断：该局部改还是该重抽

这一节讲的是”歌基本对了，只有一段不行”的情况。

• 重抽整首（回第零节改 Style）：风格整体不对、人声不对、情绪不对、说不清哪里不对但就是不喜欢
• 局部返工：整体对但某一段编制不对、结尾突然断掉、某一句吐字不清、长度不够

判断口诀：说得出是哪一段的问题，才做局部返工；说不出来就是 Style 的问题，回去改 Style。

绝大多数人的错误是反过来的——歌整体就不对，却在那里一段一段地修，点数全烧在修补上。

6.2 界面上的几个功能

⚠️ 这一小节的功能名称随版本变动很快。 下面只写调研当天（2026-07-23）能在官方 release notes 上佐证的内容，具体按钮位置和参数请以你当时看到的界面为准。

调研当天官方 release notes 记录的相关能力：

• 上传音频：Pro / Premier 档支持上传最长 30 分钟的音频（免费档上限 8 分钟）
• Add vocals / Add instrumental：给已有音频加人声或加伴奏
• Remix：包含 extend（延长）、cover（翻做）、调速
• Advanced editing：替换或新增段落

界面上你可能看到的按钮名（比如 Extend、Replace Section）和 release notes 里的分类名不完全对应，这很正常，不要纠结名称。你需要认的是”这个操作是延长、是替换一段、还是整体翻做”。

本系列没有查证的部分，因此不展开：各功能的点数消耗、单次生成的时长上限具体数字（官方 release note 未给数字）、每个功能在哪些档位可用的完整对照。

6.3 Remix 的授权坑（重点，第二次强调）

这是整个系列里最容易让人在发布阶段翻车的一条。

Suno 服务条款（最后修订日 2026-03-26，查证于 2026-07-23）明确写着：

• Remix 属于你与 Remixer 的共同作品
• 无论你是免费用户还是付费用户，Remix 只能用于合法的、内部的、个人的、非商业用途
• 必须署名 Suno

翻译成人话：

你付了钱，也不代表 Remix 出来的东西能商用。 商用授权覆盖的是你自己生成的作品，不是 Remix 的产物。

所以如果你的这首歌最终要发行、要接商单、要放进带广告的视频，那么在返工的时候：

• 优先用”改 Style 重新生成”或”替换段落”这类不改变作品归属的方式
• 对 Remix 保持警惕，用之前先去当前的条款页确认它现在怎么写

6.4 另外两个和授权有关的坑

第一，授权不能追溯。

订阅之后，回头给你订阅之前生成的歌补商用授权——不行。

所以如果你打算发行，先订阅，再生成。顺序反了，前面做的所有歌都白做。

第二，一个还没落地但随时会来的变更。

有二手报道（Digital Music News，2025-12-22；Music Business Worldwide，WMG 和解日 2025-11-25）称，Warner 协议之后会有这些变化：

• 免费档歌曲将不可下载，只能播放和分享
• 付费档会有每月下载次数上限
• 新的授权模型上线后，现有模型将被弃用

⚠️ 截至 2026-07-23，Suno 定价页上尚未出现下载次数上限的字样，说明该变更还未落地或未公开。这些是二手来源的预告，不是已生效的规则。

但对你的实际影响是：歌做好了就下载下来存好，不要留在云端等着”以后再说”。

七、失败案例拆解

五组最常见的症状。每组按「症状 → 根因 → 改哪个词 → 改完变成什么样」写。

⚠️ 一个诚实前提：生成是概率性的，下面写的”改完变成什么样”是方向，不是保证。 同样的改动，你可能需要重新生成两三次才看到效果。

7.1 整首歌听着像背景音乐，人声完全没存在感

症状：歌是好听的，但人声像是混在伴奏里的一件乐器，歌词听不清，注意力集中不到人身上。

根因：Style 里全是乐器和氛围的词，七个零件里”人声”那一格几乎是空的——或者只写了「男声」这种最低限度的信息。人声位置这个维度，你没给任何指示，它就按流派的平均习惯来了。混响类的词（「宽阔的混响」「空间感」）会进一步把人声推远。

改哪个词：

• 在 Style 里补人声位置的描述：「人声靠前」「干净的人声」「清晰的咬字」
• 同时删掉混响、空间、朦胧这一类词——它们和”人声靠前”直接冲突
• 如果流派本身就是人声靠后的（synthwave、shoegaze、后摇），那是流派的问题，得换流派

改完变成什么样：人声会明显浮到前面来，能听清每个字；代价是整首歌的”氛围感”会减弱一些。这是个跷跷板，你只能选一头。

7.2 副歌和主歌听不出区别

症状：整首歌从头到尾一个样，没有”起来”的地方，听完记不住任何一句。

根因：两个原因叠在一起。

• Style 里没有任何提示”这首歌需要有落差”——它默认做成平的
• 歌词的副歌部分和主歌长得太像：句子一样长、信息一样多、没有重复

改哪个词：

• 在副歌标签里标注编制变化：[Chorus: 加满乐器, 有力的人声]
• 反过来在主歌标签里做减法：[Verse: 只有木吉他]
• 把副歌歌词改得更短、更重复——句子砍到 8 个字以内，同一句出现两次

改完变成什么样：主歌会变得更空、更收，副歌进来的瞬间会有明显的”打开”感。落差是靠对比造出来的，把主歌做小比把副歌做大更有效，因为后者容易糊成一团。

7.3 中文咬字像外国人唱中文

症状：歌词是中文，但唱出来的腔调很怪，声调不对，个别字听起来像另一个语言。

根因：三个来源，按常见程度排序。

• Style 里没有明确写语言和地域——“地域”这个零件空着
• 歌词里混了英文词、英文缩写或数字
• 用了生僻字、多音字，或者书面语太重的表达

改哪个词：

• Style 里明确写 「中文流行」「中文人声」，把地域零件补上
• 删掉歌词里所有英文词，包括你觉得”很酷”的那两个
• 把不确定读音的字换成常用字，把书面语改成口语

改完变成什么样：声调会明显正常，尤其是四声的起伏。但要有心理预期——中文咬字仍然是这类模型最弱的一环，“能听清、不出戏”就是当前的合格线，别追求播音级。

7.4 每次生成风格差太远，完全不可复现

症状：同一条描述抽十次，出来十种东西。你听到一个好的，想再要一个类似的，却再也抽不出来。

根因：零件缺得太多。你留了三四个空位，每个空位它都在随机，几个随机叠在一起，方差就爆炸了。

改哪个词：

• 对照第零节的七个零件表，逐格检查哪一格是空的，补全
• 特别注意最容易被忘的三格：年代、地域、质感
• 如果对人声一致性有要求，考虑用第 3.4 节提到的音色锁定类功能（细节未查证，请以官方文档为准）

改完变成什么样：十次生成会收敛到”同一个区域里的十个变体”——差别只在细节，而不是完全不同的歌。这时候抽卡才真的有意义：你是在挑最好的那个版本，而不是在赌运气。

图 MU-14 在这一格写的是「或改用同一个 Persona 音色」。需要说明的是：Persona 是社区里对”锁定同一音色”这类功能的通称，本系列在官方 release notes 上查到的对应功能名是 Voices 和 Custom Models（均随 v5.5 于 2026-03-26 上线）。名称以你当时看到的界面为准。

7.5 情绪不对，太欢快或者太丧

症状：你写了「悲伤」，出来的东西还是挺欢快；或者你写了「温暖」，出来的却很压抑。

根因：这是最反直觉的一条——情绪词的优先级低于流派词。

流派自带情绪基调。你写「funk」再加「悲伤」，它多半还是会做出一首偏欢快的 funk，因为 funk 这个词对模型来说携带的信息量远大于「悲伤」。情绪词只能在流派划定的范围里微调，不能扭转它。

改哪个词：

• 先换流派，再调情绪词。想要悲伤，就去找本身就偏悲伤的流派，而不是给欢快的流派加悲伤形容词
• 情绪不够时，用编制帮忙：减乐器、慢速度、去掉鼓，比加十个情绪形容词有用
• 大调小调这类词偶尔有效，可以试，但别指望

改完变成什么样：情绪会一步到位，因为你是从骨架上换的，不是在表面上贴标签。

这一条可以推广成一条通用规则：当某个零件不听你的时候，去看它上游的那个零件是不是在压着它。 优先级大致是：流派 > 编制 > 情绪 ≈ 人声 > 质感。

八、动手：把《末班地铁》调到满意

这一节把前面七节用在一首具体的歌上。

如果你在 篇二 做过这首歌，直接拿你当时的版本继续；没做过也没关系，下面给了完整的起点。

再说一次这首歌的诚实边界：歌词是人写的，AI 负责编曲和演唱。

8.1 起点

篇二里给出的 Style 描述：

中文都市民谣, 男声, 木吉他分解和弦, 电钢, 轻柔鼓刷, 慢速, 深夜感, 温暖干净的制作, 微微沙哑的气声

歌词全文在篇二，这里只摘开头两段，本节所有改动都发生在这两段上：

[Verse 1]
末班车的灯光有点旧
照着我没洗的衣袖
站台风把广告吹得发抖
我数着还有几站到头

[Chorus]
今天也没什么不好
只是有点想早点睡觉
城市把我送到家门口
它就不再说话了

结构是 Verse 1 → Chorus → Verse 2 → Chorus → Bridge → Chorus → Outro，副歌原样重复三次——对照第四节的”民谣叙事”模板看，它是那个模板的变体。

8.2 第一步：零件盘点

按第零节的七格，把这条描述拆开：

七格里有一格是空的：年代。

这不是错误——篇二故意留着它，让模型自由发挥。现在我们要收紧了。

8.3 对照一：补上年代

改动：在最前面加一个年代词。

当代中文都市民谣, 男声, 木吉他分解和弦, 电钢, 轻柔鼓刷, 慢速, 深夜感, 温暖干净的制作, 微微沙哑的气声

为什么这么改：唯一的空位补上，方差立刻收窄。用「当代」而不是具体年份，是因为这首歌本来就该听起来像现在的歌。

改完的方向：录音会更干净，不会突然给你一个 80 年代的糊味道；连续生成几次，版本之间的差别会明显变小。

如果你想要另一种味道，把「当代」换成「90 年代」试试——同一批歌词会带上一点旧唱片的质感，吉他会更闷一些。这是最省力的一个”换个味道”开关。

8.4 对照二：把人声推到前面

听完第一版，最容易出现的不满是：人声有点陷在吉他里，歌词听不太清。

对照第 7.1 节：人声零件写了「男声」和「微微沙哑的气声」，但没有写人声位置。

改动：

当代中文都市民谣, 男声, 人声靠前且干净, 木吉他分解和弦, 电钢, 轻柔鼓刷, 慢速, 深夜感, 微微沙哑的气声

注意这里同时做了一件事：删掉了「温暖干净的制作」。

为什么删——因为新加的「人声靠前且干净」已经覆盖了”干净”这层意思，两个词并存就是重复，而重复的词会挤占其他零件的权重。这就是第 0.4 节说的”写完先删一遍”。

改完的方向：歌词会明显清楚，“没洗的衣袖""关东煮在锅里翻个身”这种细节听得清了。代价是整首歌的”氛围”会薄一点点——如果你更想要氛围，就把这个改动回退。

8.5 对照三：做减法（这一组最重要）

假设你在前两步之后，又忍不住加了几个词：

当代中文都市民谣, 男声, 人声靠前且干净, 木吉他分解和弦, 电钢, 轻柔鼓刷, 慢速, 深夜感, 微微沙哑的气声, 城市孤独感, 电影感, 弦乐铺底, 雨夜, 温暖, 高级的制作水准

十五个词。这就是第 0.4 节说的”打架”。

打架的具体位置：

• 「深夜感」「城市孤独感」「雨夜」——三个词在说同一件事，互相稀释
• 「弦乐铺底」和「木吉他分解和弦 + 电钢 + 鼓刷」——第四件乐器进来抢频率，中频糊成一团
• 「电影感」和「人声靠前」——电影感通常意味着大空间和人声靠后，两者冲突
• 「高级的制作水准」——形容你的感受，模型接不住，纯占位

删完之后：

当代中文都市民谣, 男声, 人声靠前且干净, 木吉他分解和弦, 电钢, 轻柔鼓刷, 慢速, 深夜感, 微微沙哑的气声

回到九个词。这就是本篇的核心操作——加词你会做，删词才是进阶。

8.6 局部返工：副歌不够重

前面几步之后最可能剩下的问题是：副歌和主歌落差不够，整首歌太平。

这是第 7.2 节的症状。按那里的修法，不改 Style，改歌词里的段落标签：

[Verse 1: 只有木吉他和人声]
末班车的灯光有点旧
照着我没洗的衣袖
站台风把广告吹得发抖
我数着还有几站到头

[Chorus: 加入电钢与鼓刷, 加背景和声]
今天也没什么不好
只是有点想早点睡觉
城市把我送到家门口
它就不再说话了

为什么这样有效：落差是对比造出来的。主歌做减法（只留吉他），副歌那几件乐器才有”进来”的感觉。如果只在副歌加东西而不在主歌减，出来通常是”两段都很满”。

如果标签被忽略，按第 4.6 节的顺序处理：先重生成一次，再把标签改短（[Chorus: 加满乐器]），再换英文，都不行就回去改 Style。不要往标签里加更多词。

8.7 收尾

调到你满意为止，然后做三件事：把这一版的 Style 和 Lyrics 原样存进一个笔记（不要只留在浏览器）；把音频文件下载到本地（原因见第 6.4 节）；记下你改了哪几个词，下一首歌用得上。

到这一步，这首歌的 demo 阶段就结束了。它现在应该是”听起来对了，但还不够像正式发行的歌”——那是后期的活，交给 篇四。

九、翻车速查（按”你听到的现象”查，不按术语查）

两条元规则，比上面任何一行都重要：

1. 说不出是哪一段的问题，就是 Style 的问题。 回去改 Style，别在那里一段一段修。
2. 它不听你的时候，删词，不要加词。

十、下一步

这一篇你学到的：一条风格描述有七个零件（年代、地域、流派、编制、情绪、人声、质感），缺哪个零件它就在哪个维度随机；零件不是越多越好，超过十个词开始互相打架，写完先删一遍；参考曲要听成零件，不能写歌手的名字；结构标签是社区经验不是官方规范，1–3 个词最稳；换行就是断句；优先级是流派 > 编制 > 情绪 ≈ 人声 > 质感，下游拧不动的时候去看上游。

接下来去哪：

• 如果你的歌风格对了但听着糊——去 篇四。那是分轨、混音三个旋钮、母带，把 demo 变成能和别人的歌放在一起不吃亏的成品。
• 如果你发现Suno 的档位或额度不够用，或者想知道除了它还有什么——去 篇五。
• 如果你还没做出过一首完整的歌——回 篇二，那边是从零开始的。
• 如果你打算把歌发出去——先去 篇一看三条红线，再去 篇六走流程。先看红线，再动手发。

最后一句关于时效：本篇里的方法（七个零件、结构标签、歌词写法）属于社区经验，相对耐用；涉及功能名称、档位、条款的部分保质期约一个季度，请以你使用当天的官网页面为准。本篇未查证因而没有展开的有三处：Voices / Custom Models 的点数与档位、各返工功能的点数消耗、《民法典》声音权的具体条文编号。