先听听 Lyria 3.5
Lo-fi 学习节拍
纯音乐，Rhodes 电钢与唱片噪点
电影感推进
管弦，从钢琴推到全铜管
独立流行，有人声
人声，歌词是提前写好的
暗调 trap 节拍
纯音乐，D 小调的 808
法语香颂
人声，提示词用法语写
芯片音乐循环
纯音乐，复古 8-bit
Lyria 3.5 擅长什么
曲式撑得住两分钟
模型先把编曲规划完，再开始渲染。所以两分钟的曲子有前奏、有主歌、有副歌，不是一个动机循环到底。时间轴写进去，它就照着你的刻度往上搭。
你写的词，它唱出来
歌词分好段，贴在段落标记下面，和音乐指令分开放。它唱的是这些字，不会当成对歌曲的描述。词由它自己写时，文本会跟音频一起交回来。
配乐从画面里长出来
最多附十张静帧。模型读得出里面的情绪、色调和场景，照着写曲。把成片的画面直接喂进去，音乐贴的是调色本身，不是你对它的转述。
纯音乐给人声让位
提示词里写明只要纯音乐，编曲就会在说话的位置留白。口播视频、课程讲解、播客片头、游戏内音乐，走的都是这一条。
人声可以唱任何语言
提示词用哪种语言，歌词就是哪种语言，发音也跟着走。想要中文歌，整条提示词都得用中文写；在英文提示词里补一句“唱中文”不算数。
草稿便宜，才敢多试
Lyria 3 Clip 固定给 30 秒，出得快，提示词就在这一步磨顺。生成只有一轮，同一条提示词也不会重复，所以正式渲染要争取一次到位。
Lyria 3.5 提示词怎么写
提示词含糊，出来的音乐也含糊。没写清的地方，模型按它见过的一切取一个平均值。反过来说，每写清一项，就是把一个决定拿回自己手里。
短视频配乐最吃这一点。十五秒的片头，情绪必须一开口就对，没有铺垫的余地。
| 写清这一项 | 为什么重要 | 示例 |
|---|---|---|
| 曲风 | 定下整首编曲的走向 | Lo-fi hip hop、国风流行、电影感管弦 |
| 乐器 | 要具体音色，不要一个大类 | 古筝、竹笛、Fender Rhodes、TR-808 |
| 速度 | 一个数字胜过一个形容词 | 85 BPM，慢一点约 70 BPM |
| 调性 | 从和声上把情绪定住 | G 大调、D 小调 |
| 情绪 | 决定演奏的气质 | 怀旧、凌厉、空灵 |
| 结构 | 段落标记，或者一条时间轴 | [Verse] [Chorus]，或时间戳 |
乐器写得具体，比曲风写得对更管用。写“古筝”，音色当场就定了；写“民族乐器”，模型只能给你一个平均值。
一段 30 秒的 lo-fi hip hop 节拍，带旧唱片的沙沙底噪。柔和的 Rhodes 电钢和弦，85 BPM 的慢速 boom-bap 鼓组，再配一条爵士味的立式贝斯。只要纯音乐，适合压在口播下面。
Lyria 3.5 的歌曲结构怎么控制
声音对了，再来定形状。控制分两层，多数人只用到第一层。
段落标记负责分段：[Intro]、[Verse]、[Chorus]、[Bridge]、[Outro]。只在乎先后顺序时，这一层够用。
时间戳负责对表。把时间轴写进去，模型按刻度搭，时长也一并定死。
[0:00 - 0:10] Intro：柔和的 lo-fi 节拍起头，配上闷闷的唱片噪点。[0:10 - 0:30] Verse 1：加入温暖的 Fender Rhodes 电钢旋律，人声轻唱一个下雨的清晨。[0:30 - 0:50] Chorus：全乐队进入，鼓点上扬，合成器主音铺开，歌词明亮而有希望。[0:50 - 1:00] Outro：只剩钢琴旋律，慢慢淡出。
这一层是让音乐跟着画面走的关键。剪辑上的入点和出点抄进提示词，写成一段一段，情绪推上去的地方就落在剪辑点上。短剧的反转、带货视频的转场，都是这么对齐的。不写时间戳，就用一句话交代，比如“做一首两分钟的歌”。
在 Lyria 3.5 里用自己写的歌词
歌词贴进去，段落打上标记。它是唱你的词，还是把词改写成描述，只取决于一条：**歌词和音乐指令分开写。**先写音乐指令，歌词单独成块跟在后面。
创作一首梦幻感的独立流行歌，歌词如下：[Verse 1] 末班地铁开过江面，玻璃上是我自己的脸，一整年的话都没说完，风把它们吹散在江边。[Chorus] 我们是夜里没熄的灯，比路更长比风更轻，别松手，再走一程，我们是夜里没熄的灯。
不写歌词，模型自己写，写完连文本一起交回来。就算你打算自己填词，这一步也值：先生成一版，在它给的词上改，比对着空白页强。要压在对白底下的音乐，加一句“只要纯音乐，不要人声”。
Lyria 3.5 的图片输入与中文歌词
**想要中文歌，整条提示词就用中文写。**曲风、乐器、情绪，全都写中文，人声的发音才会跟着中文走。这里有个常见的坑：一条英文提示词写着“唱一首中文歌”，它本质上仍然是英文提示词，多半还是给你英文人声。
**图片也能定下配乐。**最多附十张静帧，模型会读里面的情绪、色调和场景，照着作曲。把自己时间线上的画面喂进去，音乐贴的是成片的调色，比文字描述准得多。
Lyria 3.5 的工作流与限制
先用 Lyria 3 Clip 打草稿。它固定返回 30 秒，出得快。提示词定稿之后，再交给 Lyria 3.5 渲染完整歌曲。曲子要进剪辑，就把输出从 MP3 换成 WAV。
完整歌曲在两分钟上下，44.1 kHz 立体声。短视频配乐、口播背景、店铺宣传片，这个长度和规格拿过去直接能用。
这个顺序不是习惯问题，是下面四条限制逼出来的。
| 限制 | 意味着什么 | 该怎么办 |
|---|---|---|
| 单轮生成 | 没有“把副歌做大一点”这种追加指令 | 改提示词，重新生成 |
| 结果不可复现 | 同一条提示词不会出第二首一样的 | 看中哪版立刻下载 |
| 安全过滤 | 点名歌手、贴受版权保护的歌词都会被拒 | 描述嗓音，不要写歌手名 |
| SynthID 水印 | 每首曲子都标记为 AI 生成 | 不用管，人耳听不出来 |
常见问题
能。歌词是什么语言，由提示词是什么语言决定。所以中文歌要从头到尾用中文写，曲风、乐器、情绪这些指令也不例外。只在英文提示词里补一句“唱中文”，拿回来的通常还是英文人声。自己写好的中文词照样这么放：单独成块，跟在音乐指令后面。
两个办法。一是用话直接说，比如“做一首两分钟的歌”。二是写一条带时间戳的时间轴，最后一个刻度就是结尾。时间戳更准，因为它顺手把每一段放在哪也定了。Lyria 3 Clip 两招都不吃，它每次只给 30 秒。
Clip 固定 30 秒，为快速试错而做，输出 MP3。Lyria 3.5 出的是完整歌曲，两分钟上下，主歌、副歌、桥段分得清楚，还能输出 WAV。推荐两个搭着用：提示词在 Clip 上磨顺，留下来的那一版交给 3.5 渲染。
可以。把歌词写进提示词，用 [Verse]、[Chorus]、[Bridge] 标出段落。关键是让歌词单独成块，别和音乐指令混在一起。混着写，模型往往把这些字当成对歌曲的描述，而不是要唱出来的词。
在提示词里写明“只要纯音乐，不要人声”。两个模型都认这句话。口播视频的背景、课程讲解、游戏内音乐，凡是要压在说话底下的，都这么写。
基本上就两种情况。一种是点名了某位歌手的嗓音或风格，另一种是提示词里带了受版权保护的歌词。安全过滤这两样都拦。改法是把想要的特质描述出来：音色偏哪儿、口音什么样、演唱克制还是外放，别把拥有这些特质的人写进去。
44.1 kHz 立体声，和 CD 母带同一个采样率。默认输出 MP3。要拿无损文件进剪辑或混音，Lyria 3.5 也可以给 WAV。
能。文字提示词之外，最多再附十张图片，模型会读出里面的情绪、色调和场景，照着写曲。想让配乐贴合成片，这是最稳的一条路：静帧里带着的信息，用文字只能说个大概。