用 Stable Audio 生成音乐、环境音与音效：提示词写法与三种模式实操

Stable Audio 是一个在浏览器里运行的 AI 音频生成工具，输入一段文字描述就能得到可下载的音频片段；它同时提供音频转音频与局部重绘两种编辑模式，可以改造已有素材，或只重新生成其中一小段。适合用它做音乐草稿、视频与播客的环境铺底、游戏音效原型的人，也适合手上已有一段录音、只想换风格或修掉某几秒的人。它不处理人声与语音合成，这一点在开始前就要明确。本文按实际操作顺序展开：先讲三种模式各自解决什么问题，再给提示词公式与可直接套用的例子，然后是参数选择、词汇表、迭代方法与常见错误的排查。若需要对照站内的工具说明，可先看 Stable Audio 这一页。

准备工作

Stable Audio 在浏览器中直接使用，不需要在本地安装模型或配置运行环境。开始之前需要确认以下几件事。

账号与额度：打开生成器页面后先注册账号。新用户会获得一定数量的免费额度，按素材的说法，新用户有 100 点免费额度，大致够生成约 100 秒音频。额度与套餐的具体对应关系、免费额度是否调整，以官网当前信息为准。
明确要用的模式：从零开始创作选文生音频（Text-to-Audio）；已有片段要换风格、换配器选音频转音频（Audio-to-Audio）；片段大体可用、只有某一段需要重做选局部重绘（Audio Inpaint）。
上传素材的格式：音频转音频与局部重绘支持 MP3、WAV、FLAC。素材越干净，转换结果越干净；有明显削波、配器混乱的片段不适合作为输入。上传体积上限以页面上传框显示的数值为准。
素材权利：只上传你有权使用的音频。上传受版权保护的录音、已签约发行的歌曲，或未经许可使用他人的制作成果，都不符合服务条款。
第一次测试要短：先用 15 到 30 秒的短片段验证提示词方向是否成立，方向对了再花额度做更长或更高质量的版本。这是控制额度消耗最直接的办法。

操作步骤

第一步：选择模式并规划第一次测试

进入生成器后先选模式，再决定第一次测试的长度。三种模式的分工如下：

文生音频：从提示词生成全新片段，是主力模式。
音频转音频：上传一段音频，按转换提示词改写它的流派、配器或听感，同时保留原素材的时间结构与节奏位置。
局部重绘：在波形上框选一段区域，只重新生成这一段，其余部分保持不变。

第一次测试建议控制在 15 到 30 秒。短片段能最快暴露提示词的问题：配器是否对、情绪是否偏、速度是否合适。等方向确认之后再拉长时长或提高质量。

第二步：文生音频的提示词写法

文生音频的核心是把「想要什么声音」和「想要什么结构」同时说清楚。只写流派通常不够，模型会把大量细节留给自己发挥，结果容易泛。可用的公式是：

流派 / 风格 + 配器 + 情绪 + 速度 / BPM + 调性（可选）+ 制作风格 + 时长

下面几段提示词覆盖了常见用途，可以直接改写后使用。

电影感环境铺底

A cinematic ambient track with slow synth pads, deep sub bass, distant piano notes, warm reverb, 70 BPM in A minor, soundtrack production style, 30 seconds.

Lo-fi 嘻哈循环

A lo-fi hip hop beat with mellow piano chords, soft sub bass, warm vinyl crackle, brushed drums, 80 BPM, relaxed afternoon mood, 30-second loop.

电子舞曲铺底

An energetic electronic dance bed with driving 4-on-the-floor kick, plucky lead synth, bright hi-hats, 128 BPM in F minor, festival production style, 45 seconds.

游戏界面音效

A short crisp UI confirmation sound effect for a sci-fi game interface, two layered tones with a quick decay, clean digital character, 1.5 seconds.

播客片头铺底

A warm podcast intro bed with rising synth pad, gentle kick drum, soft mallet percussion, 90 BPM, optimistic mood, 15 seconds with a tail for voiceover.

注意最后两例的时长写法：音效类可以短到 1.5 秒，播客铺底则要留出人声进入的尾巴。时长不是越长越好，按用途定。

第三步：音频转音频改造已有片段

音频转音频适合「素材本身没问题，但风格不对」的情形。模型会保留原片段的时间与结构，改变流派、配器或整体听感。操作顺序如下。

上传干净的源片段：用 MP3、WAV 或 FLAC。避免削波严重或配器听不清的素材，输入越干净，转换越干净。
只描述要改变的部分：写「要变成什么」，不要写「要保留什么」。例如「transform into a lo-fi hip hop version」「shift to orchestral arrangement」「convert to a synthwave bed」。转换描述保持聚焦，一次只推一个方向。
先做短测试：如果转换过头、丢掉了原素材的感觉，就把提示词收一收；如果改得不够，就把要改变的部分写得更具体。
把成功的组合存成模板：当某个提示词加某类源素材能稳定产出想要的结果，把这套写法记下来，之后处理同类素材直接复用。

第四步：局部重绘修掉某一段

局部重绘用于「整段基本可用，只有一处要改」的情况：修掉有问题的段落、去掉不想要的声音、替换某件乐器，或者把循环延长。操作顺序如下。

上传源片段：同样确认素材权利。
在波形上框选区域：拖动两端手柄标出要重新生成的起止位置。如果是做延续，把选区标在片段最末端，并向原片段之外延伸。
提示词要贴合上下文：用与片段其余部分相同的流派、配器、速度和调性。例如原片段是 lo-fi 钢琴循环，重绘区域就应该写成「Regenerate the selected region as a smooth piano transition that bridges into the next phrase.」
检查接缝：把新区域放回去后完整听一遍。不匹配通常出现在重绘区域的起点和终点，这时要么把提示词写得更贴合，要么把选区稍微放大，给模型更多衔接上下文。

第五步：参数怎么选

模式、时长、质量、BPM、调性这几项参数决定了输出的大方向，选择依据如下表。

参数	可选值	什么时候用
模式	文生音频 / 音频转音频 / 局部重绘	文生音频从提示词创建；音频转音频改造上传片段；局部重绘只重做上传片段的一段。
时长	5 秒、15 秒、30 秒、60 秒以上	音效与提示词探索用短片段；音乐铺底与环境循环用较长时长。局部重绘的时长就是选区大小。
质量	标准 / 高	探索提示词方向时先用标准；方向确认后再切到高。更高质量消耗更多额度。
BPM	40 到 180	有同步目标时（对齐视频剪辑、垫在人声下、按已知速度做循环）必须指定；纯探索性草稿可以留空。
调性	大调 / 小调 / 留空	心里已有调性中心时指定；没有明确调性需求的草稿可以留空，交给模型决定。

第六步：流派、情绪与制作词汇

提示词里最有信息量的部分往往是具体的流派词与情绪词。下面两组词汇可以直接拼进公式。

流派词汇

电影感（Cinematic）：接近配乐，弦乐、铺底、低音铜管，动态起伏大。
环境（Ambient）：缓慢、氛围化，常无鼓或只有极简节奏织体。
电子（Electronic）：合成器主导，范围很宽，用 house、techno、drum and bass 等子流派收窄。
Lo-fi 嘻哈：柔和钢琴、刷鼓或 boom-bap 鼓组、黑胶底噪，70 到 90 BPM。
合成器浪潮（Synthwave）：80 年代复古合成器、门限混响鼓组、霓虹感，100 到 120 BPM。
管弦（Orchestral）：原声弦乐、铜管、木管，适合配乐与影视用途。
Drum and bass：快速碎拍加重低音，160 到 180 BPM。
爵士 / 民谣 / 摇滚：原声主导的流派，需要额外说明年代（现代 / 复古）与编制规模。

情绪词汇

平静 / 安宁：慢速、弱动态、温暖铺底，适合专注场景与环境铺底。
紧张 / 急迫：推进型节奏、不协和音程、层层堆叠，适合预告片与动作段落。
忧郁：小调、缓慢衰减、钢琴或弦乐，偏内省与情绪化。
希望 / 上扬：大调、上行进行、更明亮的音色，广告与品牌内容常用。
史诗 / 电影感：大动态、低音铜管、打击乐涌起，适合揭示与收尾。
复古 / 怀旧：磁带底噪、模拟合成器、黑胶噼啪声。
梦幻 / 空灵：混响重、气声质感、和声变化缓慢，适合超现实场景。
粗粝 / 暗黑：失真、中低频突出、高频稀疏，适合赛博朋克或工业风。

第七步：迭代方法

生成结果不理想时，不要整段重写提示词。按下面的顺序处理。

先听再改：听完输出，先找出最弱的那一项——是配器、速度还是情绪？只针对这一项调整。
一次只改一两个变量：每轮只动一两处，才能判断出到底是哪一处带来了改善。
保留有效的部分：产生好效果的短语不要动。底鼓对了但合成器不对，就只改合成器的描述。
把成功的写法存下来：某个提示词结构产出可用结果后，把它当作模板，用于之后同类需求。

一个完整示例

下面从零走一遍「给一段视频做 30 秒 lo-fi 铺底」的流程，把前面的步骤串起来。

1. 明确需求：视频是午后咖啡馆场景，需要一段不抢戏的 lo-fi 循环，速度定在 80 BPM，长度 30 秒，先验证方向。

2. 选模式与参数：模式选文生音频；时长 30 秒；质量先选标准；BPM 填 80；调性留空。

3. 写提示词：按公式拼出流派、配器、情绪、速度、制作风格与时长。

A lo-fi hip hop beat with mellow piano chords, soft sub bass, warm vinyl crackle, brushed drums, 80 BPM, relaxed afternoon mood, 30-second loop.

4. 生成并听：假设输出里钢琴与底噪都对，但鼓组偏硬、速度感偏快。按迭代原则，只改鼓组描述，其余保留。

A lo-fi hip hop beat with mellow piano chords, soft sub bass, warm vinyl crackle, soft brushed drums with light swing, 80 BPM, relaxed afternoon mood, 30-second loop.

5. 确认方向后提高质量：第二轮结果符合预期，把质量切到高，用同一段提示词重新生成正式版本。这一步会消耗更多额度，所以放在方向确认之后。

6. 需要延长时改用局部重绘：如果要把 30 秒扩成更长的循环，上传已生成的片段，在波形上把选区标在末端并向外延伸，提示词写成与片段一致的 lo-fi 钢琴与鼓组描述，让新区域自然接上。生成后完整听一遍，重点检查接缝处的起点与终点。

7. 存档：把最终提示词、BPM、时长、质量设置记下来，下次做同类视频铺底直接复用这套组合。

注意事项

人声不在能力范围内。Stable Audio 的定位是音乐、环境音与音效。人声生成、歌声合成、语音转音频属于另一类模型，需要人声或旁白时应改用专门的语音工具，把 Stable Audio 留给器乐铺底。

流派不要堆叠。同时要求电影感、lo-fi 和合成器浪潮，输出会变得浑浊。选一个主流派，最多再加一个辅助风味。

提示词只写流派通常不够。只给流派等于把配器、情绪、速度全部交给模型猜。补上配器、情绪、速度和制作风格线索，结果才会稳定。

速度不对多半是没写 BPM。没有指定 BPM 时，模型会按流派惯例取值。凡是有同步需求的场景，都要显式写出 BPM。

上传失败先查格式。音频转音频与局部重绘上传失败，常见原因是编码不常见、文件带 DRM 锁，或体积超出限制。转成 MP3、WAV 或 FLAC，并控制在上传框标注的体积范围内。

重绘区域与其余部分打架。通常是提示词没有贴合周围的流派、配器或速度。把提示词收紧到与其余部分一致，或者把选区稍微放大，给模型更多衔接上下文。

额度要省着用。短片段探索、标准质量试方向、方向确认后再拉长与提质量，这个顺序能显著减少无效消耗。免费额度、套餐与额度换算的具体数值以官网当前信息为准。

上传前确认权利。只处理你有权使用的音频，这是使用条款的硬性要求，不是建议。