环境音效和空间混响是AI音频生成里最容易被低估的两个维度。同样一句 rain sound，加上材质、距离和反射面信息后，生成结果可以从单薄的噪声变成有近景雨滴、中景水雾和远景街道回声的完整声场。提示词的作用就是把听觉印象拆解成模型可以理解的离散特征，而不是简单堆砌几个名词。
环境音效描述：声源、材质、距离与动态
环境音效不是一个模糊的 background noise，它应当由多个离散特征共同构成。声源词要尽量具体到动作和对象，例如 rain on an umbrella 比 rain 更清晰，footsteps on gravel 比 walking 更容易生成稳定结果。这是因为在模型训练数据中，具体描述与音频切片之间的对应关系更稳定，输出时也更不容易跑偏。写提示词时可以先问自己：声音是谁发出的？作用在什么表面上？是持续还是间歇？
材质与表面决定声音的反射和吸收特性。硬的混凝土、玻璃、金属反射强，声音会更亮，混响也会更明显；软的地毯、窗帘、泥土、植被会吸收高频，声音发闷且混响更短。提示词中要把这些材质词加进去，例如 carpeted room、concrete stairwell、mossy forest floor、glass-walled lobby。距离词则控制声像远近与细节量，使用 close-up、near field、distant、far away、off in the distance 等，可以形成前景、中景、背景三个层次。缺少距离信息时，模型往往把所有声音都放在同一个平面上，听感会非常扁平。
动态与时间变化同样重要。静态环境音只需要 loop 和 steady state，但真实场景通常有 gradual build-up、intermittent、slow fade in、sudden gusts 等变化。提示词中可以加入时间词如 early morning、rush hour、after rain、before sunrise，以及变化词如 increasing traffic、fading echo 来增加自然度。例如 morning birdsong with increasing traffic 会比 birdsong 更有时间推进感，也更接近真实录音。
空间感混响关键词体系：类型与参数
空间感并不等于简单地加一个 reverb 单词。混响关键词需要分成两层：类型层和参数层。类型层告诉模型使用哪种空间响应，参数层控制混响尾长、预延迟和干湿比例。常见类型包括 room reverb、hall reverb、plate reverb、spring reverb、chamber reverb、cathedral reverb、convolution reverb。每个类型有不同的听感：room reverb 适合紧凑室内声，hall reverb 尾音更宽大，plate reverb 密度高且平滑，spring reverb 有颗粒感，cathedral reverb 有极长反射和低频扩散，convolution reverb 则用于还原真实空间采样。
参数关键词能让空间从模糊变得精确。decay time 或 reverb tail 控制混响持续时间，短于 600ms 适合语音和近景，1.5 秒到 3 秒适合大厅和远景。pre-delay 是直达声与早期反射之间的时间差，20ms 以下让声音更贴脸，50ms 以上会把声源与空间拉开。wet/dry mix 或 dry/wet balance 决定原始信号与混响信号的比例，环境音效通常不需要全湿，25% 到 40% 湿信号比较自然。damping 控制高频衰减，数值越高空间越软；early reflections 和 late reflections 可以单独描述，前者影响空间尺寸感知，后者影响尾音质感。
| 混响类型 | 典型听感 | 适用场景 |
|---|---|---|
| room reverb | 短促、紧凑 | 室内对话、小房间 |
| hall reverb | 宽大、均匀 | 音乐厅、合唱、大型空间 |
| plate reverb | 平滑、密度高 | 人声、打击乐 |
| spring reverb | 有颗粒感、略带抖动 | 吉他音箱、复古设备 |
| cathedral reverb | 极长、低频扩散 | 教堂合唱、钟声 |
| convolution reverb | 真实空间采样 | 电影音效、真实空间还原 |
提示词组合实战：场景、空间、权重与排除项
实际使用时，建议按“场景 + 主声源 + 环境底噪 + 空间类型 + 混响参数 + 技术参数 + 排除项”的结构组织提示词。这个顺序能帮助模型先建立具体场景，再补充声学细节。基础提示词 forest ambience 缺少声源和空间信息，模型只能给出平均化的森林底噪；加入材质、距离和混响后，生成结果会更有层次。
下面从简单到复杂展示三档提示词。第一档只有场景名词，第二档加入声源和空间，第三档进一步补充混响参数与声像信息。
forest ambience
forest ambience, light rain on leaves, soft wind, distant stream, medium reverb, stereo width 60%
dense coniferous forest at dawn, light rain dripping from pine needles, gentle breeze through branches, distant stream on the left, wet mossy ground, binaural recording, stereo width 75%, short hall reverb, pre-delay 30ms, wet mix 28%, damping low, no birds, no footsteps, no artificial hiss
部分AI音频工具支持用括号或冒号数字给关键词加权，例如 (rain on window:1.3)，也有工具通过重复关键词或前置强调词来实现。排除项用 no traffic、avoid birds、no artificial hiss 来减少不需要的声源。声像控制词如 stereo width 70%、binaural recording、pan rain to left 能进一步定义空间分布。如果希望雨声偏左、溪流偏右，可以直接在提示词中写明左右关系，这比后期手动声像调整更省事。
常见误区与调试思路
一个典型误区是把所有能想到的环境词都塞进提示词，这样会互相竞争，导致某一层声源被忽略或出现怪异混搭。更有效的方法是每轮只调整一个变量，例如先固定混响类型，只改变 decay time 和 wet/dry mix，观察输出差异。另一个误区是只写 reverb 不指定类型和参数，生成结果容易偏向训练数据中的平均混响，缺少针对性。
调试时可以先把提示词拆成环境底噪和空间反射两部分分别生成，再在后期叠加。环境底噪重点描述声源和距离，空间反射重点描述房间尺寸、表面材质和混响类型。对于难以控制的频段，可以加入频谱提示词如 low frequency rumble、bright reflections、soft high frequency damping。如果工具支持否定提示词，使用 avoid loud transient、no melodic content 可以明显减少不需要的节奏或旋律干扰。
最后给一个通用调试流程：先确定场景尺寸与声源；再定混响类型与预延迟；再调干湿比和阻尼；最后补齐声像宽度与排除项。这样可以避免多个变量同时变化造成的不可复现。环境音效提示词的本质不是堆词，而是用模型能理解的声学特征去还原一个可想象的听觉空间。