AI音频生成模型往往接受自然语言描述，然后将文本映射为声学特征。很多人习惯写“雨声”“引擎声”“关门声”，但生成结果经常显得扁平、缺乏真实感。原因在于这类词汇只传达了声音的类别，没有提供频谱、时间包络和空间信息。音效设计师在设计真实声音时，会同时考虑声源材质、激励方式、传播介质和听者位置。把这些要素翻译成提示词，可以显著提高生成质量。比如同样表达脚步，仅写“脚步”与写“硬底皮鞋踩在水泥地面，清脆的笃笃声，带短促混响”相比，后者为模型提供了更多可参照的声学约束。
拟声词在音频生成提示词中的作用，类似于给文字模型提供具体例句。中文拟声词天然携带发音部位与节奏信息，例如“沙沙”暗示高频摩擦噪声，“轰隆”暗示低频持续轰鸣，“滴答”暗示短促点状脉冲。当模型在训练数据中见过大量带拟声词的音频标注时，这些词就能作为声学锚点，把生成结果拉向预期的频谱包络。因此，进阶写法不再只说声音名称，而是用“类别+拟声词+材质/空间修饰”的方式组织提示词。
拆解声音的三个维度：材质、动态与空间
专业音效设计通常把声音拆成多个层。第一层是材质层，即声源本身的物理属性。例如金属、木头、玻璃、水面、布料，这些词控制了声音的谐波结构与衰减特性。第二层是动态层，描述声音如何随时间变化：是突然爆发还是缓慢渐入，是否有重复节奏，音量包络是尖锐还是圆润。第三层是空间层，包括混响量、房间大小、距离感、方位。把这三层写清楚，AI模型就不再需要猜测。
以“关门”为例，基础提示词是“关门声”。进阶写法可以写成：木门被用力关上，先是短促的木质撞击声“砰”，随后门框震动发出低频“嗡”的余韵，房间混响约0.3秒，麦克风距离门1米。这样的描述不仅给出了材质（木）、动态（用力、短促、余韵）和空间（房间混响、距离），还包含了两个拟声词作为频谱参考。有用户测试发现，加入拟声词后生成结果的低频能量明显更集中，高频毛刺减少。
空间维度容易被忽视，但它决定声音是“贴脸”还是“远处”。提示词中加入“近距离拾音”“大教堂混响”“干燥的录音棚”等表述，模型会调整早期反射声与混响尾部的比例。描述距离时，可以使用“麦克风距离声源30厘米”这种量化表达，也可以使用“耳边”“房间角落”“隔着墙壁”等相对位置描述。后者对模型来说更直观，因为它更接近人类日常语言。
用负面提示词做减法：过滤不想要的频率成分
很多音频生成工具支持负面提示词，允许用户指定不希望出现的声音特征。音效设计中的减法思维在这里同样适用。比如生成“风吹树叶”时，如果直接写“风吹树叶沙沙响”，模型可能会混入风声的低频隆隆声，因为“风”这个字容易触发低频噪声。此时负面提示词可以写“无低频轰鸣、无机械噪音、无电子合成感”。这样生成结果会更接近自然界的沙沙声，而不是合成器做出来的风声。
另一个例子是生成“脚步声”。如果只要求“脚步声”，模型可能生成非常规律的、像节拍器一样的脚步，缺乏人类行走的不均匀性。正面提示词可以加入“轻微不规则的步频，鞋底与地面摩擦的沙沙声”，负面提示词写“无节奏鼓点、无电子音效、无回响过重”。通过正负结合，把结果推向有机、真实的方向。
负面提示词还可以用来控制声场宽度。某些模型默认生成立体声很宽的声音，但用户可能需要单声道、点声源的效果。此时负面提示词“无立体声扩展、无相位移动”能帮助把声音收窄。需要注意的是，不同工具对负面提示词的权重处理不同，建议先用较少的负面词做测试，避免过度限制导致模型无法生成任何声音。
拟声词的频谱引导与句式设计
拟声词并非随便写一个就行，不同拟声词对应不同频率区间和时域模式。比如“叮”通常是一个高频短促脉冲，基频大约在2kHz到8kHz之间；“咚”则是一个低频短暂冲击，能量集中在80Hz到250Hz；“滋”是持续的高频噪声，听起来像电流或油煎；“呼”是气流通过口腔产生的宽带噪声，常用于风或呼吸。理解这些默认频谱印象，可以帮助用户更准确地选择拟声词。
写提示词时，可以把拟声词放在声音类别之后，作为补充说明。例如“金属硬币掉落，叮的一声，随后在地面弹跳，叮叮叮逐渐减弱”。这个句式同时包含了初始冲击、后续弹跳和衰减过程。模型会根据“叮”的高频属性和“逐渐减弱”的动态描述，生成有自然衰减的序列。如果只写“硬币掉落”，模型可能只生成一次短促碰撞，丢失后续弹跳细节。
还可以利用中文叠词增强节奏感。“轰隆隆”比“轰隆”更具持续感，“淅淅沥沥”比“雨声”更明确地指向小雨的细密质感。但不要滥用叠词，过度堆叠会造成语义模糊。建议每个提示词中使用一至两个拟声词，并与其他描述性词汇配合。比如“小雨落在铁皮屋顶，发出淅淅沥沥的细密敲击声，偶尔有较大的水滴啪嗒落下”。这里两个拟声词分别对应不同强度，给模型提供了动态层次。
# 正面提示词构造示例（以生成脚步音效为例）
positive_prompt = (
"硬底皮鞋踩在水泥地面，清脆的笃笃声，"
"鞋底与地面摩擦有轻微沙沙声，"
"单脚步声，近距拾音，干燥环境"
)
negative_prompt = (
"无背景音乐，无电子合成感，"
"无规律鼓点，无重混响，无低频轰鸣"
)
# 将正负面提示词传入音频生成API
audio = generate_audio(
prompt=positive_prompt,
negative_prompt=negative_prompt,
duration=3.0
)
上面的代码结构是一种常见调用方式。正面提示词明确给出了材质（硬底皮鞋、水泥地面）、拟声词（笃笃、沙沙）、空间（近距拾音、干燥环境）。负面提示词排除了背景音乐、电子合成感、规律鼓点、重混响和低频轰鸣。这种写法比单独写“脚步”要有效得多。实际使用时可根据具体工具的参数名调整，但核心思路一致：让描述包含足够的声学约束。
进阶技巧：分层生成与后期混合
如果单个提示词无法同时满足所有细节，可以考虑分层生成再混合。比如想要一个“雨夜街头”的复杂场景，不要一次性要求模型生成所有元素，而是分别生成雨声、远处汽车驶过、偶尔的脚步声，然后在音频编辑软件或代码中叠加。分层生成的优点是每个元素都能获得更充分的提示词描述，避免模型在生成复杂场景时牺牲局部细节。
具体操作时，可以先为每个图层写独立提示词。雨声提示词：“细密雨滴落在柏油路面，沙沙的背景噪声，均匀持续，无风”。远处汽车提示词：“轿车从右向左驶过，轮胎压过积水发出嘶嘶声，引擎低频嗡鸣由远及近再远去，多普勒效应明显”。脚步声提示词：“一个行人缓慢走过，布鞋踩在湿润地面，轻微啪嗒声，距离5米”。分别生成后，在Audacity或Python的pydub库中进行混合，并调整各层音量和声像。
from pydub import AudioSegment
# 分别加载三个图层
rain = AudioSegment.from_file("rain_layer.wav")
car_pass = AudioSegment.from_file("car_pass_layer.wav")
footsteps = AudioSegment.from_file("footsteps_layer.wav")
# 调整音量（单位：dB）
rain = rain - 3
car_pass = car_pass + 2
footsteps = footsteps - 5
# 简单叠加（此处未做精细时间对齐，实际使用时需按时间轴摆放）
mixed = rain.overlay(car_pass).overlay(footsteps)
mixed.export("street_scene_mixed.wav", format="wav")
分层生成还有一个好处：可以针对某一层反复迭代。如果汽车驶过的多普勒效应不够明显，可以只重新生成汽车层，而不影响已经满意的雨声层。这比反复修改整体提示词要高效得多。对于需要精确控制的商业项目，分层生成加后期混合是更可靠的流程。
在分层混合时，注意各层之间的频率掩蔽。低频轰鸣可能会盖住雨声的高频细节，此时可以对低频层做高通滤波，或者降低低频层音量。提示词阶段很难解决所有频率冲突，但通过分层控制，可以在后期用均衡器精确调整。建议在生成提示词时就为每一层预留频率空间，例如雨声强调高频（“沙沙”），汽车引擎强调低频（“嗡嗡”），脚步声占据中频（“啪嗒”）。这样混合后各层不会过度重叠。
还有一个实用技巧：在提示词中加入麦克风特性描述。例如“用全指向麦克风近距离录制”“枪式麦克风远距离拾音”等。虽然AI模型不一定严格模拟具体设备，但这些术语能引导模型调整声场的立体声宽度、近讲效应和背景噪声比例。比如“枪式麦克风远距离拾音”通常会得到更窄的声场和更干的声音，适合对白或特定音效。
总结起来，AI音频生成的提示词进阶并不神秘。它本质上是把音效设计师脑子里那套声音分解方法，用自然语言表达出来。下一次写提示词时，可以先问自己三个问题：这是什么材质发出的声音？它的动态是突然还是平缓？听者在哪里？然后把答案和恰当的拟声词一起写进提示词，再配合负面提示词做减法。经过几轮迭代，你会发现生成的声音明显更贴近真实世界。