提示词越写越长、结果反而更不像，通常不是模型“没看懂”，而是四类要求在互相拉扯：曲风决定编曲骨架，器乐编制决定听感密度，人声特征决定主频位置，情绪与年代感决定混音取向。同一段提示词里同时出现 lo-fi hip hop 和 string quartet、breathy female vocal 和 epic cinematic drums，模型往往各取一点，最后谁也不像。可以先把现有提示词拆成四层，再每次只删一个维度做对比生成，用听感记录确认哪一层真正在起作用，最后收敛成一版可复用的短提示词。
判断方向：先别加词，先删词。把提示词拆成曲风、器乐编制、人声特征、情绪与年代感四层，每层保留 1-2 个词；其余部分逐字不动，一次只删一个维度生成对比版本，重点听曲风贴合度、人声性别与音色、节奏快慢、是否出现不想要的元素。适用场景是同一首歌反复重写仍不满意；验证方式是同一提示词只改一处、连续听差异；边界是听感判断带主观性，建议保留文本记录、多听几遍，不要凭一次生成下结论。
把现有提示词按四个维度拆开
先把你现在正在用的那段提示词原样贴出来，不要边拆边改。拆的动作只是加分类标签，判断哪些词属于同一维度、哪些词在互相冲突。
举例，一段越写越长的提示词可能是：
dreamy lo-fi hip hop, jazz piano, string quartet, vinyl crackle,
breathy female vocal, whispered, epic cinematic drums,
80s synthwave, nostalgic, rainy night, slow tempo按四个维度拆开，每个维度控制词数：
- 曲风（1 个）：lo-fi hip hop。这是骨架，通常只留一个，最多两个相近的子风格。
- 器乐编制（1-2 个）：jazz piano、vinyl crackle。vinyl crackle 更接近质感词，可以归到这一层，但别和曲风词混着堆。
- 人声特征（1 个性别 + 1 个音色）：female、breathy。性别和音色分开写，比一口气写五个形容词更容易判断哪个被采纳。
- 情绪与年代感（1 个）：nostalgic 或 rainy night 二选一，不要同时写 80s synthwave。
拆完通常能直接看出冲突：string quartet 和 lo-fi 编制在听感密度上打架；epic cinematic drums 和 slow tempo 在节奏上打架；80s synthwave 和 lo-fi hip hop 在年代感上打架。这三处就是优先要删的候选，而不是继续往里加“更像”的词。
一次只删一个维度做对比生成
确认哪个维度影响最大，靠的不是感觉排序，而是控制变量。做法是：把其余三层逐字复制，只动一层，生成后立刻对比。不要一次删两个词，否则听到的差异无法归因。
- 基准版：四个维度全保留，生成一次，留作对照。
- 删曲风版：把 lo-fi hip hop 换成更宽泛的 hip hop，或直接删掉，其余完全不变。
- 删器乐版：只保留 jazz piano，删掉 string quartet 和 vinyl crackle，其余不变。
- 删人声版：只写 female vocal，删掉 breathy 和 whispered，其余不变。
- 删情绪版：删掉 nostalgic、rainy night、80s synthwave 这一整层，其余不变。
每次生成时该重点听什么：删曲风后，听编曲骨架有没有散掉、节奏型是否变形；删器乐后，听中高频是不是突然变空、有没有原本存在的乐器消失；删人声后，听人声是否回到正常的直白音色、性别是否还稳定；删情绪后，听混响和整体明暗有没有明显变化。如果删掉某一层后结果反而更接近你想要的方向，说明那一层原本是在干扰而不是在帮忙。需要结合环境确认的一点是：同一个提示词在不同时长、不同是否提供参考音频的设置下表现会变，对比时建议把这几个条件固定住。
记录每次生成里能被听到的差异
主观印象过两轮就会忘，所以每次生成都要落成一行记录。只按实际听感填写，听不出来就写“无明显差异”，不要为了填满而猜。
| 版本 | 曲风贴合度 | 人声性别与音色 | 节奏快慢 | 是否出现不想要的元素 |
|---|---|---|---|---|
| 基准版 | 偏 dreamy，lo-fi 感弱 | 女声，气声明显 | 偏慢 | 弦乐抢主频 |
| 删曲风版 | 更像通用 hip hop | 女声，气声略弱 | 偏慢 | 无明显 |
| 删器乐版 | lo-fi 感变清晰 | 女声，气声明显 | 偏慢 | 无明显 |
| 删人声版 | 偏 dreamy | 女声，直白音色 | 偏慢 | 无明显 |
| 删情绪版 | lo-fi 感清晰 | 女声，气声明显 | 略快 | 混响变干 |
表格填满之后，横向看哪一列变化最大，那一层就是你的提示词里权重最高的维度；纵向看哪一行“不想要的元素”最少且曲风贴合度尚可，那一行就是接下来要收敛的方向。记录建议用纯文本或表格文件保存，附上每次生成的提示词原文，方便回看。
收敛到一版精简提示词并写清保留理由
根据上面的记录，把确认没起作用的词删掉，留下一版可以直接复用的短提示词。例如收敛后写成：
lo-fi hip hop, jazz piano, female vocal, soft breathy tone,
nostalgic, slow tempo逐词说明它在整段描述里承担什么作用：
- lo-fi hip hop：定义曲风骨架和整体制作取向，决定编曲密度和鼓组质感，是整段里权重最高的词。
- jazz piano：指定主奏乐器，控制中频信息量和和声走向，避免生成结果里出现不认识的乐器替代。
- female vocal：锁定人声性别，减少每次生成人声漂移。
- soft breathy tone：在性别之外补一个音色描述，用来说明气声质感，不再叠 whispered、airy 这类近义词。
- nostalgic：只保留一个情绪词，负责混响和整体明暗，避免和年代感词冲突。
- slow tempo：明确节奏快慢，防止模型自行把节奏拉快。
这版提示词的保留理由可以概括为：每个维度只留一到两个词，且这些词在对比记录里都对应到可听到的差异。之后再用它生成时，如果需要微调，建议仍然沿用单变量方式，一次只改一个词，并按同样的字段记录听感，这样下一次调整才是有依据的，而不是又回到越加越长、越写越不像的老路。