如果你想通过文字描述生成带人声的AI爵士音乐，必须明确声明声线类型与演唱逻辑，例如“慵懒男声演唱，略带沙哑，每句结尾自然以气声收尾”，并优先使用三段式提示词结构：先给出情绪锚点（如“微醺感”），再绑定伴奏逻辑（如“walking bass铺底+钢琴即兴切分”），最后加入场景化约束（如“老式麦克风拾音+磁带饱和失真”）；也可以采用歌手参考具象化方法，注明具体专辑、曲目和时间段（如“Diana Krall《All or Nothing at All》前两分钟”）；生成后要检查起音是否自然、高音区是否无毛刺、尾音衰减是否平滑（0.8–1.2秒），如有异常，再调整声线描述或频响参数；最终导出24bit/44.1kHz WA V干声。

如果你想快速生成一段带人声的AI爵士曲风音乐，关键不是手动反复挑选声线，而是通过精准文字提示，让AI自动匹配更适合的音色与演唱方式，避免出现音色和编曲风格冲突、节奏松散，或语气像机械念稿的问题。

明确爵士曲风的核心声线特征

打开MELO音乐网页端，在「描述创作」模式下，先不要急着直接输入提示词。很多人理解的爵士只是“萨克斯+摇摆节奏”，但真正影响AI爵士人声生成效果的，是声线本身的明确指向：男声通常更适合低沉、慵懒、略带烟嗓的质感（如Chet Baker），女声则更偏向带气声、尾音轻颤、具有即兴松弛感的表达方式（如Norah Jones）。同时，爵士人声往往带有轻微呼吸感和不规则断句。若你只写“爵士音乐”，系统通常会默认套用清亮的流行女声音色，因此，【必须显式声明人声类型与演绎逻辑】。

建议在风格提示词开头就先锁定声线方向，例如：“慵懒男声演唱，略带沙哑，每句结尾自然气声收尾，模仿1950年代夜总会现场即兴吟唱。”这种写法比简单输入“爵士风人声”更容易让AI识别正确的爵士演唱质感，实际效果通常也会明显更好。

构建可执行的三段式提示词结构

方法一：情绪锚点先行法

第一步，先把人声情绪作为最核心的关键词，例如“微醺感”“漫不经心”“带着笑意的疲惫”，这类描述会直接影响AI对歌手发声状态、咬字方式和情绪力度的建模；第二步，再绑定典型的爵士伴奏逻辑，例如“walking bass铺底 + 钢琴左手指序和弦 + 右手即兴切分装饰音”；第三步，最后加入场景化约束，例如“录音室老式麦克风拾音，带轻微磁带饱和失真”。这样的三段式AI音乐提示词结构，更适合快速生成自然、耐听的爵士曲风作品。

方法二：参考歌手具象化法

如果你想让AI更精准识别并还原目标音乐效果，可以使用更具体的歌手参考描述。比如：像Diana Krall在《All or Nothing at All》前两分钟里的演唱质感——中低音区平稳推进，副歌前半句轻声处理，后半句再明显加强胸腔共鸣。这样写的好处是，AI更容易提取到对应作品的声学特征、频响走向和演绎逻辑，从而生成更接近目标的AI爵士人声效果。这里一定要注意：【必须注明具体专辑/曲目/时间段，而不是简单写“像某位歌手唱歌”】，否则模型往往只会识别歌手名称标签，无法真正调用对应的声学特征库。

生成后验证声线是否真正适配

完成生成后，点击分段试听按钮，重点检查三个关键节点：第一，主歌第一句的起音是否自然，避免出现电子合成感过强的“硬起始”；第二，副歌高音区是否有明显失真或毛刺，因为标准爵士人声通常不会刻意飙高音，若AI强行上拉音区，往往说明声线匹配错误；第三，结尾句的尾音衰减是否平滑，真实人声的自然衰减时间一般约为0.8–1.2秒，如果AI生成结果短于0.4秒，多半说明声码器未对齐或建模不稳定。

如果任意一个节点出现异常，就要立即返回修改提示词。例如，可以把“慵懒男声”进一步改成“鼻腔共鸣明显的慵懒男声”，或者在提示词末尾补充“降低人声高频泛音量，增强200–500Hz中频厚度”，然后重新生成。通过这种方式优化AI爵士人声参数，通常能更快获得更贴合曲风的结果。

确认试听没有问题后，点击「导出人声轨」，选择WA V格式，采样率保持44.1kHz，位深设置为24bit，系统会自动分离出纯人声干声文件，后续可直接导入剪映或Audition进行混音、修整和制作。