version: "1.0.0" name: ace-step-1.5-prompt-writer description: 通过互动式问答了解用户想要的音乐（用途/情绪/风格/乐器/人声/歌词/元数据），最终生成 ACE-Step 1.5（本地开源音乐模型）的生成提示词：Caption + Lyrics + Metadata 三段式。纯提示词，不调用任何生成接口。供 8 个本地版视频 skill 产出 BGM，或用户直接要 ACE-Step 1.5 提示词时使用。

ACE-Step 1.5 提示词书写 skill（本地版 · 互动式 · 纯提示词）

把用户的音乐想法，通过多轮互动问答逐步澄清，最终改写为 ACE-Step 1.5 的生成提示词（Caption + Lyrics + Metadata 三段）。本 skill 只产出文本提示词，不调用任何生成接口，由用户在本地 ACE-Step 1.5（Gradio UI / REST API / ComfyUI 节点）中自行执行。

何时调用

• 用户说「写一段 ACE-Step 1.5 的 BGM / 写首歌的提示词 / 帮我想个配乐 / 配个背景音乐」。
• 8 个视频本地版 skill 在「音频模式门 = 分离生成」时，需要单独产出 BGM / 整曲提示词。
• 任何需要 ACE-Step 1.5 caption / lyrics / 元数据文本的场景。

核心互动流程（逐步确认，别一次问完所有问题）

遵循「先大类后细节、能选就给选项」的原则。用 AskUserQuestion 一次性抛 2–3 个相关问题（每个选项 3–4 个 + 用户可填「其他」），解释文字要短。每轮确认后再进下一轮。最少两轮即可出结果，信息越足越精准。

用户若一开始就给了一段完整描述，可跳过提问直接进「收敛｜生成输出」；若描述含糊，仍按流程补问缺口。

第一轮｜用途 + 情绪 + 流派（必问）

用 AskUserQuestion 同时问这三件：

1. 用途（决定人声与否与结构）：

• BGM 纯音乐（循环友好、无人声、用 [Instrumental]）
• 带人声整曲（有主歌副歌、有演唱）
• 你来推荐（按后续情绪/场景判断，默认先给 BGM 方案）

1. 情绪/氛围（给常见预设，用户可多选或填其他）：

• 科技感/未来感、温暖/治愈、紧张/悬疑、欢快/活力、梦幻/空灵、沉重/悲伤、史诗/宏大、复古/怀旧

1. 流派（可选「让模型自由发挥」）：

• pop、rock、electronic/EDM、lo-fi、synthwave、jazz、classical、hip-hop/R&B、folk、cinematic、民乐

第二轮｜乐器 / 音色 + 参考（按需）

• 主要乐器：piano / acoustic guitar / synth pads / strings / 808 drums / electric bass / brass / 古筝·二胡等民乐 / choir
• 音色质感：warm / bright / crisp / airy / punchy / lush / raw / polished
• 时代/参考（可选）：80s synth-pop / 90s grunge / 2010s EDM / vintage soul / modern trap / 某位艺术家（用 reminiscent of ... 或 in the style of ...）
• ⚠️ 若用户给了参考艺术家/歌曲，优先用 `in the style of / reminiscent of` 写进 Caption，比堆形容词更高效、更稳定。

第三轮｜人声与歌词

• 无人声（BGM）：Lyrics 直接写 [Instrumental]，Metadata instrumental: true。
• 有人声：
• 语种：中文 / 英文 / 日文 / 其他（影响 vocal_language）
• 人声特点：female/male vocal、breathy / powerful / falsetto / raspy / choir
• 歌词来源：

① 用户提供文本 → 你帮忙切分并加 [Intro]/[Verse]/[Chorus] 等结构标记； ② 你代写 → 按下方 Lyrics 指南创作（带结构标记、每行 6–10 音节、坚持一个核心隐喻）。

第四轮｜元数据（可选，最简可全交自动）

确认目标时长、BPM、调性、拍号。用户不给则标注「自动推断」，让 thinking 模式（use_cot_metas=true）自行推断——日常不必手写。

收敛｜生成输出

汇总为下方「输出契约」三段式，直接交用户粘贴进 ACE-Step 1.5。若用户只给了模糊方向，先给一版再邀迭代（结尾提示「不确定可改：…」）。

Caption 写作指南（最重要输入，≤512 字符）

Caption 决定生成音乐的「整体画像」，支持三种形式：简单风格词、逗号分隔 tags、复杂自然语言——形式不影响效果，关键是维度齐全。 组合越多维度越精准（单一维度会让模型自由发挥）：

原则

1. 具体优于模糊：「sad piano ballad with female breathy vocal」远胜「a sad song」。
2. 组合多个维度（风格+情绪+乐器+音色）锚定方向。
3. 善用参考：「in the style of 80s synthwave」「reminiscent of Bon Iver」快速传达复杂审美。
4. 质感词（warm/crisp/airy/punchy）影响混音与音色倾向，很有用。
5. 描述粒度决定自由度：写少→惊喜多；写细→可控强。
6. 避免冲突词：如同时「古典弦乐」+「硬核金属」易劣化。解决：① 重复强化想要的元素；② 把冲突改写为时间演变（「开头柔和弦乐，中段噪杂金属摇滚，结尾转 hip-hop」）。

⚠️ 不要把 BPM / 调性 / 拍号写进 Caption——这些交给下方 Metadata 参数控制。Caption 专注风格/情绪/乐器/音色。

Lyrics 写作指南（时间脚本，≤4096 字符；纯音乐写 [Instrumental]）

Lyrics 控制音乐随时间展开。结构标记可用 - 组合（如 [Chorus - anthemic]），不要堆叠太多标记（避免 [Chorus - anthemic - stacked harmonies - high energy]）。

技巧

• 每行 6–10 个音节效果最好（模型把音节对齐到节拍）。
• 大写 = 更强演唱力度（WE ARE THE CHAMPIONS!）。
• 括号 = 背景人声（We rise together (together)）。
• 重复元音延音（Feeeling so aliiive，谨慎用）。
• 段落间空行分隔。
• 人声控制可叠加：[raspy vocal] [whispered] [falsetto] [powerful belting] [spoken word] [harmonies] [ad-lib]
• 能量/情绪可叠加：[high energy] [building energy] [explosive] [melancholic] [euphoric] [dreamy]

避免「AI 味」歌词：形容词堆砌、押韵混乱、段落边界模糊、没有呼吸感（每行太长）、隐喻混用（一首歌坚持一个核心隐喻）。

⚠️ 保持 Caption 与 Lyrics 一致：Caption 写「violin solo, classical」则 Lyrics 用 [Violin Solo - expressive]，不要冲突成 [Guitar Solo - electric]。

Metadata 指南（按需填写；不填则开 thinking 模式由 LM 自动推断）

输出契约（固定三段，用户可直接粘贴进 ACE-Step 1.5）

### Caption（≤512字符，专注风格/情绪/乐器/音色，不写BPM/调性）
<组合维度后的描述文本>
 
### Lyrics（≤4096字符；纯音乐写 [Instrumental]）
[Intro - piano]
 
[Verse 1]
...
 
[Chorus - powerful]
...
 
[Outro - fade out]
 
### Metadata（不填的项标注「自动推断」）
- bpm: 120
- keyscale: C Major
- timesignature: 4/4
- vocal_language: zh
- duration: 30
- instrumental: false

示例

示例 1｜科技感 BGM（纯音乐，循环友好）

### Caption
electronic, mid-tempo, tech-house, warm analog synth pads, punchy kick, airy pluck arpeggio, studio-polished, building intro, subtle tension
 
### Lyrics
[Instrumental]
 
### Metadata
- bpm: 100
- keyscale: A Minor
- timesignature: 4/4
- vocal_language: (自动推断)
- duration: 30
- instrumental: true

示例 2｜中文人声宣传曲

### Caption
pop, uplifting, energetic, bright, piano and strings, powerful female vocal, stadium chorus, studio-polished
 
### Lyrics
[Intro - piano]
 
[Verse 1]
迎着晨光出发
心跳和鼓点同频
每一步都算数
这是我们自己的路
 
[Chorus - powerful]
向前跑 不回头
光在掌心燃烧
这一刻 属于我们
WE ARE THE LIGHT!
 
[Outro - fade out]
 
### Metadata
- bpm: 120
- keyscale: C Major
- timesignature: 4/4
- vocal_language: zh
- duration: 45
- instrumental: false

示例 3｜参考风格（用参考词快速传达审美）

### Caption
lo-fi, dreamy, nostalgic, warm vinyl crackle, soft electric piano, breathy male vocal, reminiscent of 90s city-pop, laid-back
 
### Lyrics
[Verse 1]
夜色漫过窗台
老唱片轻轻转
...
 
[Chorus]
就让它慢慢走
像潮水不退不进
 
[Outro - fade out]
 
### Metadata
- bpm: 85
- keyscale: F Major
- timesignature: 4/4
- vocal_language: zh
- duration: 40
- instrumental: false

互动对话示例（供 agent 参考语气）

Agent: 想做哪种音乐？（用 AskUserQuestion 抛：用途 / 情绪 / 流派）
User:  要个 BGM，科技感，electronic
Agent: 乐器倾向？（synth pads / piano / 弦乐…）有参考艺术家吗？
User:  synth pads + 808 鼓，类似 80s synthwave
Agent: 时长要多长？BPM 有要求吗？
User:  30 秒循环，其他你定
Agent: （输出示例 1 风格的三段式，结尾提示「想改情绪/加人声可说」）