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：
- 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）
- 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
- 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]，Metadatainstrumental: 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）。
- 语种：中文 / 英文 / 日文 / 其他（影响
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）：
| 维度 | 示例词 |
|---|---|
| 风格/流派 | pop, rock, jazz, electronic, hip-hop, R&B, folk, classical, lo-fi, synthwave |
| 情绪/氛围 | melancholic, uplifting, energetic, dreamy, dark, nostalgic, euphoric, intimate |
| 乐器 | acoustic guitar, piano, synth pads, 808 drums, strings, brass, electric bass |
| 音色质感 | warm, bright, crisp, muddy, airy, punchy, lush, raw, polished |
| 时代参考 | 80s synth-pop, 90s grunge, 2010s EDM, vintage soul, modern trap |
| 制作风格 | lo-fi, high-fidelity, live recording, studio-polished, bedroom pop |
| 人声特点 | female vocal, male vocal, breathy, powerful, falsetto, raspy, choir |
| 速度/节奏 | slow tempo, mid-tempo, fast-paced, groovy, driving, laid-back |
| 结构提示 | building intro, catchy chorus, dramatic bridge, fade-out ending |
原则
- 具体优于模糊：「sad piano ballad with female breathy vocal」远胜「a sad song」。
- 组合多个维度（风格+情绪+乐器+音色）锚定方向。
- 善用参考：「in the style of 80s synthwave」「reminiscent of Bon Iver」快速传达复杂审美。
- 质感词（warm/crisp/airy/punchy）影响混音与音色倾向，很有用。
- 描述粒度决定自由度：写少→惊喜多；写细→可控强。
- 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]）。
| 类别 | 标记 |
|---|---|
| 基础结构 | [Intro] [Verse]/[Verse 1] [Pre-Chorus] [Chorus] [Bridge] [Outro] |
| 动态段落 | [Build] [Drop] [Breakdown] |
| 器乐段落 | [Instrumental] [Guitar Solo] [Piano Interlude] |
| 特殊 | [Fade Out] [Silence] |
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）
| 参数 | 范围 | 说明 |
|---|---|---|
bpm | 30–300 | 速度；慢歌 60–80、中速 90–120、快歌 130–180 |
keyscale | 调性 | 如 C Major Am F# Minor |
timesignature | 拍号 | 4/4(最常见) 3/4(华尔兹) 6/8(摇摆) |
vocal_language | 语种码 | zh en ja es fr…（LM 通常能据歌词识别） |
duration | 秒 | 10–600；实际略有偏差 |
instrumental | true/false | true 则无论歌词都生成纯音乐 |
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」）
