Lyria 3.5 提示指南整理：沒有第二輪的音樂生成，提示怎麼一次寫對

Google 的音樂生成模型 Lyria 3.5 透過 Gemini API 開放，搭配兩個模型：Lyria 3 Clip 固定產 30 秒片段，適合循環、預覽與短影音；Lyria 3.5 產幾分鐘的完整歌曲，有主歌、副歌、橋段。兩者都吃文字與圖片輸入，輸出 44.1 kHz 立體聲，可以含人聲、歌詞時間碼與完整樂器編曲。官方文件裡真正該記的是提示指南：類型、樂器、結構、歌詞、人聲怎麼寫，模型才不會給你一首「普通的歌」。這篇把指南整理成能直接照做的版本，提示原文照錄，只合併了換行。

先講一件跟文字或圖片模型很不一樣的事：Lyria 3.5 是單輪生成。文件明列目前版本不支援用多個提示反覆修改同一段音樂，所以沒有「先生一版再慢慢改」這回事。你能做的是把第一次的提示寫完整，然後用快的 Clip 模型多試幾次，滿意了再換 Lyria 3.5 生完整版。這也是官方最佳做法的第一條。

Lyria 3.5 沒有第二輪。提示寫得越具體，第一次就越接近你要的。

兩個模型：Clip 試提示，Lyria 3.5 出成品

• Lyria 3 Clip，模型 ID lyria-3-clip-preview：固定 30 秒，適合短片、循環播放與預覽，輸出 MP3。
• Lyria 3.5，模型 ID lyria-3.5：幾分鐘的完整歌曲，長度可用提示控制，預設輸出 MP3；也可以用 response_format 要求 WAV。

兩個都透過新的 Interactions API 呼叫，支援文字與圖片的多模態輸入。文件建議的工作流程是：用速度較快的 Clip 反覆試提示，確定方向後再用 Lyria 3.5 生完整長度。長度可以在提示裡直接說「創作 2 分鐘的歌曲」，或用時間戳記定義結構來影響時長。

模型 ID 請以英文版文件為準。繁體中文版文件更新較慢，本文首發時抄的 lyria-3.5-clip-preview 與 lyria-3.5-pro-preview 就是從那裡來的，那應該是尚未更新的翻譯，不要拿去呼叫。

提示怎麼寫：從一句話到完整規格

文件說提示可以簡單到一句「a folk song about cute cats avoiding puddles, female vocals and the noise of rain」，也可以寫成有結構的完整規格。文件說簡單和複雜的提示都能有好結果，但要精準控制，就越具體越好。下面依英文版指南的分節順序，把可以寫進提示的東西逐項整理。

類型與年代

提示開頭就寫類型，例如 hip hop、rock、rap。可以混搭：「A fusion of metal and rap」「A combination of death metal and opera」「A classical piece with electronic drone elements」。也可以帶年代：「Early 90s hip-hop」「60s French ye-ye pop」「80s electronic experimentation」「2000s mainstream pop」。

樂器

預設會配上該類型該有的樂器，不必每樣都點名。但文件舉了個例子：舞曲不會自己冒出薩克斯風，想要薩克斯風獨奏就得寫。除了樂器名稱，也能描述質地，例如「A dirty, distorted bassline fighting against clean, crisp hi-hats」或「Warm, analog synthesizer pads swelling underneath a dry, intimate acoustic guitar」。

結構與能量

用箭頭或清單寫出歌曲流程：「[Intro] -> [Verse 1] -> [Chorus] -> [Verse 2] -> [Chorus] -> [Bridge] -> [Outro]」。能量變化也能寫：「Build tension in the pre-chorus, then drop to silence before a massive, explosive chorus」，或「Gradual crescendo throughout the song, adding one instrument at a time until a chaotic wall of sound」。

歌詞：自己寫，或讓它寫

人聲和歌詞預設會生成。你有三個選擇：提供自己的歌詞、要求純音樂、或給方向讓模型寫。自己寫的話，在歌詞前加「Lyrics:」前綴，段落用 [Intro]、[Verse 1]、[Pre-chorus]、[Chorus]、[Outro] 這類標題分開；想要某句被重複、像回音或和聲那樣唱，把那句放進括號。讓它寫的話，把歌詞主題講清楚，例如「The lyrics are about lost love and the pain of heartbreak. The singer is reminiscing about a past relationship and the memories that come flooding back.」；想要重複的副歌就明說，例如「A powerful chorus focuses on getting over the pain and moving on.」。模型會依你要的音樂類型自動調整歌詞結構。

官方最佳做法特別提醒：歌詞和音樂方向的指示要清楚分開。文件另一個範例的寫法是先一句「Create a dreamy indie pop song with the following lyrics:」，下面才接標記好的歌詞。

人聲：給模型一份歌手側寫

英文版指南有專門的 Vocals 一節。想控制歌怎麼被唱出來，就描述歌手的性別、音色與音域，文件給了五個可以直接借用的側寫：

• 女高音：「Clear, crystalline timbre with an agile, soaring quality. Capable of hitting whistly high notes with an airy, breathy texture.」
• 女低音：「Rich, warm, and husky lower range. Smoky timbre with a touch of vocal fry, soulful and resonant.」
• 男高音：「Bright, piercing, and energetic. Youthful timbre with a slight nasal edge, cutting through the mix with high belting power.」
• 男中音：「Deep, chocolatey, and velvet-smooth. Resonant chest voice with a soothing, crooning delivery.」
• 滄桑搖滾男聲：「Raspy and textured with a gravelly timbre, reminiscent of 90s grunge. Strained upper range for emotional intensity.」

其他參數：BPM、調性、情緒、長度

• BPM：例如「120 BPM」或「slow tempo around 70 BPM」。
• 調性或音階：例如「in G major」「D minor」。
• 情緒與氛圍：用形容詞，例如 nostalgic、aggressive、ethereal、dreamy。
• 長度：Clip 一律 30 秒；Lyria 3.5 在提示裡指定預期長度，或用時間戳記控制。

文件附了三個範例提示。第一個純音樂，第二個有人聲與主題，第三個以調性收尾：

A 30-second lofi hip hop beat with dusty vinyl crackle, mellow Rhodes piano chords, a slow boom-bap drum pattern at 85 BPM, and a jazzy upright bass line. Instrumental only.

An upbeat, feel-good pop song in G major at 120 BPM with bright acoustic guitar strumming, claps, and warm vocal harmonies about a summer road trip.

A dark, atmospheric trap beat at 140 BPM with heavy 808 bass, eerie synth pads, sharp hi-hats, and a haunting vocal sample. In D minor.

我們的觀察是，三句話的結構很像：類型放最前面，接樂器與音色，BPM 與調性用數字和專有名詞寫死，情緒形容詞穿插其中，結尾交代人聲、主題或調性。你不必懂樂理也寫得出來，因為這些詞都查得到。

語言：官方列出 8 種歌唱語言，沒有中文

Gemini API 文件的規則是「歌詞跟著提示的語言走」：要法文歌詞就用法文寫提示，模型會調整唱腔與發音配合該語言；也可以在提示裡直接指定，例如「singing in Japanese」。但那頁沒有列出支援哪些語言。清單在 Google Cloud 的 Lyria 提示指南（「多人聲生成支援八種語言」）與 Vertex AI 的 Lyria 3 模型規格表：歌唱合成目前支援 8 種語言：英語、日語、法語、德語、西班牙語、印地語、韓語、葡萄牙語。

要注意這份清單掛在 Lyria 3 的規格下；Gemini API 的 Lyria 3.5 文件沒有另列清單，也沒有說 3.5 擴充了語言，所以目前只能以這 8 種為準。中文不在清單裡。本文首發時說想要中文歌詞就用中文寫提示、效果自己試，這個說法要修正：中文歌唱不在官方支援範圍，用中文提示能不能得到像樣的中文人聲，官方沒有承諾，也不該拿來當正式產出的依據。實務上有三條路：

1. 做純音樂：課程片頭、簡報背景、短影音配樂多半不需要人聲，提示裡寫「Instrumental only, no vocals.」就避開語言問題。
2. 歌詞改用支援的語言：主題可以是你的，歌詞用英文或日文寫；Lyria 支援同一首歌裡多位歌手唱不同語言，官方範例就是英法對唱。
3. 中文人聲另外配：用 Lyria 生純音樂，中文人聲交給支援中文的語音合成或真人錄音，再混音。

指定語言的寫法，官方指南的日文範例是：

An upbeat, high-energy J-pop track with bright, sparkling synths, electric guitar, and a driving bassline. Featuring a clear, expressive male tenor vocal singing in Japanese. The vocal style should be fast-paced and melodic, with a sweet and highly polished texture.

兩種語言對唱的範例，是一首 Bossa Nova 混 R&B 的情歌，男聲唱英文、女聲唱法文：

A romantic fusion of classic Bossa Nova and modern R&B. The mood is intimate, warm, and deeply affectionate. Features a gentle acoustic nylon-string guitar, warm electric piano chords, and a crisp, laid-back modern hip-hop drum beat. A slow, swaying tempo. Featuring a vocal duet: a smooth male vocalist singing in English, and a soft, breathy female vocalist singing in French. The lyrics are a beautiful love song about an undeniable, cross-cultural connection.

進階控制：時間軸、純音樂、圖片

用時間戳記排時間軸。想控制樂器什麼時候進來、歌詞什麼時候唱、歌曲怎麼推進，就用時間戳記寫。這是給完整歌曲模型用的；Clip 固定 30 秒，先用 Clip 試的是風格與樂器，不是時間軸。文件範例：

[0:00 - 0:10] Intro: Begin with a soft lo-fi beat and muffled vinyl crackle.
[0:10 - 0:30] Verse 1: Add a warm Fender Rhodes piano melody and gentle vocals singing about a rainy morning.
[0:30 - 0:50] Chorus: Full band with upbeat drums and soaring synth leads. The lyrics are hopeful and uplifting.
[0:50 - 1:00] Outro: Fade out with the piano melody alone.

純音樂。背景音樂、遊戲配樂這類不要人聲的，在提示裡明講。文件範例是一段 8 位元遊戲風格的曲子，結尾那句「Instrumental only, no vocals.」就是關鍵：

A bright chiptune melody in C Major, retro 8-bit video game style. Instrumental only, no vocals.

看圖作曲。input 清單裡可以放最多 10 張圖片加一段文字提示，模型依視覺內容創作。文件的範例是把一張沙漠日落照片配上「An atmospheric ambient track inspired by the mood and colors in this image.」。

它怎麼「想」：先推論結構，再生成聲音

文件有一節叫「模型智慧」：Lyria 3.5 收到提示後，會先依提示推論音樂結構，例如前奏、主歌、副歌、橋段，這一步在生成音訊之前完成，用來確保結構一致與音樂性。文件同時標明，模型內部雖然用提示重寫器解讀自然語言指令，但不會把中繼的「想法」區塊或想法簽章顯示給使用者。換句話說，你看不到它怎麼改寫你的提示，只能從結果回推。這也是我們認為結構標記與時間戳記特別有用的原因：它們直接對應到那一步結構推論。

官方五條最佳做法

1. 先用 Clip 試。用比較快的 lyria-3-clip-preview 試提示，確定了再用 lyria-3.5 生完整長度。
2. 寫具體。含糊的提示得到普通的結果；樂器、BPM、調性、情緒、結構都寫。
3. 語言要對。想要什麼語言的歌詞，就用那個語言寫提示。
4. 用區段標記。[Verse]、[Chorus]、[Bridge] 給模型清楚的結構。
5. 歌詞和指示分開。提供自己的歌詞時，要跟音樂方向的指示清楚區隔。

五條限制，寫提示前先知道

• 安全篩選：所有提示都過安全篩選器，觸發就封鎖，包括要求特定藝人聲音，或生成受著作權保護的歌詞。指名特定歌手聲音的寫法會被擋（我們的建議：改用類型、樂器、情緒與上面那種歌手側寫）。
• 浮水印：所有生成的音訊都帶 SynthID 音訊浮水印，人耳聽不出來，不影響聆聽，但可被識別。
• 不能多輪編輯：目前版本是單輪生成，不支援用多個提示反覆修改同一段。
• 長度：Clip 固定 30 秒；Lyria 3.5 幾分鐘，確切時長看提示。
• 非決定性：同一個提示每次呼叫的結果可能不同。（我們的建議：要多版本就多跑幾次，要固定就把檔案存下來。）

我們補第六條：官方列出的歌唱語言是 8 種，沒有中文。這條不在 Gemini API 文件的限制清單裡，卻是華語使用者最先撞到的牆，處理方式見上面的語言一節。

程式怎麼接：一個呼叫，兩個便利屬性

呼叫 interactions.create，回應會同時包含生成的歌詞與歌曲結構（文字），以及音訊。兩個便利屬性可以直接拿：interaction.output_audio 回傳最後生成的音訊區塊，interaction.output_text 回傳歌詞與結構。Python 最小範例：

import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="lyria-3-clip-preview",
    input="A short instrumental acoustic guitar piece.",
)

generated_audio = interaction.output_audio
if generated_audio:
    with open("music.mp3", "wb") as f:
        f.write(base64.b64decode(generated_audio.data))

lyrics = interaction.output_text
if lyrics:
    print(f"Lyrics:\n{lyrics}")

文件提醒：遇到複雜的交錯多模態回應，例如同時含原始結構細目與音訊區塊時，便利屬性可能拿不齊，要改成自己走訪 interaction.steps，在 model_output 步驟裡依 content block 的型別分別取 text 與 audio（音訊是 Base64 編碼）。要 WAV 輸出的 Lyria 3.5 請求，文件範例在呼叫時多帶 response_format={"type": "audio"}。

結語

Lyria 3.5 的文件不長，但把「沒有第二輪」講得很清楚：安全篩選、浮水印、單輪、非決定性四條限制加起來，等於告訴你要把功夫花在第一次提示。類型、樂器、結構、歌詞、人聲、BPM、調性，加上時間戳記，就是你手上主要的方向盤。對做課程片頭、簡報背景音樂、短影音配樂的人，這套寫法比想像中好上手，因為它要的不是樂理，是說得出樂器與速度的具體描述。唯一要先想清楚的是語言：要中文人聲，目前得繞路。