ACE-Step 歌曲创作指南为 ACE-Step 音乐生成提供专业创作知识，主要围绕 Caption 撰写、歌词撰写和音乐参数选择三部分展开。使用本指南后，需要为 acestep 技能产出两类内容：Caption（-c，即风格/流派/乐器/情绪描述）和 Lyrics（-l，即带标签的完整结构化歌词），以及参数 --duration、--bpm、--key、--time-signature、--language。
一、Caption：最重要的输入 Caption 是影响生成音乐最重要的因素，支持多种格式：简单风格词、逗号分隔标签、复杂自然语言描述。常见维度包括：风格/流派（pop、rock、jazz、electronic、hip-hop、R&B、folk、classical、lo-fi、synthwave 等）、情绪/氛围（melancholic、uplifting、energetic、dreamy、dark、nostalgic、euphoric、intimate 等）、乐器（acoustic guitar、piano、synth pads、808 drums、strings、brass、electric bass 等）、音色质感（warm、bright、crisp、muddy、airy、punchy、lush、raw、polished 等）、年代参考（80s synth-pop、90s grunge、2010s EDM、vintage soul、modern trap 等）、制作风格（lo-fi、high-fidelity、live recording、studio-polished、bedroom pop 等）、人声特征（female vocal、male vocal、breathy、powerful、falsetto、raspy、choir 等）、速度/节奏（slow tempo、mid-tempo、fast-paced、groovy、driving、laid-back 等）、结构提示（building intro、catchy chorus、dramatic bridge、fade-out ending 等）。
Caption 撰写原则：具体优于模糊，例如“sad piano ballad with female breathy vocal”优于“a sad song”；组合多个维度，用风格+情绪+乐器+音色精确锚定方向；善用参考，“in the style of 80s synthwave”可快速传达复杂美学；质感词有用，warm、crisp、airy、punchy 会影响混音与音色；不必追求完美，Caption 是起点，应根据结果迭代；粒度决定自由度，细节越少模型创造力越大，细节越多控制力越强；避免冲突词，“classical strings”加“hardcore metal”会降低输出质量。修复方法：重复强化，重复想要更多的元素；冲突转演进，例如“Start with soft strings, middle becomes metal rock, end turns to hip-hop”。不要把 BPM/调性/速度放进 Caption，应使用专用参数。
二、Lyrics：时间脚本 歌词控制音乐如何随时间展开，承载歌词文本本身、结构标签（[Verse]、[Chorus]、[Bridge] 等）、人声风格提示（[raspy vocal]、[whispered] 等）、器乐段落（[guitar solo]、[drum break] 等）以及能量变化（[building energy]、[explosive drop] 等）。
结构标签分为：基础结构（[Intro] 开场建立氛围、[Verse]/[Verse 1] 主歌叙事推进、[Pre-Chorus] 预副歌积累能量、[Chorus] 副歌情绪高潮、[Bridge] 桥段过渡或升华、[Outro] 结尾收束）；动态段落（[Build] 能量渐升、[Drop] 电子音乐能量释放、[Breakdown] 减少配器留出空间）；器乐（[Instrumental] 纯器乐无人声、[Guitar Solo] 吉他独奏、[Piano Interlude] 钢琴间奏）；特殊（[Fade Out] 淡出结尾、[Silence] 静音）。组合标签时可用 - 做更细控制，但需保持简洁，例如 [Chorus - anthemic] 可以，而堆叠过多标签则不可取；复杂风格描述应放在 Caption 而非标签中。
Caption 与 Lyrics 需保持一致：Caption 中的乐器对应 Lyrics 中的器乐段落标签，Caption 中的情绪对应 Lyrics 中的能量标签，Caption 中的人声描述对应 Lyrics 中的人声控制标签。
人声控制标签包括：[raspy vocal] 沙哑有质感的人声、[whispered] 耳语、[falsetto] 假声、[powerful belting] 有力高音、[spoken word] 说唱/朗诵、[harmonies] 层叠和声、[call and response] 呼应、[ad-lib] 即兴点缀。能量与情绪标签包括：[high energy] 高能量热情、[low energy] 低能量克制、[building energy] 能量递增、[explosive] 爆发能量、[melancholic] 忧郁、[euphoric] 欣快、[dreamy] 梦幻、[aggressive] 攻击性。
歌词写作技巧：每行 6-10 个音节，模型会将音节对齐节拍，同一位置的各行音节数应相近（±1-2）；大写表示更强力度，如 WE ARE THE CHAMPIONS!（呼喊）对比 walking through the streets（正常）；括号表示背景人声，如 We rise together (together)；可延长元音，如 Feeeling so aliiive（谨慎使用，效果不稳定）；段落之间用空行清晰分隔。
避免“AI 味”歌词的警示：形容词堆砌（如“neon skies, electric hearts, endless dreams”这类模糊意象填充）、押韵混乱（模式不一致或强行押韵破坏语义）、边界模糊（歌词内容跨越结构标签）、没有换气空间（行太长无法一口气唱完）、隐喻混杂（水→火→飞翔，听众无法锚定）。隐喻纪律：每首歌一个核心隐喻，探索其多个侧面。
三、音乐元数据 大多数时候让 LM 自动推断，只有明确需求时才手动设置。参数包括：bpm（30–300，慢速 60–80、中速 90–120、快速 130–180）、keyscale（调性，如 C Major、Am，常用调 C、G、D、Am、Em 最稳定）、timesignature（拍号，4/4 最常见、3/4 华尔兹、6/8 摇摆）、vocal_language（语言，通常从歌词自动检测）、duration（秒，见下方时长计算）。
手动设置场景：日常生成让 LM 自动推断；有明确速度需求设 bpm；特定风格（华尔兹）设 timesignature=3/4；需与其他素材匹配设 bpm + duration；特定调性色彩设 keyscale。
时长计算：前奏/尾奏各 5-10 秒，器乐段落各 5-15 秒。典型结构：2 段主歌+2 段副歌至少 120-150 秒；2 段主歌+2 段副歌+桥段至少 180-240 秒；含前奏/尾奏的完整歌曲 210-270 秒（3.5-4.5 分钟）。BPM 与时长关系：较慢 BPM（60-80）同样歌词需要更长时长；中速 BPM（100-130）标准时长；较快 BPM（150-180）可容纳更多歌词但仍需换气空间。经验法则：不确定时估算更长，歌曲太短会显得仓促。注意：歌词标签（piano、powerful、whispered）应与 Caption（piano ballad、building to powerful chorus、intimate）保持一致。