博客

使用指南

ElevenLabs Sound Effects v3 提示词写法:用材质、动作与距离组织音效描述

2026年11月18日 8 分钟阅读
暖沙色底上排布着阶梯状横向色带,以赤陶色和棕褐色层叠,作为博客封面图。
本页内容

为什么提示词要拆成材质、动作、距离

写音效提示词时最容易犯的错误,是把一句话写完就提交:「一个清脆的点击声」。这句话里有形容词,却没有可供模型落地的信息——什么材质在响?动作快还是慢?听者离它多远?音效生成模型需要把这些维度补齐,而它补齐的方式是不可控的。于是同一句提示词跑两次,得到两个风格迥异的结果,调试就变成了抽卡。

更稳的做法是把描述拆成三层结构化信息:

  • 材质决定音色质感:木头、玻璃、金属、布料、水、塑料,各自有不同的共振方式与高频成分。写清材质,等于给音色定了基准。
  • 动作决定节奏与包络:是单击还是连击,是轻放还是重摔,是缓慢摩擦还是快速刮擦。动作词决定了声音的起音(attack)、衰减与持续时间分布。
  • 距离决定空间感与混响倾向:贴耳、一米内、房间另一侧、室外远处。距离越远,直达声越弱、混响与低频占比越高,模型对空间的想象也会随之改变。

这三层不是必须齐头并重的模板,而是一个分析框架:拿到一个音效需求,先判断它最依赖哪一层,再把对应的词写具体,其余两层按需补充。界面反馈音几乎只靠动作与材质,物体拟音以材质为主语,环境氛围则靠距离与空间撑起来。后面几节会分别展开。

在 450 字符的上限内,这个框架还有一个实际好处:它天然帮你控制信息密度。三层各写一句,通常就够用;写不满说明描述还不够具体,写爆了说明你在堆同义词。

材质、动作与距离三层信息各自成阶,最终收束为一句结构化提示词。

接口形态与三个可调参数

先把契约固定下来,后面的写法才有共同的落点。当前任务接口对应模型 elevenlabs/sound-effects-v3,输入字段集中在 input 下:

  • prompt:必填字符串,描述所需音效,需涵盖动作、场景、氛围与表现方式,最长 450 个字符。
  • duration_seconds:必填数字,单位秒,取值范围 0.5 至 30,默认 2。不支持自动时长——你必须根据音效类型主动定长。
  • loop:可选布尔值,默认 false,控制是否生成可无缝循环播放的音效。
  • prompt_influence:可选数字,0 到 1,默认 0.3。数值越低越随机多变,越高越严格贴近描述。

三个可选/半可选参数里,最容易被忽略的是默认值带来的偏差。prompt_influence 默认 0.3,意味着模型有相当大的自由度去「发挥」,这在探索阶段是好事,但在你已经把描述打磨得很精确、需要复现时就成了噪音。duration_seconds 默认 2 秒,对短促的界面音刚好,对氛围音则远远不够。

调用示例(以任务接口的 input 结构为准):

{
  "input": {
    "prompt": "wooden drawer sliding open slowly on a dry track, close perspective, slight creak",
    "duration_seconds": 3,
    "loop": false,
    "prompt_influence": 0.6
  }
}

接口的完整字段与取值以模型页为准,可以在 ElevenLabs Sound Effects v3 查看当前参数与接入方式。下面三节分别讨论三类场景怎么写 prompt,再回到参数怎么配合。

三个输入要素——提示词、时长与影响强度——以阶梯带的宽窄与汇聚表达,收束为同一段生成音频结果。

界面反馈音:短、干、动作先行

界面反馈音是三类里最不需要想象力的,也是最容易写坏的。它的要求很明确:短、干、起音清晰、不要尾巴拖沓。写这类提示词时,动作应该放在句首,材质紧随其后,距离一律写近场。

一个可用的写法骨架:

[动作] + [材质/物体] + [听感限定]

例如:

soft plastic button click, single press, very close, no reverb, tight transient
short glass tick, light tap, near field, clean tail
quick mechanical switch flip, small metal lever, close perspective, dry

三个细节值得强调:

动作要写单次还是连击。 「click」和「rapid double click」在包络上是完全不同的东西。界面音大多数是单次,写「single press」能减少模型自行加节奏的概率。

用「no reverb」「dry」压掉空间。 界面音如果带上明显混响,放到 UI 里会显得脏。距离词用「very close」「near field」,再补一个干声限定,通常能显著收敛。

时值宁短勿长。 这类音效的 duration_seconds 从 0.5 起,1 秒上下往往已经足够;超过两秒就要问自己是不是写进了不该有的尾音。时长给长了,模型会倾向于填充内容——把本来干净的一声点击拖成一段氛围。

材质的选择其实是在选音色族:塑料偏中频带一点闷,玻璃偏高频清脆,金属带延音和泛音。同一个「点击」动作,换材质词就能覆盖大部分界面反馈需求。这也是为什么这类场景里,材质不是装饰而是主语之一。

物体拟音:让材质成为主语

物体拟音的难点在于,同一个动作在不同材质上听起来完全不同。「撞击」这个词本身不携带任何音色信息,是「wooden crate」「ceramic mug」「chain」在说话。所以这类提示词的句法应该让材质当主语,动作与受力方式作谓语。

推荐的写法顺序:材质 → 动作/受力 → 附加质感 → 距离。

heavy ceramic mug placed on wooden tabletop, hard contact, short resonant thud, close perspective
metal chain dropped onto concrete, links colliding, bright clatter with metallic ring, one meter away
fabric curtain pulled across a metal rod, continuous friction, soft rustle with occasional ring

几个判断标准,用来检查材质词是否真的起了作用:

  • 能不能替换材质而仍然成立。 如果换掉材质词后你觉得描述变得空洞,说明材质确实是这句话的核心;如果换掉也没区别,说明你写的是一个泛化动作,模型只能靠猜。
  • 受力方式要不要写。 「placed」(放置)与「slammed」(摔下)决定了力度与瞬态。「colliding」「scraping」「sliding」这类摩擦类动作则需要说明是否连续,因为连续摩擦的包络和碰撞完全不同。
  • 要不要留共振。 金属、玻璃、陶瓷有可辨识的余响,木料短促,布料几乎只有噪声。如果你不希望有延音,直接在 prompt 里写「damped」「dry」;如果希望有,写清「resonant」「ring out」。

时长方面,碰撞类通常 0.5 到 2 秒即可,摩擦与开合类则要覆盖完整过程,可能需要 2 到 5 秒。不要指望模型在 1 秒里塞进一个三秒的开抽屉动作——duration_seconds 是你告诉它「多久」的唯一手段,它不会自动适配。

阶梯色带被剖面成不同材质层:硬质的高频碎震、软质的宽缓余振与单点撞击的同心波纹,对应材质词如何改写物体音色。

环境氛围:用距离与空间写场景

环境氛围音与前面两类有本质区别:它不描述一个事件,而是描述一个持续的空间状态。事件的包络有起有落,氛围则要铺满整段时长并保持稳定。这类提示词里,距离与空间类型是骨架,材质与动作退居次要。

写作时先回答三个问题:

  1. 空间类型是什么:室内小房间、大厅、街道、森林、地下车库、开阔室外。
  2. 声源在哪、多远:单一持续声源,还是多层远近叠加。
  3. 持续状态是否稳定:需不需要起伏,还是接近白噪声般的稳态。

对应到写法:

quiet indoor room tone, distant traffic hum through a closed window, low level, steady ambience
office background, faint keyboard taps and air conditioning drone two meters away, continuous
outdoor night field, crickets at varying distances, soft wind over grass, spacious, wide stereo image

注意「varying distances」这类表述——它比单一距离更能得到有纵深的结果。氛围音的质感往往来自远近层次,而不是某个突出的声音。如果 prompt 里所有元素都在「很近」,结果会像贴脸的特写,缺空间。

循环是这一节的关键分歧点。 氛围音通常需要循环播放,而循环点是否自然由时长直接决定。如果 loop 设为 true,你要考虑的是:内容在整段时长内是否始终处于同一状态?如果 prompt 里写了「gradually rising wind」这种有方向性的描述,循环回去会在接缝处暴露。稳妥的做法是让氛围保持稳态,并给一个足够长的 duration_seconds——循环段太短,接缝会频繁出现;给到十几秒甚至接近上限,循环才会听起来连续。

反之,如果这段氛围是用在一次性场景里(过场、片头),loop 保持 false,时长按场景需要给,可以放心写入起伏与变化。

参数怎么配合提示词调

提示词与参数不是两件事,调参应该按固定顺序走,避免同时改多个变量。

第一步:定 duration_seconds。 它是必填且不自动,先按音效类型给出一个合理值——界面音 0.5 到 1 秒,碰撞拟音 1 到 2 秒,摩擦与开合 2 到 5 秒,氛围音视循环需求给到十秒以上。这个值一旦定了,后面的 prompt 就是在这个时间窗里组织内容。

第二步:定 loop。 只有氛围类和少数持续机械音需要 true,事件类音效一律 false。设为 true 时,回头检查 prompt 里有没有方向性描述(渐强、渐弱、逐渐远去),有的话改成稳态表述。

第三步:调 prompt_influence。 默认 0.3 偏发散,适合探索阶段——想看模型会给你什么。当你已经有一版满意的结果、想复现同一风格时,上调到 0.5 到 0.8 区间,让输出更贴近文字。反过来,如果描述写得过于具体但总感觉生硬、缺少自然的随机性,可以适当往下压。

第四步:才回去改 prompt。 如果参数调完仍不满意,说明是描述本身的问题:材质词不够具体,或者动作与时长不匹配(比如三秒的开合动作写成了单次碰撞)。

按场景总结侧重点:界面反馈音优先保证 duration_seconds 短与 prompt_influence 偏高(要稳定复现);物体拟音优先把材质写准,prompt_influence 中等;环境氛围优先保证时长足够与 loop 正确,prompt_influence 可以适度调低换取自然度。

常见提示词问题与修正方向

以下几种情况在调试中最常见,都可以通过自查快速定位。

描述空泛。 典型特征是只有形容词没有实体:「a cool sound」「an exciting swoosh」。判断标准很简单:删掉形容词后还剩什么?如果什么都不剩,模型也只能自由发挥。修正方向是补齐材质与动作,把「a cool click」换成「a short glass click, single press, close」。

信息过载。 一句 prompt 里塞了五六个元素:材质、动作、环境、情绪、混响程度、立体声宽度全写上,还互相矛盾。结果是模型平均分配注意力,哪个都不像。修正方向是按场景砍到两三层:界面音只留动作与材质,氛围音只留空间与距离。

长度超限。 prompt 上限 450 字符,超了会被截断或校验失败。堆同义词是超限的主因,例如「loud, noisy, booming, thunderous」其实只需要一个。写完后做一次删减:同义形容词留一个,可有可无的修饰语直接删。

动作与时长冲突。 写了一个持续摩擦的动作,却只给 0.5 秒;或者写单次碰撞,却给了十秒。前者模型只能压缩成一个短促噪声,后者会用尾巴填充。修正方向是让 duration_seconds 与动作的语义时长对齐。

循环不成立。 把有明显起止的事件音设成 loop: true,接缝处必然突兀。循环只适用于稳态内容,事件音不要开。

混用不同场景的模板。 拿界面音的「no reverb, dry」去写室外氛围,会把空间感压没;拿氛围音的「spacious, distant」去写点击音,会得到一团糊。三类场景分开写、分别迭代,比套同一个模板稳得多。

把材质、动作、距离当作三个检查位,每次提交前过一遍,多数不稳定问题都能在写 prompt 阶段就消掉。

立即开始构建持久 AI 产物

获取 API 密钥,通过一个基于任务(task)的 API 调用图像、视频和音频模型。

阅读 API 文档