提示词里的声音层：台词、音效、BGM 用对括号，模型才不会把声音画成画面

猫斯卡编辑部 ｜ 最后更新日期 2026 年 8 月 5 日

台词、音效、BGM 在提示词里要分层写：台词用花括号，音效用尖括号，BGM 用圆括号。符号的作用是让模型分清「谁在说」「现场响什么」「情绪铺什么」，避免把声音描述误画成画面。

为什么声音要单独分层

很多 AI 短剧翻车，不是画面词写得不够，而是声音和画面混在一句话里。模型读到「她冷笑，门被撞开，紧张音乐响起」，可能把「冷笑」理解成表情，把「撞开」理解成动作，却把「紧张音乐」当成场景里真的有乐器。

声音层符号是一套给模型看的分镜表语言：画面写在正文里，台词、音效、BGM 分别用不同括号包起来，模型才知道哪些是镜头要拍到的，哪些是后期要听到的。

三种符号，三种声音身份

这套区分的核心，不是括号形状本身，而是每种声音对应不同的制作环节：台词绑定角色口型与表演，音效绑定动作发生的瞬间，BGM 绑定整场情绪，不绑定具体画面。

台词：花括号里只放说出口的话

台词用花括号包起来，并且只放角色真正说出口的内容。

• 写 {你没有资格提她。}，不写「她愤怒地说：你没有资格提她」
• 情绪、语气、动作放在括号外的画面描述里，例如：她攥紧酒杯，指节发白，{你没有资格提她。}
• 旁白如果是角色的内心独白，也走花括号，但要在画面层标明是内心独白，避免模型生成开口说话的镜头

花括号的边界要干净。括号里塞「冷笑」「停顿」「压低声音」这类表演指示，模型容易把它当成台词内容念出来；这些应该写在括号外，作为动作和表情。

音效：尖括号对准动作发生的瞬间

音效用尖括号，写在它对应的动作旁边，而不是堆在场次开头或结尾。

• 动作和音效贴在一起：他把文件摔在桌上，<文件拍桌声>
• 用具体声源，不用抽象形容词：写 <瓷器碎裂声>，不写「清脆的声音」
• 一场里音效不要过密。约 10 秒的场块通常只承担一两个关键声音点，堆太多会让模型分不清主次

音效是现场的，BGM 是后期的。如果一个声音是剧情里真实发生的——敲门声、耳光声、雨声——它属于尖括号；如果是为了烘托情绪铺上去的音乐，它属于圆括号。

BGM：圆括号里写情绪，不写乐器位置

BGM 用圆括号，写的是情绪方向和进退场，而不是画面里真的有人在演奏。

• 写（紧张弦乐渐强），不写「角落里小提琴手开始演奏」
• 标明进退场：（BGM 戛然而止）比单纯写「音乐停了」更清楚
• BGM 不要和音效抢戏。需要台词听清的段落，BGM 描述应压低或留白

常见误区是把 BGM 写成场景的一部分。比如在一个现代办公室场景里写「恢弘交响乐响起」，模型可能真的在办公室里生成乐队。圆括号的作用就是明确告诉模型：这是铺上去的，不是拍到的。

一个场块里的声音层长什么样

把三层放在一起，结构应该是：画面动作在前，音效贴在动作旁，台词绑定角色，BGM 单独标情绪。

她站在门口，手还握着门把。<门轴吱呀声> 他背对她，没有转身。{你回来了。}

（低沉钢琴单音，留白三秒）

这段话里，画面、现场声、台词、配乐各归其位。模型不需要猜测「低沉钢琴」是房间里的道具，也不需要把「你回来了」念成旁白。

容易踩的四个坑

1. 括号混用：把 BGM 写成 <紧张音乐>，模型可能当成现场音效；把音效写成 （耳光声），又可能被当成配乐处理。
2. 台词里塞表演指示：{冷笑：你以为我会信} 容易被整句念出。表演拆到画面层。
3. 声音词太抽象：<一阵声音>、（好听的音乐）没有可执行信息，模型只能自由发挥。
4. 一场塞满声音：场块粒度约 10 秒，声音点也要克制，留给镜头和表演空间。

边界：符号规范解决什么，不解决什么

符号规范能解决的是声音身份混乱：让模型分清台词、音效、BGM 分别属于哪一层。它不能替代好的画面描述，也不能保证任何模型都完美生成口型或混音。

如果某场戏跳过参考图、纯文字生成，即使声音符号写得再标准，角色一致性仍可能漂移。符号是镜头提示词八大要素里的约束条件之一，不是整条片子的质量保险。

系统在教模型用分镜表语言说话，而不是写小说。声音层符号就是这套语言里最基础的标点：用对了，声音归声音，画面归画面；用错了，模型就会把音乐画进镜头里。

关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com