音楽生成AIのプロンプトで、効いた書き方と逆効果だった書き方

音楽生成AIのプロンプト書き方を、数ヶ月間の実験から体系化した報告だ。ACE-Step 1.5というモデルを使い、caption（英語指示文）を何十回も変え、効く書き方と効かない書き方のパターンが浮き彫りになった。画像生成のプロンプト感覚で書くと外れやすく、音楽固有の法則があることが明かになる。ジャンル名は「作法」を運ぶが楽器名は運ばない、形容詞より奏法の名前が効く、造語は避けて実在する業界用語を使う、否定形は逆効果、名指しするほど要素が薄くなるといった発見群だ。これらはACE-Step固有ではなく、生成AIモデル全般に当てはまる法則である可能性が高い。 AIの鬼の視点では、ここにプロンプトエンジニアリングの本質が隠れている。「AIに何を指示するか」ではなく、「AIが学習データ内で何を持っているか」を理解することが肝要なのだ。学習データが豊富な「Neoclassical power metal」なら一塊の音として出現するが、造語した「epic orchestral rock」は無いので、モデルは学習データを探索しながら近似値を平均化する。その平均は元のジャンルからずれる。つまり、生成AIのプロンプト精度は「説明の詳細さ」ではなく「既存概念の選別」で決まる。否定形が逆効果というのも同じロジック。「no synthesizer」と書けば、学習データは合成器という概念を呼び込み、その代替案を探す。指定しないほうが、モデルは「その音楽ジャンルに標準的な鳴り方」を再現する。 中小製造業が音声ガイダンスや音響設計をAIに頼る際、同じ法則が当てはまる。「速い、激しい」「明るい、暖かい」といった抽象表現より、「16分で刻む」「リバーブなし」といった業界の奏法・技術用語で書くほうが確実だ。既に存在する音声パターン・効果音ライブラリの名前を参照しながら指示を書けば、ズレが小さくなる。試行錯誤する際も、思いつきで指示を変えるより、学習データに存在する標準パターンを試す方が時間効率が良い。