Prompt Engineering for AI Music Creation Learning: Application and Analysis Using SUNO AI

This study explores the educational potential of prompt engineering in AI-based music creation, focusing on the generative music platform SUNO. By designing prompts based on five variables—genre, instrument, mood, tempo, and technique—I generated and analyzed corresponding 120 audio samples to examine how prompt design affects musical outcomes in school music learning contexts. By using audio feature extraction and quantitative analyses such as similarity matrices, clustering, and dimensionality reduction, I found that detailed and well-structured prompts led to distinct and predictable musical results. In particular, prompts sharing key elements such as instrument or technique produced highly similar audio output, while more varied prompts yielded greater diversity. These findings highlight that prompt engineering can serve as a pedagogical strategy to guide student creativity, support process-oriented learning, and facilitate reflective music inquiry. Based on its finding, this study lays a practical foundation for the educational value of prompt-based AI music creation activities in music education.

이 연구는 생성형 AI 음악 플랫폼인 SUNO를 중심으로, AI 기반 음악 창작학습에서 프롬프트 엔지니어링의 교육적 가능성을 탐구하였다. 장르, 악기, 분위기, 템포, 구현 방식 등 5가지 변인을 바탕으로 프롬프트를 설계하고, 이에 따라 생성된 120개의 음원을 분석하여 프롬프트 설계가 학교 음악교육 맥락에서 음악적 결과물에 미치는 영향을 살펴보았다. 오디오 특성 추출 및 유사도 행렬, 군집 분석, 차원 축소와 같은 정량적 분석 결과, 세부적이고 구조화된 프롬프트가 보다 명확하고 예측 가능한 음악 결과를 산출하는 것으로 나타났다. 특히 동일한 악기나 구현방식이 포함된 프롬프트에서는 높은 유사성이, 다양한 조합에서는 음악적 다양성이 뚜렷하게 나타났다. 이러한 결과는 음악적 지식을 통한 지시인 프롬프트 엔지니어링이 학생의 창의성 신장, 과정 중심 학습, 반성적 음악 탐구를 지원하는 교육적 전략이 될 수 있음을 시사한다. 본 연구는 학교 음악 교육 현장에서 프롬프트 기반 AI 음악 창작 활동의 교육적 가치에 대한 실증적 기반을 마련하는 것에 이바지할 것으로 기대한다.