AI MV制作：怎么用AI做一支音乐视频

AI MV生成器到底做了什么

AI MV生成器能把提示词、图片或参考视频变成几秒钟的短视频片段。截至目前，还没有哪个工具能一次性把一首三分钟的歌直接做成完整成片。实际可行的做法，不管用Veo、可灵（Kling）、Seedance、Runway、海螺（Hailuo）还是别的模型，都是一样的：把歌拆成小段，每段生成一个镜头，再用剪映、Premiere Pro或DaVinci Resolve拼起来。

也就是说，一切以歌为准。模型负责画面会动，每个画面从哪里开始、到哪里结束由你决定。让MV显得专业的功夫，在生成之前和之后：给歌曲做节拍表，按卡点规划分镜，最后检查音画同步。

第1步：确认歌曲可以使用

花积分之前先查清版权。用你没有授权的歌做出来的视频，发布后可能被静音、屏蔽或认领。在YouTube上，每个上传的视频都会经过Content ID扫描；一旦匹配到版权方的参考文件，版权方可以选择屏蔽视频、在视频上投放广告或只做追踪，而且不同国家和地区的处理可以不同。

• 你自己的歌：没问题，但如果想让Content ID站在你这边，建议先通过发行商登记。
• 有授权的曲目：仔细看授权范围是否包含视频同步，以及你要发布的每个平台。授权给短视频当背景音乐，不一定覆盖一支完整的MV。
• AI生成的歌（例如Suno）：看清该工具对你当前套餐的商用和归属条款。不同套餐的条款不同，也会随时间变化。
• 你并不拥有版权的流行歌曲：只能在平台App自带的曲库里使用，那里的授权由平台持有。不要导出后再传到别处。

YouTube还要求创作者在AI生成音乐是视频重点时，以及视频中有逼真的真人或真实场景的AI画面时，进行披露。各平台和地区的规则，见我们的AI内容标识指南。

第2步：把歌曲做成节拍表

写任何提示词之前，先给歌曲列一张时间线。你需要四样东西：速度、段落、重拍，以及几个明显的音乐事件。

1. 找出BPM。跟着副歌打拍子，例如cv.cm的节拍器带有点击测速功能，点几下就能得出BPM。
2. 用时间戳标出段落：前奏、主歌、预副歌、副歌、桥段、尾奏。
3. 标出每个段落的第一个重拍、最响的那个音，以及停顿或Drop。切镜头和大动作应该落在这些位置。
4. 算出一个乐句的时长。4/4拍中一小节是4拍，所以一小节的时长为240 / BPM秒。120 BPM时一小节2秒，两小节的乐句（一个八拍）是4秒。

4秒的乐句是个好用的单位，因为它接近许多模型接受的最短片段时长。90 BPM时一小节约2.67秒，一个八拍约5.3秒；128 BPM时是3.75秒。镜头时长取整句的长度，多出来的零点几秒在剪辑时裁掉。

第3步：按节拍表规划分镜，锁定画面风格

把时间线变成分镜表。默认一个乐句一个镜头；节奏快的歌，副歌部分可以一小节一个镜头。每一行写清楚：时间范围、段落、镜头里能看到什么，以及主要动作落在哪个音乐事件上。

开头的镜头最重要。实际经验是，第一帧决定了有多少观众在头两三秒就划走。让第一帧就是最好看的一帧：明亮，脸部完整且打光清楚，主体已经在动或在笑，用特写或中景让主体占满大部分画面。从黑场慢慢淡入、低头、昏暗的房间，都会在歌还没开始时就把人劝退。如果创意需要铺垫故事，把它放进道具和场景里，而不是放进缓慢的开场。

接着锁定画面风格。做一张人设图（正面、侧面、背面，服装、发型、颜色），再写一句固定的风格描述，比如镜头、光线和调色，原样粘贴到每条提示词里。如何做人设图，见我们的AI角色一致性指南。你每做一张新的参考图，都要逐个角色对照人设图检查：服装、手、配饰、发型、颜色和身高比例。图像编辑工具会悄悄改掉你没要求改的细节，视频模型再把这个错误复制进每一个镜头。

第4步：对着剪好的音频逐段生成

每个镜头单独生成一段，配上歌曲中对应的那一小段。音频要自己剪好，例如用cv.cm的音频裁剪工具，不要把整首歌丢给模型让它自己挑一段。这样你的时间线和模型的时间线才是同一条。

许多模型只接受固定时长，比如整数秒，或5、10、15秒这样的档位。围绕这些时长安排剪辑，并让每段音频的长度正好等于你要生成的片段长度。有些工具还限制参考音频的总时长（例如所有参考片段加起来约30秒），以及提示词长度（几千字）。如果你还需要音色参考，要一并计入：音乐片段加人声样本必须装得下。一段干净的3秒人声样本通常就够了，选最响、最连续的那一句。

提示词按时间线来写，同时写明秒数和音乐事件。只写镜头能拍到的东西。视频模型会把比喻当成字面意思来画：“她的声音像鸟一样升起”可能真的在画面里画出一只鸟，“城市像一幅画”可能把真实背景压成插画。

Segment 4 (12.0-16.0 s of the song, pre-chorus), 4 seconds, 9:16.
Same woman as the reference: short black bob, cream trench coat, silver hoop earrings.
Low-angle medium shot on a rooftop at blue hour, city lights behind her, soft rim light.
0-1 s: she stands facing left, wind moves her hair and coat.
1-3 s: she turns slowly toward the camera, chin lifting, the coat swings out.
3.5 s (loudest note): she looks straight into the lens and opens her mouth to sing.
Camera: slow push in from waist to chest height. No text on screen.

演唱的句子要用对口型。要么用剪好的人声作为音频输入来生成镜头（如果模型支持），要么先生成镜头，再用分离出来的人声做音频驱动的对口型处理。正面的特写和中景效果最好；侧脸以及手挡在嘴边最容易失败。输入要求和修复办法见我们的AI对口型指南。

第5步：踩点剪辑并检查同步

先把完整的原曲放到时间线上，再把每个片段放到预先规划好的起点。切点放在重拍上，或你标记过的强音乐事件上。在副歌Drop处，早几帧或晚几帧的切点很容易被察觉。

当模型自己生成或重新渲染音轨时，片段里的音乐可能晚起。我们的测试中偏移约1秒，而画面动作基本按提示词的时间走。所以不要用生成文件里的音频来判断同步。先把它换成原曲：

ffmpeg -i gen.mp4 -i song.mp3 -map 0:v:0 -map 1:a:0 -c:v copy -c:a aac -shortest synced.mp4

如果某个片段对着音乐仍然偏早或偏晚，在剪辑软件里按整帧平移它，不必重新生成。对口型的句子要用全尺寸看；特写里嘴型漂移两三帧就能看出来。

生成的片段常常是720p或1080p，细节偏软。放大要放在剪辑之后，这样只放大留下来的内容，并且只保留一份母版导出。把这份母版直接上传到各个平台；反复转码，比如从一个App下载再发到另一个App，会让压缩痕迹层层叠加。

常见错误和实话实说的局限

• 一次把整首歌写成提示词。模型跟不上三分钟的结构，改为按乐句规划镜头。
• 跟参考图较劲。参考视频或参考图比文字的约束力强得多。如果里面有镜头光晕、道具或你不想要的光线，模型照样会复制。生成之前先改参考素材（裁剪、遮罩、调色）。
• 角色漂移。没有人设图和固定的风格描述，人脸和服装会在镜头之间变。每个片段采用之前，都对照人设图检查。
• 画面里的文字。视频里生成的歌词和标题经常拼错。文字在剪辑软件里加。
• 真人歌手。不要做一个逼真的视频，让真实的艺人唱他们没有录过、没有演过的歌。这需要对方同意并作披露，在很多地方还会侵犯肖像权和人格权。

最难的镜头，通常是演唱特写和副歌的开场，预计要生成两到四次。成片质量大部分来自节拍表和剪辑，而不是某一次完美的生成。