AI MV 製作：怎麼用 AI 做出對拍的音樂影片

AI 音樂影片生成器實際上做了什麼

AI 音樂影片生成器可以把提示詞、圖片或參考影片變成短影片片段，每段通常只有幾秒。就目前而言，還沒有哪個工具能穩定地一次把整首三分鐘的歌做成完整影片。不管用 Veo、Kling、Seedance、Runway、Hailuo 還是其他類似模型，實際做法都一樣：把歌切成幾段，每段各生成一個片段，再用 CapCut、Premiere Pro 或 DaVinci Resolve 這類剪輯軟體組裝起來。

也就是說，一切由歌曲主導。模型負責讓畫面動起來，每個畫面從哪裡開始、到哪裡結束，由你決定。AI MV 看起來夠專業，功夫都在生成前後：拆解歌曲、依節拍規劃分鏡，以及最後檢查音畫同步。

步驟一：先確認這首歌能不能用

動用任何點數之前，先查清楚授權。用了無法發布的歌曲，影片可能被靜音、封鎖或被認領版權。YouTube 上每支上傳影片都會經過 Content ID 比對；一旦符合版權擁有者的參考檔案，擁有者可以決定封鎖影片、在影片上放廣告，或只追蹤數據，而且各國做法可能不同。

• 自己創作的歌曲：沒有問題，不過若希望 Content ID 站在你這邊，建議透過發行商登記。
• 有授權的音樂：仔細閱讀授權條款中關於影片同步，以及你預計發布的各平台的規定。授權給短影音當背景音樂，不一定涵蓋完整的音樂影片。
• AI 生成的歌曲（例如 Suno）：查看該工具的條款，確認你的方案能否商用、版權歸誰。不同方案條款不同，也會隨時間調整。
• 不屬於你的商業流行歌：只能使用平台 App 內建的音樂庫，因為授權由平台持有。不要匯出後再上傳到別處。

YouTube 也要求創作者揭露：以 AI 生成音樂為影片主軸，或是逼真的真人、真實地點 AI 畫面。各平台與各地區的規定，請看我們的 AI 內容標示指南。

步驟二：把歌拆成節拍表

動手寫任何提示詞之前，先為這首歌排出時間軸。你需要四樣東西：速度、段落、重拍，以及幾個明顯的音樂事件。

1. 找出 BPM。跟著副歌打拍子即可，例如 cv.cm 的節拍器有點拍測速功能，點幾下就能得出 BPM。
2. 用時間碼標出段落：前奏、主歌、導歌、副歌、橋段、尾奏。
3. 標出每個段落的第一個重拍、最響的那個音，以及任何停頓或 drop。切鏡和大動作就該落在這些點上。
4. 算出一個樂句的長度。4/4 拍的一小節是 4 拍，所以一小節的秒數是 240 ÷ BPM。120 BPM 時一小節是 2 秒，兩小節的樂句（一個八拍）就是 4 秒。

4 秒的樂句是很好用的單位，因為它接近許多模型接受的最短片段長度。90 BPM 時一小節約 2.67 秒，八拍約 5.3 秒；128 BPM 時則是 3.75 秒。鏡頭長度請選整數個樂句，多出來的零點幾秒在剪輯時修掉。

步驟三：依節拍表規劃分鏡，並鎖定畫面風格

把時間軸變成分鏡表。預設一個樂句一個鏡頭就很合適；節奏快的歌，副歌可以改成一小節一個鏡頭。每一列要寫明時間範圍、所屬段落、鏡頭看到什麼，以及主要動作要對準哪個音樂事件。

開場鏡頭最重要。實務上，觀眾會不會在前兩三秒離開，取決於第一個畫面。第一格就該是整支影片最好看的一格：明亮、臉部完整且打光清楚、主角已經在動或在笑，用特寫或中景讓主角佔滿大半畫面。從黑畫面慢慢淡入、低著頭或昏暗的房間，會讓人在歌還沒開始前就滑走。如果劇情需要鋪陳，請用道具和場景來交代，而不是用緩慢的開場。

接著鎖定視覺風格。先做一張角色設定圖（正面、側面、背面，加上服裝、髮型、配色），再寫一句簡短的風格描述，例如鏡頭、光線和調色，原封不動貼進每一段提示詞。如何做角色設定圖，可參考角色一致性教學。之後每做一張新的參考圖，都要逐個角色對照設定圖檢查：服裝、手、配件、髮型、顏色和身高比例。修圖工具會悄悄改動你沒要求的細節，影片模型再把這個錯誤複製到每一個鏡頭。

步驟四：依剪好的音訊逐段生成

每個鏡頭獨立生成一段，搭配它自己的那一小段歌曲。請自己把音訊剪成每段需要的長度，例如用 cv.cm 的音訊剪輯工具，而不是上傳整首歌讓模型自己挑片段。這樣你的時間軸和模型的時間軸才會一致。

許多模型只接受固定時長，例如整數秒，或 5、10、15 秒這幾檔。請依這些長度規劃剪輯，並讓每段音訊剛好等於你要生成的片段長度。有些工具還限制參考音訊的總長，例如所有參考片段加起來約 30 秒，提示詞也只能寫幾千字。如果還需要人聲參考，也要一併算進去：音樂片段加上人聲樣本必須放得進限制內。通常一段乾淨的 3 秒人聲樣本就夠了，挑最響、最連貫的那一句。

把提示詞寫成同時標明秒數和音樂事件的時間軸，只寫鏡頭拍得到的東西。影片模型會把比喻照字面畫出來：寫「她的聲音像鳥一樣升起」，畫面裡可能真的出現一隻鳥；寫「城市像一幅畫」，真實背景可能被壓成一張插畫。

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.

演唱的歌詞要用對嘴。做法有兩種：若模型支援，把剪好的人聲當作音訊輸入來生成鏡頭；或者先生成鏡頭，再用分離出的純人聲跑一次音訊驅動的對嘴處理。正面的特寫和中景效果最好，側臉和手靠近嘴巴最容易失敗。輸入方式與修正方法，請看 AI 對嘴教學。

步驟五：卡點剪輯並檢查音畫同步

先把完整的原曲放上時間軸，再把每個片段放到預定的起點。切鏡點放在重拍或你標記的強音上。副歌 drop 時，早或晚幾格都很容易被感覺出來。

當模型自己生成或重新渲染音軌時，片段裡的音樂可能會晚一點才開始。我們實測的偏移約 1 秒，而動作仍然緊貼提示詞的時間。因此千萬不要用生成檔案裡的音訊來判斷同步，請先換回原曲：

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

如果某個片段對著音樂還是偏早或偏晚，直接在剪輯軟體裡以整格為單位平移，不必重新生成。對嘴的歌詞請用全尺寸播放檢查；特寫時嘴型差兩三格就看得出來。

生成的片段常常是 720p 或 1080p，細節偏軟。請在剪輯完成後再放大，這樣只需放大留下來的部分，並且只保留一份母檔輸出。把這份母檔直接上傳到各平台；反覆轉檔，例如從一個 App 下載再轉貼到另一個，壓縮痕跡會越疊越重。

常見錯誤與誠實的限制

• 一次用提示詞做整首歌。模型無法掌握三分鐘的結構，請改以樂句為單位規劃鏡頭。
• 跟參考素材硬碰硬。參考影片或圖片比文字提示強得多，如果裡面有鏡頭光暈、道具或你不想要的光線，模型多半還是會照抄。生成前先修正參考素材（裁切、遮罩、調色）。
• 角色漂移。沒有設定圖和固定的風格描述，臉和服裝在鏡頭之間就會變。接受每個片段之前，先對照設定圖檢查。
• 畫面上的文字。影片內生成的歌詞和標題常常拼錯，文字請在剪輯軟體裡加。
• 真實歌手。不要製作逼真的影片，讓真實藝人唱他沒有錄製或演出過的歌。這需要本人同意並揭露，在許多地方也會違反肖像權與人格權。

最難的鏡頭，通常是演唱特寫和副歌開場，預計要生成兩到四次才會滿意。MV 的品質大部分來自節拍表和剪輯，而不是某一次完美的生成。