AI MV 工厂：从一首歌到一支成片

这半年玩得最开心的一件事：用 AI 做了四支音乐 MV。歌和角色是 AI 生成的，画面是我用 Python 一帧一帧画出来的。做下来发现，「让 AI 生成」反而是最简单的部分，真正花时间的是让歌、镜头、素材和字幕卡在同一条时间线上，并且改一处不会牵动全身。

四支成片

作品	风格	时长	怎么做的
We Are Emerging	从感知机一路讲到 Agent 的科技叙事	3:28	逐帧绘制，节拍网格卡点，群体模拟
Sparkle Multimodal☆Nyan!	偶像风 Kawaii Cyber-Pop	约 3:10	逐拍时间表，歌词校准
Notes to Myself	安静的角色故事，6/8 拍	约 3:39	插画分层，差分转场，少量图生视频
未命名的星	奇幻叙事	约 3:58	16 个场景分层合成，稿纸上逐格写字

We Are Emerging 可以在这里看完整版。

几个模型一起干活

构思、写歌、出图、写代码都能丢给 AI，但每一步都得有人说一句「对，就是这个」。几条我自己摸出来的习惯：

1. 先想拍什么，再想怎么拍。 内容和风格定了，再决定用 Canvas、Python 还是视频生成。
2. 让不同模型干自己擅长的。 发散、审美、出图、写代码，各找各的。
3. 先拍最难的那一小段。 多人同框、密密麻麻的名字、稿纸写字，先做样片，过了再做整支。
4. 该死板的写成规则，该放飞的留给生成。 文字、时间、谁碰到谁交给代码，氛围交给模型。

AI 给的东西，也得自己量一遍

• 节拍。 Sparkle 的风格标签写着 160 BPM，我一量是 169.74，前面还有点变速。后来干脆做了一张逐拍时间表，所有动作都去查它。
• 歌词。 LRC 文件有的地方坏了，有的版本对不上，整体还偏晚一截。校准完歌词，跟着歌词走的动作也得一起挪，所以动作都按「唱到哪句」去查拍位，不在代码里写死时间。
• 素材。 有一次方案里把一张聊天截图当成了角色图。从那以后每张图我都先打开看一眼是干嘛的，再查人设、手脚、透明边和脚底的落点。

改一处，只动一处

同样的时间、同样的素材，画出来就该一模一样。 We Are Emerging 结尾那群光标是用 boids 规则提前算好轨迹的，渲染时按帧去读。这样模拟可以依赖上一帧，成片却能随便跳到任何一秒单独重渲。

改片先圈范围。 拿到「这里不对」的反馈，先换算成哪个镜头、哪几帧，渲一帧确认改对了，再重渲那一段、看接缝。Notes 有一次 AI 说「改好了」，结果改的是另一个镜头。之后我把「代码改了」「文件出来了」「画面对了」当成三件事分别看。

看得清比动得多重要

• GPT 猜词那段一直在抖，字根本读不清。后来改成震一下马上停住，读字的时候画面是稳的，候选词跟着拍子换。
• 60 个名字的点名太快，谁也来不及看。第四版让名字先慢慢攒成一面墙，再在同一个重拍上一起放出来，出现快、停得久。

顺手讲了一场

做完之后整理成了一场 32 分钟的技术分享，配了七页离线 HTML，按「先看片 → 拆流程 → 聊取舍」往下讲。卡点演示直接拿视频的播放时间当唯一时钟，波形、拍线和歌词都跟着它走；复杂的动画全部提前渲好，整个文件夹拷走就能放。

做完最大的感受是：生成越容易，越要有清楚的时间规则和素材标准，不然越改越乱。