如何使用 AI 制作音乐视频（Music Video / MV）

整个流程都可以在 ChatGPT App 或 Codex CLI 中推进，你只需要在里面指挥 AI 做事。不需要自己额外学习和操作第三方制作软件，也不用来回切换各种工具的界面。后面提到的软件和服务，让 AI 去研究、配置和调用就可以。

这篇文章里的调研、整理素材、建模、剪辑等工作，都是交给 AI 去研究和执行的。你主要负责告诉它想要什么、挑选喜欢的结果，以及给它反馈。遇到注册、登录、充值或必须由你确认的步骤，再按它的提示接手。下面这些方法，你可以直接拿去要求 AI 做。

一、准备工作

硬件：先让 AI 检查存储空间是否够用。如果你的硬盘不够大，就帮它准备一个 NAS 或者外置 SSD，后面的素材下载和整理交给它。

模型：我最推荐的是 GPT-6。Effort 选项我一直用的是 Extra High——其他档位可能也可以，但我自己没有尝试过。

GPT-6 跟之前的模型相比，对图形和图像的理解有巨量提升，因此它做出来的视频在整体审美风格上也有飞跃式的进步。跟 GPT-5.6 或者其他模型比起来，这真的是一个飞跃，强烈推荐。

二、核心原则：先让 AI 学习，再让它创作

第一件事：对于任何复杂的东西，永远不要试图让 AI 平白无故地凭空创造，因为 AI 模型并不是万能的。第一步永远是让 AI 先学习：找参考、分析参考，再总结做法。

1. 让 AI 建立原始素材库

我一般会这样要求它：

1. 去网上找一百到几百个最好的音乐 MV，下载下来深入学习；
2. 从多个维度总结它们好在哪里，制定出一套打分标准；
3. 总结一些定性和定量的最佳实践，整理成一个 checklist。

这样等 AI 做完你的 MV 之后，就可以让它对照这个 checklist 打分，找出哪里做得好、哪里还需要改。你再根据自己的观看感受给它反馈，让它继续打磨。这就是原始素材库的用处，它非常重要。

2. 让 AI 调研现成的方法

素材库建完之后，继续给 AI 布置这两个任务：

1. 去网上找找别人已经做好的东西，看看有没有开放的 skills 可以直接用；
2. 搜一下别人是如何用 AI 制作 music video 的——无论是文章还是 skills——总结一下他们的做法，看看有没有我们能复用的部分。

3. 让 AI 沉淀成 guidance 并持续迭代

让 AI 把它总结出来的"如何制作音乐 MV"沉淀成一份 guidance。在之后的制作过程中，如果它按照这份 guidance 做出来的东西不理想，就让它结合你的反馈，继续修改作品、更新 guidance。

到这里，"如何制作 MV"的方法论基本就讲完了。接下来，让 AI 按两步推进：先做音乐，再做视频。

三、第一步：制作音乐

生成音乐

制作音乐我比较喜欢 Suno 的模型。我一般先让 AI 帮我构思歌词（lyrics）、风格（styles）和标题（title）。因为 Suno 没有 API，网页生成这一步，我自己目前习惯手动操作。如果你希望把这一步也交给 AI，就先让它研究能否通过浏览器代操作，需要你接手时再告诉你。

中间可能需要"抽卡"。你负责听、挑选和反馈，让 AI 根据你的感受调整歌词和风格，再继续尝试，直到找到你喜欢的音乐。

生成好的音乐就是一个 WAV 文件加一堆 metadata。你可以把 URL 发给 AI，让它把所有 metadata 和 WAV 源文件都保存下来，这样它回头就有一份完整的信息。

生成带时间轴的歌词

制作音乐过程中有一件很重要的事：Suno 生成的音乐有歌词，但歌词和时间轴对不上。所以你要让 AI 自己去研究，怎样生成一个带时间轴的歌词文件（比如 SRT 格式）。

它会自己想办法，大概率会用本地模型来识别。如果识别结果不够好，就让 AI 继续研究 OpenRouter，因为上面的模型比较多。模型怎么选、怎么接入、怎么比较效果，都交给它。需要你开通账号、充值或配置 API key 时，让它告诉你；完成必要的授权后，再让它尝试不同模型，看有没有办法提高识别准确度。

如果你不知道 OpenRouter 是什么也没关系，把这段话发给 AI，告诉它："我不知道什么是 OpenRouter，你自己去弄，什么时候需要我注册、充钱，告诉我就行。"因为 GPT-6 的 Chrome Use 和 Computer Use 能力非常强，它一定能把事情操作到只需要你接手的程度，你只管注册付钱。

有了这个之后，GPT-6 就一定有办法根据音乐和原始歌词，生成一个带时间轴的文件，这对后面的流程非常有帮助。

四、第二步：制作视频

1. 生成 Storyboard

下一步一般是让它生成 storyboard。storyboard 具体是什么不用深究，你只要告诉它：这是 source of truth，后面所有内容都要基于这个 storyboard 来生成。

你可以把它理解为一段完整的描述：包括每个时间段、每个镜头要做什么，以及整体的音乐风格等等。

2. 选择生图 / 生视频的工具

接下来，让 AI 按这个流程制作：先生成图片 → 由图片生成视频 → 剪辑 → 对口型。下面列的工具，是你可以告诉 AI 去研究和使用的选项。

首选：Grok CLI（xAI 旗下）

生图和图生视频最便宜的方式是走 Grok CLI，用的是 xAI（Elon Musk）旗下的 Grok 模型。你不知道是什么也没关系，直接让 GPT-6 帮你 set up，你只管充钱。

推荐它的原因是：在能生图和生视频的工具里，它是唯一一个有 subscription 模式的，其他基本都是 API，而 subscription 显然比 API 便宜很多。做一支成熟的 MV，大概率需要 AI 生成 50 到 100 个视频，这笔成本并不小，用 subscription 方案会便宜很多。

可选：Google Gemini + Vertex

比如你买 200 刀的 Gemini plan，它会送你 100 刀的 Vertex credit（也就是 Google Cloud 的 credit），就可以让 AI 接入 Google Cloud 上的模型，用这些额度生成图片和视频。

Google Cloud 的 set up 比较麻烦，但你不需要自己折腾，只要告诉 AI 可以这么做，它会用 Chrome 和 Computer Use 帮你全部搞定。

兜底与替代方案

如果没有让 AI 配置其他生图工具，Codex 会用自己的 credit 去生图。GPT-6 Codex 的生图能力很强，这个不用担心，但生成视频它就没什么办法了。所以我还是建议开 Grok subscription，再让 AI 完成工具配置。

如果你不喜欢 Grok，也可以让 AI 接入第三方 API。我比较推荐 fal 这个平台，用起来相对顺手，具体接哪个模型、怎么调用，都交给 AI 去研究和配置。

总之，你把可用的工具、预算和想要的效果告诉 AI，让它负责研究、配置和执行。需要你处理账号或付款时，它再提醒你。

3. 几个进阶技巧

识别乐器：你可以让 AI 识别这段音乐用了什么乐器，并生成对应乐器的视频，这样看起来会更像一点。

跳舞对节奏：AI 生成的视频肯定不会自带你音乐的节奏，这个没法强制。一个方法是让 AI 动态调整视频速度，去对齐音乐节奏。GPT-6 做得到——它会自己去找论文研究人物肢体动作和节奏的对应关系，然后生成波峰波谷的图来完成对齐。

卡点：卡点这件事 AI 可以做得很好，因为它能找到音频中的那个点在哪里。你可以要求它在卡点处切换视频，或者做一些动态效果，都很容易实现。

复杂运镜：Blender 白模 + Seedance 2.5

如果你对镜头的拉近、拉远等变化要求非常高，直接用 AI 生视频往往不够，因为通常只能传首图（比如 Grok CLI 就只支持传首图）。有一个相对高级的技巧，你可以让 GPT-6 按下面的步骤来做：

1. 让 AI 用 Blender 这个 3D 建模软件建白模。你告诉它人物怎么站、镜头怎么动，具体建模由它完成；
2. 让它根据你要求的镜头变化，利用白模先生成一段带运镜变化的视频；
3. 让它把这段白模视频作为 reference，连同按你的要求准备好的人物、风格等参考图片，一起传给 Seedance 2.5（fal 上面也有）。

这样它就能相对稳定地根据白模里的运镜和对应人物，生成符合预期的视频。如果你要讲故事，需要在多人物、固定机位之间不断切换，单纯靠 AI 生视频很难保证一致性，但让 AI 按"白模 + Seedance 2.5"这套工作流来做，就可以做到。你负责看镜头效果、提出修改意见，建模、生成参考视频和调用模型都由它完成。

4. 对口型

对口型也交给 AI：让它准备好音频和画面，调用对口型模型处理。这样的模型现在有很多，我用过比较好的是 fal 上面一个叫 OmniHuman 1.5 的模型，可能是我测过的这么多模型里最好的一个。你可以直接让 AI 去研究怎么用它。

5. 提升分辨率

AI 完成前面的制作后，大概得到的是一个 720p 的视频。如果你希望做成 1080p，就让它在 OpenRouter 或 fal 上找一个 720p 升 1080p 的超分模型，让它自己测评、比较效果和价格，再选一个性价比高的模型完成处理。这类模型用起来差不太多，我没有特别推荐的。

五、第三步：收尾与发布

反馈与打磨

AI 做出初版之后，你可以不断反馈：告诉它哪里做得好、哪里做得不好，以及要在哪个位置打 logo。让它根据你的意见修改、导出新版本，你再看效果。

打包与缩略图

接着让 AI 把所有东西打包成一个 package，并制作 thumbnail（缩略图）。因为上传到不同平台需要不同尺寸，让它把缩略图按以下几个比例各做一版：

• 1:1
• 4:3
• 3:4
• 16:9

上传到各平台

现在 GPT-6 的 Computer Use 和 Chrome Use 都很强，你直接跟它说上传到什么平台，让它在 Chrome 上完成上传和发布准备。遇到登录、验证或发布确认，需要你接手时，它再告诉你。

中文平台通常没有 API；英文平台大部分都有，包括 YouTube。有没有 API、应该走哪条上传路径、怎么配置，都让 AI 去查、去做。需要你开通账号或授权时，让它把具体步骤带到你面前。

六、成本

整体而言，制作一个 1080p、3 到 4 分钟的 music video，成本大概在 20 美元左右，性价比非常高。

写在最后

如果你完全不理解这篇文章里说的是什么，也没有关系。直接把这篇文章发给你的 AI，告诉它："参照这篇文章，帮我把 MV 做出来。调研、选工具、配置和制作都由你负责，需要我提供素材、挑选结果、注册、充值或确认时，再告诉我。"