教程 · 如何用 AI 把一首歌做成完整 MV

手里已经有一首完整歌曲，就可以从它的音乐结构和歌词出发，制作一支从前奏延续到尾奏的 AI 音乐视频。整曲制作需要先安排全片的变化：主歌如何展开，副歌呈现什么，最后一段把观众带到哪里，再让各段镜头共同完成这支作品。

SongScene 支持以整首歌曲为范围，分析音乐与歌词，规划角色、场景和分镜，按段生成视频，再与原曲合成为完整 MV。创作者可以通过导演对话确定方向，在视频生成前确认报价，并针对不满意的部分提出修改。

这篇教程按六个阶段说明如何借助 AI 音乐视频生成器 把一首歌做成完整 MV：明确观看目标，拆解整曲，确定 MV 类型与主角，规划全片分镜与节奏，准备参考素材并生成各段视频，最后检查合成后的整支作品。

下面用一个虚构例子贯穿流程：一首三分钟的流行歌曲，主题是离开熟悉的地方。前半段犹豫，最后一遍副歌作出决定。示例中的人物、情节和时间安排仅用于说明方法。

第一阶段：确定这支 MV 给谁看、在哪里看

先确定这支完整 MV 的主要观众和观看场景。同一首歌，面向熟悉作品的歌迷、第一次听到它的人，或持续关注某个虚拟歌手的观众，画面需要交代的内容会有所不同。

• 面向熟悉歌曲的歌迷：可以展开歌词里的情绪和细节，让开头的画面在结尾得到回应。YouTube 上的完整 MV 是一种常见使用场景。

• 面向第一次听到歌曲的观众：开头就提供一个可理解的人物处境或鲜明的视觉主题，让观众有线索跟随整首歌的发展。

• 面向持续关注歌手或虚拟角色的观众：人物的辨识度更重要，可以围绕表演、服装和反复出现的场景形成连续印象。

如果后续还要在 TikTok、Reels 或 Shorts 上介绍这首歌，可以从整曲方案中挑出能够独立成立的段落，另外准备短片。完整 MV 的前后呼应和情绪发展仍按整首歌安排。

画幅也要在分镜前确定。横屏 16:9 适合安排人物与环境的关系；竖屏 9:16 适合让主体占据较大的画面空间。同一个镜头改成竖屏时，站在两侧的人物或重要道具可能被裁掉，需要重新检查构图。

这个例子中，直接裁成竖屏会丢掉行李箱和车门。先按目标画幅安排构图，再生成镜头。

平台帮助确定观看条件，具体风格仍由歌曲和创作意图决定。一首安静的歌，也可以用一个持续的眼神或缓慢变化的画面吸引注意。

给示例歌曲写下的目标是：“制作一支横屏完整 MV，面向喜欢这首歌的听众，表现一个人在深夜车站决定离开家乡。”后面的选角和分镜都围绕这个目标展开。

第二阶段：把歌曲拆成有变化的段落

准备好这次要使用的音频版本。如果后来换了前奏长度或演唱版本，已经排好的时间点也需要重新核对。（若目前仅有视觉创意而缺少现成音轨，可先借助 AI 音乐生成器 生成旋律与伴奏候选。）

听第一遍时，先记录整首歌的情绪：它在倾诉、庆祝、回忆，还是不断积累紧张感？再听时标出段落边界，并写下人声、编曲和情绪在哪里发生变化。有歌词的歌曲，还要核对关键句出现的时间，以及是谁在对谁说话。

常见段落可以这样理解：

这是一张听歌提示表。实际歌曲可能没有预副歌，也可能用器乐 Drop 承担高潮；间奏则可以给人物动作或视觉变化留出空间。桥段可以安静下来，也可以比副歌更激烈。按听到的变化划分即可。

歌词提供的是理解画面的线索。“我终于学会放手”可以对应一个人登上列车的动作；也可以让同一个人在逐渐变空的房间里唱出这句话。前者把情绪写进事件，后者用空间变化表达感受。

纯音乐同样能做 MV。可以跟随旋律的进入、鼓组的变化、乐器独奏和停顿来安排画面。

示例歌曲的段落笔记可以很简单：前奏交代深夜站台；主歌里，主角等待送别的人；第一次副歌响起，主角走向列车，又停下；桥段里，主角再次望向入口；最后一遍副歌，主角独自上车；尾奏留下车窗与逐渐远去的站台。歌曲中的反复因此对应了人物决定的变化。

同一段 hook 在两次副歌中回归，人物第一次迈步后停住，最后一次则独自登车。桥段的编曲变化对应最后回望。图中各行等高，不代表各段时长相同。

做完整 MV 时，要为整首歌中的每一段都安排画面，包括没有人声的前奏、间奏和尾奏。分镜可以有意重复，也可以停留在一个持续变化的场景中，但这些选择应当属于同一份全片方案。

第三阶段：选择 MV 类型，决定主角承担什么作用

开始选画风之前，先确定画面如何组织。下面几种常见方式，可以帮助判断一首歌适合怎样呈现。

表演型跟随声音，舞蹈型跟随动作，叙事型围绕人物选择，概念型发展反复出现的意象。这些类型都可以采用真人影像或动画。

这些方式可以混合，先确定观众主要跟随什么，再安排辅助内容。例如主歌推进故事，副歌切回歌手表演；或者全片以舞蹈为主，在桥段插入一段超现实画面。切换发生在哪里、为什么发生，最好在分镜前就有想法。

歌曲有人声，也可以全程用故事画面承接。节拍适合跳舞时，可以选择编舞，也可以通过剪辑和环境变化回应节奏。类型由这支作品想呈现的内容决定。

写实、动画、水彩、拼贴属于画面的呈现风格。动画可以讲一个清楚的故事，写实影像也可以只表现抽象感受。对口型则是具体的表演方式，可以出现在叙事或概念段落之间。

歌词的含义、人物是否在画面中演唱、成片是否显示字幕，也可以分别决定。主歌的人声可以留在画外，副歌再让角色演唱；字幕是否出现，则取决于作品的观看需要。

叙事型：给主角一个能拍出来的选择

“一个孤独的人”提供了情绪，却还没有交代接下来会发生什么。可以进一步写成：“一个准备离开家乡的人，等不到前来送别的朋友，在最后一班车到站时决定独自上车。”

这句话已经给出了行动目标、等待的原因和最后的选择。分镜可以围绕站台入口、列车车门和人物的视线展开，不必另外加入复杂的支线。

主角也不一定是歌手。歌手可以作为讲述者出现在表演镜头中，由另一个角色经历故事。

概念型：让主角成为贯穿画面的线索

概念型 MV 可以有固定主角，也可以围绕一个物件或空间展开。判断重点在于，画面靠什么连接。

同一首关于离开的歌，可以让主角始终坐在一节车厢里，车窗外依次出现卧室、旧街道和海面。观众跟随的是熟悉事物逐渐远去的感觉，不需要知道列车经过了哪些真实地点。

为了让这些画面属于同一支作品，可以重复使用车窗的矩形构图、同一件外套或一个有辨识度的光源，再随着歌曲改变其中的内容。重复元素有了变化，第二次副歌就能带来新的感受。

进入分镜前，把方案压缩成一段话：作品给谁看，采用什么类型，主角或核心意象是什么，情绪如何变化，以及希望采用的画面风格。在进入 AI 音乐视频生成器 时，这些意图可以通过与 AI 导演的对话逐步明确。

第四阶段：把段落变成分镜，再安排镜头节奏

歌曲段落、场景和镜头是三个不同层次。

一段副歌可以发生在同一个车站里，包含人物中景、空荡入口和车窗特写等多个镜头。分镜要把这段音乐拆成能执行的画面，让每个镜头都有具体用途。

写一条分镜时，至少说明它对应哪段音乐、观众看见什么、主体做什么，以及画面如何接到下一镜。需要时再补充景别、机位和镜头运动。

“主角难过地看向远方”还比较笼统。可以改成：“侧面近景，主角望着站台入口，听到列车到站后转回头，视线落向打开的车门。”后一句给出了可见的动作，也为下一镜提供了衔接位置。

节奏要从整曲安排到具体动作

先看歌曲段落之间的差异。主歌可以留出时间让观众理解处境，副歌可以扩大景别、增强表演或完成重要动作。是否需要加快剪辑，取决于音乐和表达目标。

再看一个段落内部的镜头时长。观众需要时间看懂新的环境，也需要时间读出人物反应；已经建立的细节则可以短暂出现。镜头长短要服务于它承载的信息。

剪辑频率、人物动作速度和摄影机移动速度可以分别安排。镜头快速切换时，人物仍然可以缓慢转头；一个较长的固定镜头，也能容纳有力量的舞蹈。舞蹈段落要给观众看清脚步和队形的机会，演唱段落则可以围绕乐句安排表情、手势和景别变化。

最后才是具体落点。鼓点、歌词重音、乐句结束、人声停顿，都可以成为切镜或动作发生的时刻。一个镜头也可以跨过多个节拍，让人物在重拍上转身，或让灯光随着音乐发生变化。

以恒定 120 BPM、4/4 拍为例，每拍约 0.5 秒，一小节约 2 秒。这个数值能帮助估算动作和音乐的关系，但不会自动决定每个镜头应该多长。

先确定每个段落在整支 MV 中的作用，再细化段内镜头。下面取示例歌曲最后一遍副歌中的 16 秒，展示“决定独自离开”如何落实到分镜；其他段落也沿着同一份全片方案继续展开：

在 120 BPM、4/4 拍下，四个镜头分别占 2、1、3、2 小节。这里标的是成片时长，生成素材可能还需要裁切或拼接。

这些是成片中的镜头长度，一次 AI 生成也可能包含多个镜头。先按音乐和动作安排画面，再根据工具支持的时长组织生成；必要时，从较长素材中截取需要的部分。

同样的 16 秒，如果改成概念型 MV，可以让一扇车窗始终留在画面中央，只在音乐转折时更换窗外景象。节奏也会通过画面内部的变化表现出来。

检查相邻镜头时，还要注意人物往哪边走、看向哪里、手里拿着什么。同一个人刚朝车门走去，下一镜却突然回到站台另一端，会让观众误以为行动中断。刻意设计的跳切可以保留，意外发生的跳变则需要修改。

第五阶段：统一参考素材，分段生成并合成完整 MV

进入视频生成前，把会反复出现的元素核对一遍。角色和场景参考通常从创作方案明确后就开始准备，并在细化分镜时继续使用。

有固定角色时，确认面孔、发型、服装和重要配饰。示例中的主角如果穿深绿色短外套、携带银色行李箱，后续镜头就应沿用这组设定，除非故事明确发生了变化。

反复出现的场景也需要清楚的空间关系：站台入口在哪里，列车停在哪一侧，人物从哪里走向车门。镜头依赖这些位置关系时，可以借助场景的空间草图确认固定地标，再用文字说明人物路线。同一场景可以共用一张草图。

接着确认视觉风格，包括光线、材质、颜色和镜头的表现方式。一张参考图最好能说明具体选择，例如“保留站台顶灯形成的明暗间隔”，这样比只说“有电影感”更容易判断结果是否符合预期。

静态参考解决形象和空间问题，视频描述还要交代这几秒里发生的动作。可以从一个清楚的镜头开始：

深夜站台，穿深绿色短外套的主角提着银色行李箱走向车门。摄影机从侧后方平稳跟随，人物走进车厢时镜头停在门外。沿用已经确认的角色形象与站台光线。

如果同一条描述里还要求主角回忆童年、转身演唱、奔跑，并切换到海边，就需要重新拆分镜头。先让每一镜的主体动作和机位关系清楚，再判断生成结果。

在 SongScene 中，全片方案会继续落实为角色与场景基准图、分镜，以及按需准备的空间草图。视频生成在报价处等待确认，并提供透明的模型、时长与积分估算。可事先对照定价与积分说明选定符合制作预算的画质与模型档位。

确认后，各段视频按全片方案生成，系统将它们按歌曲时间顺序与原曲音轨合成，输出完整 MV。整曲制作因此同时包含全片规划、分段生成和最终合成；角色设定、视觉风格与段落之间的衔接，需要贯穿这几个环节。

生成前先核对模型、时长和积分费用。原始母带在合成阶段单独加入，与生成的视频片段共同组成全片。

第六阶段：跟着原曲检查整支 MV，修改具体问题

成片合成后，从歌曲开头到结尾完整看一遍，先确认所有段落都有对应画面，片段之间没有意外空缺，音轨与画面覆盖同一个完整范围。再检查整曲中的观看感受：人物反应是否太早，副歌的重要动作是否被切断，尾奏是否给结尾留下了足够时间。

检查时可以分成几个角度：

• 音乐与画面：关键动作是否出现在合适的歌词或音乐位置；有对口型的镜头，嘴部动作是否跟上演唱。

• 表达是否清楚：叙事型作品里，人物的选择能否被理解；概念型作品里，重复元素有没有形成连贯的变化。

• 连续性：人物外观、衣服、道具和空间方向是否接得上；异常变形有没有分散注意力。

• 整体节奏：哪里显得拖延，哪里还没看清就切走；副歌中的画面重复是否符合原先的设计。

• 观看条件：在目标画幅和手机尺寸下，主体与歌词字幕是否清楚，裁切有没有损失重要内容。

把问题写到具体镜头上。例如，“第二遍副歌里的主角提前转身”“上车前后行李箱换了颜色”“最后的近景结束得太快”。这样的反馈能指向明确的修改，不必重做已经满意的段落。

如果改的是角色服装或外观，需要重新生成相关视频，变化才会进入画面。在 SongScene 中，已有成片会保留，受影响的片段重新报价，再由用户决定是否生成。

按时间码定位穿帮，调整对应镜头的提示词或参考图，检查报价后重新生成。再次与母带合成时，保留其他已确认的镜头。

示例作品的最后一次检查，可以落在一个可观察的问题上：观众是否看见主角从等待别人，变成独自上车。如果这个变化在音乐中清楚发生，开头的等待和结尾的离开就已经连成了一支 MV。