AI音乐视频：同一位歌手贯穿每个镜头，从分镜做到按歌曲剪辑

AI音乐视频不是按一下就能从歌曲里吐出片子。它的做法和导演一样，靠短镜头往上叠。视频模型一次最多做出 8 秒，所以片子要像真正的 MV 那样来：分镜、歌手、拍摄、再按歌曲剪辑。我们用一位虚构女歌手把这条路走完了。文中的画面和视频都在 AI2Face 的生成器里完成。

AI音乐视频是怎么拼出来的

步骤	你做什么	用什么
1. 分镜	按主歌和副歌把曲子拆成镜头	手写，或用文本模型
2. 歌手	片子主角的基准画面	Nano Banana Pro
3. 场景	每个镜头的起始帧，还是同一个人	Nano Banana Pro + 基准画面作参考
4. 视频	把画面做成 8 秒视频	Veo 3.1、Gemini Omni
5. 剪辑	按歌曲节奏切开，再铺上音轨	任意视频软件

这些模型都不听你的歌：Veo 3.1 收的是文字和图片，不是音频文件。节奏和气氛要你自己定——在分镜里，也在剪辑时。

第 1 步. 按曲子做分镜

按时间码标出歌曲：前奏、主歌、副歌、桥段。每一段主歌换一个地点，副歌用最亮的镜头，后面再重复。

需要多少镜头。 一条 8 秒的镜头，剪进去只有 2–4 秒：MV 切得很勤，片头片尾通常会被裁掉。按歌曲每 6–8 秒算一次生成：

曲子长度	视频生成次数	含作废余量
30 秒（预告、Reels）	4–5	6
1 分钟	8–10	12
3 分钟	23–25	30

先做 30 秒预告。花完整支片子的积分之前，先看歌手稳不稳、风格对不对。

第 2 步. 歌手：基准画面

基准画面是第一张做得对的歌手肖像，后面所有场景都从它长出来。选 3–4 个任何角度都看得见的特征：这里是铂金色波波头、银圈耳环、白 T 恤外面一件宽松皮夹克。

Full-frame cinematic medium shot from a music video, the image fills the whole
16:9 frame edge to edge with no black bars: an original fictional young female
singer in her twenties with a short bleached platinum bob haircut, small silver
hoop earrings, oversized black leather jacket over a plain white t-shirt, singing
with eyes half closed into a vintage silver microphone on a small club stage.
Magenta and teal stage lights and abstract neon light tubes without any letters
behind her, light haze, shallow depth of field, 35mm film grain. No text, no logos.

第一版两侧有黑边，霓虹招牌上还残留着字母。所以提示词里加了两句：“fills the whole 16:9 frame, no black bars”和“neon tubes without any letters”。视频模型会接着这一帧往下演，废画面最好在静帧上就去掉。

如果歌手是你自己，就上传自己的照片，不必做基准画面。AI2Face 里有AI2Face 角色教程，角色可以附到任何一次生成上。

第 3 步. 同一个歌手的不同场景

每个场景都带上基准画面作参考。提示词先写同一句关于这个人的话，再写地点和动作。

Use the same singer from the reference image exactly: same face, short platinum
bob, silver hoop earrings, oversized black leather jacket over a white t-shirt.
Scene from the same music video: she stands on the edge of a flat rooftop at dawn
above a sleeping city of apartment blocks, wind blowing her hair and jacket, soft
pink and orange sunrise, she sings with eyes closed and one hand on her chest.
Full-frame cinematic medium wide shot, 35mm film grain. No text, no logos.

每条提示词里相同的“胶片颗粒”，以及“from the same music video”这句，把整支片子的样子拴在一起。

第 4 步. 视频：把镜头做活

把场景帧交给视频模型，用图生视频，并写清人和镜头怎么动。Veo 3.1 可以做 4、6 或 8 秒；做 MV 用 8 秒，剪辑时才有余量。

Music video shot at dawn: the singer stands on the rooftop edge singing with eyes
closed and one hand on her chest, strong wind blows her platinum hair and the
leather jacket, the sun rises behind the apartment blocks and the light turns from
pink to golden. The camera slowly orbits around her from the side to the front at
medium distance. Keep her face, hair and clothes exactly as in the image.

镜头运动才是 MV 的主体：“slowly pushes in”、“orbits around her”、“dollies backward at her walking pace”。不动的镜头看起来像一张照片。

不是每个场景都能过。街道那一帧的视频被模型提供方的安全过滤拦下了，没有说明原因。这种片子 AI2Face 会自动退回积分。改写提示词，或换相邻的一帧，就能绕过去。

声音：让模型唱，或铺你自己的歌

Veo 3.1 会连声音一起生成，包括演唱。我们让歌手唱了一句俄语。在我们的测试里，唱出来的这句是俄语；提示词里可以把这句写成任何语言。

The singer slowly leans into the vintage microphone and sings a soft melodic line
in Russian: Город не спит, и я не сплю. Her eyes stay half closed, the stage
lights pulse to the beat, the camera slowly pushes in from a medium shot to a
close-up. Sound: her solo female vocal over a moody synth-pop beat with deep bass.

拿来配你自己的歌，这替代不了音轨：模型唱的是它自己的旋律，不是你的。可以这样处理：

• 生成不带声音的镜头，剪辑时再铺音轨——屋顶那条就是这样做的。
• 不要在别人的声音上拍演唱特写：嘴张开对不上歌词。全景、走向镜头的走动、闭嘴特写、手放在乐器上，这些都可以。
• 模型自己在唱的镜头适合预告、片头，或配一首也是生成出来的歌。

第 5 步. 按歌曲剪辑

• 先把音轨放上时间线，标出重拍和段落切换。
• 卡在拍子上切： 切在拍点上看起来是故意的。主歌里镜头留久一点（3–4 秒），副歌里短一点（1–2 秒）。
• 副歌里重复最好的镜头——普通 MV 也这么做。
• 关掉生成镜头自带的声音，如果里面有音乐或演唱，否则会和音轨叠在一起。
• 整支片子只用一套调色——它把不同场景的光拉齐。

限制

• 一次生成 8 秒。 片子只能靠剪辑接起来；更长的镜头可以用场景延长。
• 对不上你的音频。 模型不收音频文件，嘴型不会落到你的人声上。
• 安全过滤。 提供方可以不解释原因就拦住一个场景。积分会退回，但这个镜头得重写。
• 歌手可能会“漂”。 三个场景里她都认得出，但做到 30 个镜头时，每一帧都要对照基准画面看一遍。
• 真实艺人。 未经同意，不能用知名音乐人的脸做片子。用虚构人物，或者用你自己。

在哪里做 AI音乐视频

在 AI2Face 里，Nano Banana Pro、Veo 3.1 和 Gemini Omni 在同一个生成器中：基准画面、场景和视频都在一条信息流里，任意一帧点一下就能送去做成视频。每次生成的费用在开始前显示，可以用银行卡或加密货币支付，套餐积分不会过期。单曲封面也可以在这里做——见AI封面生成，视频模型的概览见AI视频生成。

总结

AI音乐视频省的是摄制组，不是导演工作：哪些镜头要拍、它们怎么跟着这首歌走，都由你定。基础是一张歌手的基准画面，附到每个场景上。在我们的测试里，她在舞台、街道和屋顶上都认得出。画面在 Nano Banana Pro 里生成，在 Veo 3.1 里加上镜头运动做成视频，自己的音轨在剪辑时再铺，并避开演唱特写。先做 30 秒预告——5–6 次生成就能看出整支片子值不值得做。