如果说这两年 AI 绘画给我最深的感触不是“一句话就能生成一张图”这件事本身而是当你想用 AI 生图去做一个有叙事结构的作品时整个难度会瞬间跳到一个完全不同的层级。以万能青年旅店《杀死那个石家庄人》前奏为素材用 AI 生图去做一支自制 MV听起来像是一个“抽卡 剪辑”的小项目。但真正做下来你会发现最难的不是某一帧画面好不好看而是让几十张图保持同一个影调、同一套视觉气质并且在某一帧鼓点进来的瞬间刚好切到一张能接住情绪的图。这篇文章不会教你怎么“一键生成 MV”——目前为止也没有这种东西。我会把从音频准备、分镜拆解、AI 提示词设计到静态图做动态镜头、最后合成音画对齐的完整流程拆开讲。无论你准备给某首歌做自制 MV还是单纯想尝试“音乐可视化创作”这套思路都可以直接用。1. 先讲结论自制 AI MV 的真正难点在哪里先说结论做一个 AI 生图版 MV真正卡住大部分人的不是不会写提示词而是缺乏一套“镜头化”的工作流。如果你只是让 AI 随机生成几张氛围图那确实很轻松。但一首歌的前奏是有时间轴的它可能在某一秒进入鼓组也可能在某一个循环里铺垫情绪。观众对音乐的感受是连续变化的所以画面不能只是图片轮播而应该有“呼吸感”前奏安静的部分画面要少一些节奏要慢情绪逐渐推进时镜头要给到更具体的人或场景当某个乐器进入时最好有一个明确的视觉切换点。这意味着AI 产出素材之前你就应该先想清楚分镜。而不是生成几百张图再回头挑。我的建议是把这条自制 MV 当成一次“甲方是我自己”的小型视频制作项目。先定主题和情绪再做分镜然后让 AI 按镜头逐张生成素材最后在剪辑软件里做音画同步。这套流程做完之后你还会发现另外一个隐形收益你会对“ AI 提示词控制力”有更具体的理解。很多人学提示词喜欢背模板但当你需要为多个镜头保持风格一致时你才能真正学会什么叫做“固定风格锚点”。2. 核心概念AI 绘画、音乐可视化与分镜脚本在进入实操前先同步几个概念。后续所有操作都建立在这些概念之上。2.1 文生图与图生图文生图指的是直接输入一段文字描述让 AI 模型从无到有生成图像。适合在第一轮探索画面气质时使用。图生图则是把已有图片作为输入再附加新的文字描述让 AI 在保留原图构图或风格的基础上修改细节。自制 MV 中很常用的一个技巧是先找一张满意的“种子图”然后用图生图生成同一场景的不同构图这样可以显著提高画面一致性。2.2 音乐可视化与“情绪分镜”音乐可视化不只是给音频加一个动态频谱而是让视觉语言跟着音乐结构走。对于歌曲前奏这种没有歌词的段落听众通常会注意乐器的进入顺序、节奏变化和整体空间感。所以分镜不需要做得特别复杂但一定要能反映音乐的情绪曲线。比如你可以按下面这个逻辑拆分音乐段落情绪变化画面策略前奏进入安静、疏离大景别、延时摄影感、环境留白节奏铺垫渐强、期待中景、人物背影、运动趋势重音/鼓点进入释放、冲击近景、光影切割、动态模糊2.3 画面一致性这是 AI 生图做 MV 最容易翻车的地方。如果你每一张图都是独立生成的最后的成片很可能像不同导演拍的素材被硬剪到一起。最简单的解决办法是“固定画面风格描述”。在每一张图的提示词里都带上同一组风格关键词比如“电影感、胶片颗粒、低饱和、35mm 镜头”。然后通过控制光线方向和主体状态让画面保持连贯感。3. 工具选择与环境准备这个项目会涉及三个环节生图、图片动态化、视频剪辑。下面给出的工具方案尽量通用具体以你自己的设备和习惯为准没必要照搬。3.1 AI 生图工具本地部署和在线平台都可以区别是方案优点注意事项本地 Stable Diffusion 常用 WebUI可精确控制尺寸、模型、seed可批量处理对显卡显存有要求需要安装 Python 环境在线生图平台上手快无需本地资源参数可调范围相对有限注意批量导出能力手机端绘画 App适合快速验证想法不适合严格的分镜和大批量生成如果你已经有比较熟悉的中文在线绘画产品建议把“是否能导出原图”“是否支持固定长宽比”这两个点确认一下。MV 画面通常要求高清并且统一比例生成后自己再二次裁剪会损失画质。3.2 音频提取与剪辑工具音频处理可以用 ffmpeg这是一个开源命令行工具适合快速切出歌曲的前奏部分。视频剪辑则优先使用你熟悉的非线性剪辑软件比如剪映、Premiere Pro 等。用时间轴处理视频素材比纯脚本更直观尤其在音画对齐环节。3.3 环境准备建议如果你暂时不想安装太多工具最简组合是在线 AI 绘画平台剪映或同类剪辑软件ffmpeg用于无损提取音频也可以不装直接用剪辑软件导入原曲再截取。操作系统不限Windows 和 macOS 都没问题。本文演示的命令不涉及 Windows 专用路径命令行工具需要先加入系统环境变量这个在官网安装时一般会提供选项。4. 从歌曲前奏到分镜脚本到了这个环节需要先把“感觉”落成具体画面。4.1 提取前奏音频先用 ffmpeg 把歌曲的前奏截出来。这样做的好处是后续剪辑时不需要反复从整首歌里找位置素材文件也更小。ffmpeg -i song.flac -t 45 intro.wav这段命令表示从song.flac中提取前 45 秒的内容保存为intro.wav。如果你的原曲是 MP3也可以把输入文件改为song.mp3。这里不需要指定-ss默认从开头截取。如果要截取歌曲中间某一段例如从第 20 秒到第 45 秒可以这样写ffmpeg -i song.flac -ss 20 -t 25 intro_audio.wav其中的-ss 20表示从第 20 秒开始-t 25表示往后截取 25 秒。建议优先导出 WAV 格式后续剪辑软件处理时不会出现额外压缩损失。4.2 用“听感”建立情绪坐标截完音频后不要急着生成图片。把这段前奏从头到尾听几遍记录下乐器进入的时间点和自己的情绪感受。前奏类音乐通常会有这些关键节点起始乐器的第一个音符节奏组进入的瞬间旋律线明显转折的地方结尾处准备进入主歌前的那一次“呼吸”。把这些节点记下来然后通过剪辑软件查看音频波形。你会发现很多“情绪要变”的位置波形上都能看出明显的能量变化。这就是后续镜头切换点的重要参考。4.3 输出分镜表以“城市夜晚 记忆感”作为主线我先给你一个可以直接参考的分镜表。这套分镜并不对应任何特定歌词只保留了这一前奏给我的情绪联想镜头编号大致时间画面内容镜头运动建议01前奏开头老旧的窗框外面是暗蓝色城市天际线缓慢推近模拟从远处聚焦到窗口02情绪渐起路灯下的雨丝和行人背影轻微横移03节奏进入前泛黄灯泡下的人影低着头从脸部特写缓慢拉远04节奏进入点夜色中冒着蒸汽的厂房轮廓快速切换到小景别05收束准备进歌空房间窗帘被风微微吹起缓慢拉远给全片留一个呼吸点这套分镜的关键在于它没有试图解释某个具体人物而是用场景和氛围去呼应前奏里的情绪变化。你做自己的项目时也可以用类似的“环境—人物—环境”结构这样画面看起来更像一个有设计的 MV而不是随机风景合集。5. AI 生成画面提示词、风格锚点与批量思路分镜定了以后AI 生图环节才有明确目标。每一张图都可以当作一个小镜头去写提示词。5.1 建立固定的“风格锚点”什么是风格锚点就是一段会出现在每个镜头提示词末尾的固定描述。它是保证画面统一的最简单手段。例如这个项目可以固定使用cinematic film still, 35mm, desaturated cold color palette, heavy film grain, nostalgic mood, soft light in darkness含义是电影感静帧、35mm 镜头、低饱和冷色调、明显胶片颗粒、怀旧氛围、暗部柔光。无论画面的主体是什么这段风格锚点不要变。AI 模型在生成时会把这些关键词理解为“整个画面的拍摄与后期风格”从而减少不同镜头之间的跳跃感。5.2 给镜头写提示词下面是分镜 01 和 03 两组提示词示例直接可以拿去修改镜头 01 的关键是“窗框 城市远景 夜晚”我使用的基础提示词框架是looking out from an old metal window, distant city skyline at night, blue hour, wet window glass, soft neon glow, cinematic film still, 35mm, desaturated cold color palette, heavy film grain, nostalgic mood, soft light in darkness镜头 03 强调“人物状态 光源”提示词可以调整为特写感更强的语言a person standing beside a dim tungsten lamp, head down, face not clearly visible, warm lamp light against dark background, shallow depth of field, cinematic film still, 35mm, desaturated cold color palette, heavy film grain, nostalgic mood, soft light in darkness两个提示词的差别只发生在主体描述部分风格描述没有动。这就是“风格锚点”的用法。5.3 用负面提示词减少瑕疵写提示词时不能只写“要什么”也要写“不要什么”。负面提示词在自制 MV 项目中尤其重要因为影调和真实感一旦被破坏整支视频会显得很廉价。通用的负面提示词可以写cartoon, anime, deformed, extra fingers, bad hands, oversaturated, high contrast neon, watermark, text, logo, frame, border这些词可以在不同平台直接复用。建议把负面提示词作为一个独立模板保存后续每次生成都粘贴进去。5.4 关于画幅比例和分辨率MV 的常见画幅是 16:9 横屏部分短视频项目也会考虑 9:16 竖屏但针对歌曲前奏这种偏叙事的内容横屏更容易建立电影感。在线生图平台通常会提供比例选项本地 Stable Diffusion 则可以在参数面板里设置分辨率。建议以“长边不低于 1920 像素”为目标生成图片。如果平台只支持固定分辨率也要尽量生成接近 16:9 的尺寸避免后期裁切太多导致构图被破坏。5.5 在分镜基础上生成“候选批次”既然是自制 MV单张图很难一次就满意。建议每个镜头至少生成 4 到 6 张候选图然后从里面选择构图、人物状态和情绪最符合分镜的一张。批量生成时你可以通过一个简单的脚本管理提示词避免在不同平台间反复复制粘贴出错。下面是一个 Python 脚本示例作用只是把分镜信息和提示词整理成统一的 JSON 文件方便后续复制到生图平台或调用 API# 文件路径build_storyboard_prompts.py import json shots [ { id: shot_01, scene: window and city, subject: looking out from an old metal window, distant city skyline at night, wet window glass, style_anchor: cinematic film still, 35mm, desaturated cold color palette, heavy film grain, nostalgic mood }, { id: shot_03, scene: person under lamp, subject: a person beside a dim tungsten lamp, head down, face not clearly visible, style_anchor: cinematic film still, 35mm, desaturated cold color palette, heavy film grain, nostalgic mood } ] for shot in shots: shot[prompt] f{shot[subject]}, {shot[style_anchor]} with open(storyboard_prompts.json, w, encodingutf-8) as f: json.dump(shots, f, ensure_asciiFalse, indent2) print(prompts generated:, len(shots))这段脚本不依赖任何特定平台逻辑是把“主体描述”和“风格锚点”拼接成完整提示词。如果你用的是生图平台的 API可以在这个脚本基础上把数据提交到对应服务的接口如果你只是在网页端手动操作也可以把生成的 JSON 当成本地素材清单。6. 把静态图像变成有镜头运动的视频素材AI 生成的图片再精致如果只是静态画面直接拼接最终效果可能会接近“PPT”。所以这一步需要给画面加最简单的镜头运动比如推、拉、横移和轻微放大。6.1 方案一用剪辑软件的关键帧在剪映或其他非线性剪辑软件中导入图片后可以给缩放、位置两个属性打关键帧。想让画面实现缓慢靠近可以这样操作把图片放到时间轨上在片段开头记录一个缩放关键帧数值为 100%在片段结尾把缩放改为 108% 到 112% 之间播放预览确认运动速度足够缓慢。这种方式适合大多数人因为它不要求额外安装命令行环境而且可以多张图片反复调整。6.2 方案二用 ffmpeg 的 zoompan 滤镜如果你需要批量处理很多张图片就可以考虑用 ffmpeg 的 zoompan 滤镜。这个滤镜可以输出缓慢放大的视频片段ffmpeg -loop 1 -framerate 25 -t 6 -i shot_01.png -vf scale2400:-2,zoompanzmin(zoom0.0015,1.15):d150:xiw/2-(iw/zoom/2):yih/2-(ih/zoom/2):s1920x1080:fps25,formatyuv420p -c:v libx264 shot_01.mp4命令的作用是读取单张图片持续 6 秒生成 1920x1080 的缓慢放大视频。zoom表达式里的0.0015是每帧放大的速度数值越小运动越慢。第一次运行前建议先输出一个短视频预览因为不同模型生成的图片构图不同相同的缩放幅度在不同图片上会有不同感受。6.3 预先统一图片尺寸如果你希望后续编辑时不用频繁考虑分辨率问题可以用 Python 加 Pillow 库把所有素材统一裁剪到 1920x1080# 文件路径preprocess_frames.py from PIL import Image from pathlib import Path source_dir Path(raw_frames) output_dir Path(frames_1080p) output_dir.mkdir(exist_okTrue) target_w, target_h 1920, 1080 for image_path in sorted(source_dir.iterdir()): if image_path.suffix.lower() not in (.png, .jpg, .jpeg): continue img Image.open(image_path).convert(RGB) w, h img.size target_ratio target_w / target_h image_ratio w / h # 先等比缩放让短边对齐目标画幅 if image_ratio target_ratio: new_w int(h * target_ratio) left (w - new_w) // 2 img img.crop((left, 0, left new_w, h)) else: new_h int(w / target_ratio) top (h - new_h) // 2 img img.crop((0, top, w, top new_h)) img img.resize((target_w, target_h), Image.LANCZOS) out_path output_dir / f{image_path.stem}.png img.save(out_path, quality95) print(fsaved: {out_path})这里用的锚定思路是如果原图更宽就裁掉左右两侧如果原图更高就裁掉上下区域使所有素材最终都能准确铺满 16:9 画布。这样做虽然会牺牲一部分 AI 原图边缘但能有效避免后面剪辑时出现黑边。7. 剪辑合成与音画同步验证把素材准备好之后就要进入最后的剪辑阶段。这一阶段不只要把视频拼起来还需要通过听觉来验证画面切换是否合理。7.1 新建时间轴并创建镜头顺序打开剪辑软件新建一个 1080p、25 帧每秒或 30 帧每秒的项目。按分镜表的顺序拖入镜头片段。此时不需要立刻处理转场先把素材排对位置。建议把音频轨道分成两层一层放入之前用 ffmpeg 截取的前奏音频另一层留空作为后续添加环境音或淡入淡出的备用层。7.2 把画面“卡”在音乐事件上这是整个制作流程中最需要细调的一步。在音频波形中找到前奏里那些启动节点例如吉他拨片触弦、鼓点进入、空间噪音突然出现的地方。然后把镜头切换点对齐到这些位置。重点提醒观众能感受到的最强画面切换点通常是“声音能量发生突变”的位置而不是每一句话结束的位置。也就是说在同一组安静氛围的画面中间贴正常速度切换即可一旦音乐进入明显节奏镜头切换频率也应该相应增加。7.3 转场尽量克制自制 MV 最容易犯的错误是给每两个镜头之间都加一个转场特效。其实对前奏类音乐 MV最耐看的往往是直接硬切、轻微叠化、短暂黑场这三种手法。硬切适合节奏节点比如鼓点进入的瞬间叠化适合情绪延续比如从雨夜窗外转到室内人物黑场适合段落转折比如前奏快要结束、准备进入人声前的留白。7.4 音频与视频合成如果你使用的是剪辑软件在时间轴上完成之后直接导出即可。如果你希望只用命令行做一次快速合成也可以先把所有视频片段拼起来再混合音频# 先准备一个列表文件 filelist.txt内容按顺序写 # file shot_01.mp4 # file shot_02.mp4 # file shot_03.mp4 ffmpeg -f concat -safe 0 -i filelist.txt -c copy visual_concat.mp4 ffmpeg -i visual_concat.mp4 -i intro.wav -c:v copy -c:a aac -shortest final_mv.mp4第二条命令的含义是把visual_concat.mp4和intro.wav合成到一个 MP4 文件-shortest表示输出时长以两个输入中较短的一个为准。但说实话在处理音画同步细分操作时剪辑软件时间轴的可视化操作比命令行更稳妥所以这段命令更多用于你已经排好素材、不想再渲染一遍预览文件的场景。7.5 验证输出结果输出完成之后不要只盯着画面看。建议闭上眼睛先听一遍音频记录下“哪一个时间点觉得画面似乎应该变了但没有变”然后再对照画面修正。另外还要检查三个东西每个镜头之间是否存在明显的曝光跳跃。AI 生图的同风格提示词有时也会产生亮度不一致可以在剪辑软件里微调色阶运动镜头是否方向统一。如果你的第一个镜头向左移动第二个镜头又突然向右移动视觉上会显得乱是否所有画面都已经规避了明显的文字与水印。AI 生成图上偶尔会出现乱码般的文字这种画面一旦进入成片会非常醒目需要在选图时直接淘汰。8. 常见问题与排查方法问题现象可能原因排查方式解决方案多个镜头画面风格差异很大提示词偏重主体描述缺少统一的风格锚点查看每个镜头的完整提示词确认风格描述是否完整固定同一组风格关键词重新生成问题镜头人物构图不稳定同一场景生成多张出现人物缺失人物描述过少AI 不理解主体关系把提示词中的人物部分改为更具体的“一个穿深色外套的背影”采用图生图工作流先固定人物姿态再微调环境图片放大或缩小时抖动明显关键帧过多或变化速度过快降低关键帧数量统一首尾关键帧过渡时间使用 Clip 剪辑在剪辑软件的速度曲线中设置缓入缓出音画不同步尤其在鼓点进入后画面切换偏慢剪辑时没有参考音频波形只凭感觉切放大音频波形找到能量突变的准确帧把镜头切换点精确对齐到对应波形峰值生成图片包含乱码文字或水印提示词未排除文字或模型本身稳定性不足检索负面提示词是否包含“text, logo, watermark”增加负面词后重新生成优先选择无文字画面导出视频清晰度明显下降项目分辨率设置偏低或导出码率不足检查项目设置和导出设置使用 1080p 以上分辨率导出码率建议不低于 8Mbps视频画面比例不统一生成图片时没有统一比例后期强行拉伸检查所有图片原始分辨率比例用脚本统一裁剪到 1920x1080再开始剪辑9. 工程与创作建议如果你不是只做这一条 MV而是希望持续用 AI 做音乐可视化类内容下面这些经验可以直接复用。9.1 建立“镜头素材库”不要每次创作都从空提示词开始。把自己偏爱的风格提示词、负面提示词、常用画面主体描述保存成笔记或模板文档。这样下次创作时只需要替换主体部分就能快速得到风格接近的画面。9.2 用表格管理生产进度AI 生成经常需要反复试错。每次生成的镜头编号、提示词、是否采用、存在的问题都应该记录下来。纯凭记忆管理很快会让自己陷入大量重复劳动。一个非常轻量的表格结构可以是镜头编号提示词版本生成时间是否采用修复备注这个表格单次看很麻烦但在最终统一画面色调时会变成非常有用的索引。9.3 注意 AI 生成真实人物的边界如果 MV 画面中需要出现清晰可识别的真实人物、公共人物或类似真人形象请谨慎处理。自制 MV 通常以学习交流为用途但如果涉及发布和传播真实人物肖像相关风险需要由作者自行判断。更安全的方式是采用人物背影、剪影、远景或非真实人物形象。9.4 版权与发布合规提醒给歌曲做 AI 自制 MV本身是一个技术练习和个人创作行为。但只要涉及公开传播就要考虑歌曲本身的版权问题。尤其当作品带有广告、付费或品牌合作性质时音频素材和画面素材的授权都会成为前提条件。更稳妥的方式是把它定位为个人学习作品不在标题或简介中制造广告、商业导流等联想。9.5 不要被工具限制建立自己的“标准”不同平台、不同模型的画面审美差异很大。那些在演示图中看起来很惊艳的效果放到十几张连续镜头里未必成立。项目做得越多你会越清楚自己需要的不是“最炸裂的单张图”而是“稳定、统一、能撑住整段叙事的一批图”。这套判断标准才是 AI 绘画时代真正值得积累的东西。10. 一次跑通后的下一步如果你之前总是在单张 AI 图片里打转这次尝试完整跑通一遍自制 MV应该能帮你建立“图是素材叙事才是成品”的创作观念。后续想进阶还可以尝试几个方向:用图生视频模型替代固定的推拉镜头让雨水、烟雾、窗帘真正动起来为画面加入环境声或者重新混音的音效层让前奏的空间感更强尝试把同一套分镜应用到其他纯音乐作品看你的视觉语言是否能保持稳定如果代码基础允许把提示词拼接、批量生成和素材整理流程写成自己的自动化工具。录制和剪辑工具都在快速更新但“分镜先行、风格统一、音画对齐”这套基础逻辑不会变。下一次再听到某首歌的前奏时你大概率会下意识地开始想如果让我来拍第一帧该是哪里。