从音频生成 AI 音乐视频

先用一句话说明人物或主体、发生的地点，以及歌曲结束前应该出现的情绪变化。这个创意简报比堆砌风格词更有用，因为它让每个镜头都有可判断的目的。

Music2Video 会把音频范围、你的歌词和视觉方向转为可编辑的场景计划；它不会凭空替你决定故事、人物或版权许可。

标记前奏、主歌、副歌、间奏和结尾，再为每个变化安排一个镜头目的。安静段落可以保留更长的画面；能量上升时再提高剪辑密度或运动幅度。

先裁剪正在制作的范围。每个项目最多使用 180 秒裁剪后音频，原始歌曲始终是最终合成时的时间基准。

关键帧负责人物、服装、光线、构图和留白；视频提示词只描述主体动作、镜头运动和镜头结束时的画面。把两类信息混在一起，通常会降低可控性。

先比较开场、副歌和结尾的少量关键帧，再扩大生成。这样可以在视频生成前修正身份或风格漂移。

分镜的标题、时间、歌词、提示词、顺序和启用状态都可以在生成前修改。对于歌词视频，LRC 时间戳会保留；普通歌词需要在场景中校对阅读时长。

单个场景应服务于一个明确的音乐或叙事节拍。不要用大量互不相关的短镜头代替节奏设计。

图片模型用于建立一致的视觉参考，视频模型用于生成镜头运动。口型同步只能使用兼容的 Seedance 模型，并且每个演唱场景不超过 15 秒。

Grok Imagine Video 不支持口型同步。无论是否使用口型同步，最终视频都会重新使用你裁剪后的原始歌曲。

逐一检查切点、歌词可读性、画幅、首尾帧和音频时长。不要用转场掩盖没有对齐的节拍；先让硬切版本与音乐成立。

提交前还应确认你拥有音乐、歌词、人物肖像和参考材料的使用权。上传的原始素材保持私密。