木水__AI时代的音乐创作：小白独自完成一部音乐MV

木水 AI时代的音乐创作：小白独自完成一部音乐MV 木水 AI时代的音乐创作：小白独自完成一部音乐MV Modified May 13, 2025 • 这些时间点成为了后续分镜设计的基础 二、个人形象建模与图片生成 1. 训练个人AI模型 因为我想在MV中呈现自己的形象，所以必须训练一个能生成"我"的AI模型。 由于我用的是8GB内存的MacBook，跑不动开源的训练工具，所以我选择在线服务Liblib（https://www.liblib.art/）： • 一开始用免费额度尝试了好几次，但效果都不理想 • 找了一些资源学习，最后发现这个视频蛮不错的(https://www.bilibili.com/video/BV11PZSYiEUo/?spm id from=333.788.top right bar window default collection.content.click) • 最终咬牙花了50多元购买了会员 • 增加算力，重新认真打标，调整参数后，终于训练出了一个比较像我的模型 当看到AI生成的"我"出现在屏幕上时，那种奇妙的感觉真的很奇妙，竟然真的出现了一个“我”。 2. 生成图片 有了个人模型后，就开始了漫长的"抽卡"过程： • 根据歌词和我想要的场景编写提示词 • 不断调整参数，生成各种场景下的"我" • 筛选出满意的图片，大约生成了20多张可用的图片 这个过程非常考验耐心，因为即使有了个人模型，生成的效果也会因为提示词、参数设置而有很大差异。有时候生成10张可能只有1张是满意的。 三、视频生成 视频环节，我选择了可灵（https://app.klingai.com/cn/）和即梦（https://app.klingai.com/cn/）这两个平台。 • 两个平台都有免费额度，但做一个完整MV肯定是不够的 • 最终我购买了两个平台的会员（原本只打算买即梦的，因为便宜些） • 后来发现即梦没法针对英文歌词的做口型同步，所以又买了可灵的 视频生成的经验教训： • 人物表情变化不要太大，否则很容易"崩脸"（不像本人） • 需要写好提示词，控制好场景和动作 • 生成环境和光线要尽量保持一致，否则剪辑时会很突兀 原本计划做整首歌的MV，但到第三天晚上实在太累了，决定只完成一半。最终生成了大约20条可用的视频片段。 之前看别人测评说vidu的表情管理比较好，但我没有充值= = 四、口型同步处理 这部分是我事先没想清楚的环节，导致后期工作量增加： • 完成初步剪辑后，才去处理口型同步问题 • 不得不将需要口型的片段单独剪下来 • 去可灵平台单独制作这些片段的口型同步版本 • 然后再重新整合到完整视频中 📚 不过，增加口型之后，明显发现“我”不像我了。 现在回想，更好的方式应该是：在第一版剪辑时，不要使用复杂转场，保持演唱片段的完整性，这样后期处理口型同步时会容易很多。 关于这一步，大家有好的建议都可以提一提，我对视频创作是真的没啥经验。 五、最终剪辑 剪辑环节我选择了剪映，因为界面简单，即使是新手也能快速上手： • 导入所有的素材（音乐、图片、视频片段） • 按照歌曲节奏和歌词内容排列画面 • 添加一些简单的转场效果和字幕 • 导出最终成品 总结与反思 整个过程花了三个半天： • 第一个半天解决了个人形象模型训练的问题 • 第二个半天反复调整分镜和生成图片 • 第三个半天已经很疲惫，草草完成了视频剪辑（画质和镜头语言都比较简单） 学到的几点经验： 1. 关于分镜设计：我发现在MV制作中，让AI来设计分镜表的效果并不理想。最终用到的分镜大多是一开始就在我脑海中的画面，而非AI给出的建议。可能是因为AI给出的分镜过于杂糅，难以用于后续的生图和生视频环节。 2. 关于个人模型训练：这是值得投入时间和少量资金的环节。一个好的个人模型可以大大提高后续制作效率和成品质量。 3. 关于口型同步：这部分应该提前规划，避免后期重复工作。理想的工作流是先确定需要口型同步的片段，在生成这些片段时就考虑口型问题。 结语 AI不仅是工具，更可能是创作伙伴；不仅改变了创作方式，也在重塑创作的本质。当技术门槛不再是障碍，真正的挑战可能是：我们要表达什么？为什么表达？如何在机器辅助下保持表达的真实与独特？ 在这个AI与人类共创的新时代，每个人都有可能成为自己故事的讲述者，自己音乐的创作者，自己影像的导演。技术正在民主化创作的可能，但创作的灵魂仍需由人类注入。 技术的终极目标，不是取代人类的创造力，而是解放它、放大它，让每一个普通人都能突破技术限制，讲述属于自己的故事。 这或许正是AI时代创作的最大意义——不再有"专业"与"业余"的严格边界，只有表达与被理解的真诚渴望。 • 这些时间点成为了后续分镜设计的基础 二、个人形象建模与图片生成 1. 训练个人AI模型 因为我想在MV中呈现自己的形象，所以必须训练一个能生成"我"的AI模型。 由于我用的是8GB内存的MacBook，跑不动开源的训练工具，所以我选择在线服务Liblib（https://www.liblib.art/）： • 一开始用免费额度尝试了好几次，但效果都不理想 • 找了一些资源学习，最后发现这个视频蛮不错的(https://www.bilibili.com/video/BV11PZSYiEUo/?spm id from=333.788.top right bar window default collection.content.click) • 最终咬牙花了50多元购买了会员 • 增加算力，重新认真打标，调整参数后，终于训练出了一个比较像我的模型 当看到AI生成的"我"出现在屏幕上时，那种奇妙的感觉真的很奇妙，竟然真的出现了一个“我”。 2. 生成图片 有了个人模型后，就开始了漫长的"抽卡"过程： • 根据歌词和我想要的场景编写提示词 • 不断调整参数，生成各种场景下的"我" • 筛选出满意的图片，大约生成了20多张可用的图片 这个过程非常考验耐心，因为即使有了个人模型，生成的效果也会因为提示词、参数设置而有很大差异。有时候生成10张可能只有1张是满意的。 三、视频生成 视频环节，我选择了可灵（https://app.klingai.com/cn/）和即梦（https://app.klingai.com/cn/）这两个平台。 • 两个平台都有免费额度，但做一个完整MV肯定是不够的 • 最终我购买了两个平台的会员（原本只打算买即梦的，因为便宜些） • 后来发现即梦没法针对英文歌词的做口型同步，所以又买了可灵的 视频生成的经验教训： • 人物表情变化不要太大，否则很容易"崩脸"（不像本人） • 需要写好提示词，控制好场景和动作 • 生成环境和光线要尽量保持一致，否则剪辑时会很突兀 原本计划做整首歌的MV，但到第三天晚上实在太累了，决定只完成一半。最终生成了大约20条可用的视频片段。 之前看别人测评说vidu的表情管理比较好，但我没有充值= = 四、口型同步处理 这部分是我事先没想清楚的环节，导致后期工作量增加： • 完成初步剪辑后，才去处理口型同步问题 • 不得不将需要口型的片段单独剪下来 • 去可灵平台单独制作这些片段的口型同步版本 • 然后再重新整合到完整视频中 📚 不过，增加口型之后，明显发现“我”不像我了。 不过，增加口型之后，明显发现“我”不像我了。 现在回想，更好的方式应该是：在第一版剪辑时，不要使用复杂转场，保持演唱片段的完整性，这样后期处理口型同步时会容易很多。 关于这一步，大家有好的建议都可以提一提，我对视频创作是真的没啥经验。 五、最终剪辑 剪辑环节我选择了剪映，因为界面简单，即使是新手也能快速上手： • 导入所有的素材（音乐、图片、视频片段） • 按照歌曲节奏和歌词内容排列画面 • 添加一些简单的转场效果和字幕 • 导出最终成品 总结与反思 整个过程花了三个半天： • 第一个半天解决了个人形象模型训练的问题 • 第二个半天反复调整分镜和生成图片 • 第三个半天已经很疲惫，草草完成了视频剪辑（画质和镜头语言都比较简单） 学到的几点经验： 1. 关于分镜设计：我发现在MV制作中，让AI来设计分镜表的效果并不理想。最终用到的分镜大多是一开始就在我脑海中的画面，而非AI给出的建议。可能是因为AI给出的分镜过于杂糅，难以用于后续的生图和生视频环节。 2. 关于个人模型训练：这是值得投入时间和少量资金的环节。一个好的个人模型可以大大提高后续制作效率和成品质量。 3. 关于口型同步：这部分应该提前规划，避免后期重复工作。理想的工作流是先确定需要口型同步的片段，在生成这些片段时就考虑口型问题。 结语 AI不仅是工具，更可能是创作伙伴；不仅改变了创作方式，也在重塑创作的本质。当技术门槛不再是障碍，真正的挑战可能是：我们要表达什么？为什么表达？如何在机器辅助下保持表达的真实与独特？ 在这个AI与人类共创的新时代，每个人都有可能成为自己故事的讲述者，自己音乐的创作者，自己影像的导演。技术正在民主化创作的可能，但创作的灵魂仍需由人类注入。 技术的终极目标，不是取代人类的创造力，而是解放它、放大它，让每一个普通人都能突破技术限制，讲述属于自己的故事。 这或许正是AI时代创作的最大意义——不再有"专业"与"业余"的严格边界，只有表达与被理解的真诚渴望。 初衷 五一假期，我决定在家宅着，制作一首属于自己的歌曲，并做成MV。这个想法源于几个方面：一是我一直很喜欢音乐；二是回忆起上学时期曾尝试创作歌曲但没能完成的遗憾；三是我想在这个AI蓬勃发展的时代，探索如何利用这些新工具进行个人创作。 📍 最终成品如下： 最终成品如下： （写到这里我发现，微信视频号的视频没法直接分享过来= =，那我就放个B站的） 作为一个对音乐和视频制作都是门外汉的普通人，我从零开始，用了三个半天的时间，终于完成了这个音乐MV。虽然成品还有很多不足，但这次经历让我深刻体会到——AI真的可以极大地降低创作门槛，让普通人也能完成过去需要专业团队才能做到的事情。 我想分享我的整个工作流，希望能给同样想尝试的朋友一些参考。也欢迎各位大佬提意见，我的流程还是蛮粗糙的。 我的工作流 ❤️ 整个MV制作主要分为三大环节：音乐制作、视频/图片生成、最终剪辑。 整个MV制作主要分为三大环节：音乐制作、视频/图片生成、最终剪辑。 一、音乐环节 1. 歌曲创作 我使用了Suno的V4版本，suno现在已经到V4.5了，但我没充值会员（$20/m）。https://suno.com/ 我用的是十几年前写好的歌词，这些文字终于有机会变成真正的歌曲了！ 具体步骤是： • 首先让几个大语言模型帮我分析歌词的意境和情感 • 从分析结果中提取关键词和标签 • 将这些标签输入到Suno的V4版本中 • 录制自己唱歌的声音作为参考（唱的旋律会影响AI生成的音乐风格） • 经过多次尝试后，选择了最满意的一个版本 这个过程充满了惊喜，每次生成的结果都有不同的风格，就像是与不同的音乐人合作。最终当我听到那个"对味"的版本时，那种感动真的难以言表——十几年前写下的文字，现在真的变成了一首完整的歌！ 2. 歌词时间轴处理 有了歌曲后，下一步是确定每句歌词的准确时间点，为后续的视频制作做准备： • 我用了歌词滚动姬(https://lrc maker.github.io/ /)来手动打标（这一步大家看看有没有提效的方式） • 生成了LRC文件后，放到cursor或者trae里处理 • 整理出每句歌词的开始时间和持续时长