在300万+播放后，聊聊AI音乐MV的基本制作结构，和我关注的事情。

在300万+播放后，聊聊AI音乐MV的基本制作结构，和我关注的事情。 在300万+播放后，聊聊AI音乐MV的基本制作结构，和我关注的事情。 Modified March 14, 2025 2. 基础乐器的描述和组合 3. 主歌、副歌的结构常识 掌握这些知识，对于您在Suno中的创作制作至关重要，否则与AI的沟通效率将大幅降低。当然，你也可以这么写： “给我一首优美动人的歌”。 能不能出来好音乐呢？能，但概率感人。即便偶尔开出了好作品，也只能作为一种玩票的心态看待。作为一个好奇的爱好者试一试是无妨的，可如果你希望认真研究AI音乐，那么我强烈建议您学习最基础的音乐知识。 同时，请打消一些奇怪的念头： 1. 传一首周杰伦上去，复制一堆周杰伦风格的歌 2. 开5首歌就有一首传世之作 3. 超过顶级音乐人和团队的水准 4. 每个发音吐字都清楚（尤其中文） 5. 让Suno模仿某个名人的声音 6. 放弃这些妄念有益于你的身心健康，别被那些“AI要让音乐家彻底失业”的自媒体标题忽悠了，这是AI蓬勃发展的2025年，但不是未来科幻小说。 角色层 歌有了，你还得有个姑娘。 建立角色资产的方式有很多，围绕质感和一致性的要求，路径多种多样。如果您是初学者，或者实在不想折腾，那么最简单的方法就是找一个AI绘画的平台。如果条件允许，Midjourney依然是我推荐的首选。 先忘掉那些复杂的工作流，以目前的AI范式来说，MJ的v6依然是综合体验最好的AI绘画平台。如果条件受限，可以考虑可灵AI、即梦AI等成熟的综合类工具，或者Krea之类的集成平台，基本也能搞定。 至于人物的一致性（比如我的视频里，人物会出现多个面），使用MJ的cref结合sref功能，再加上对人物角度和特征的详细描述，可以部分实现你想要的效果。具体操作指南可搜索“Midjourney 角色参考”之类的文章和视频，网上一把大。 如果您希望追求更极致的一致性，那么恭喜你可以告别睡眠了，正式进入一个AI苦逼创作者的世界，并解锁以下技能点： 1. 尝试理解什么是comfyui。 2. 逼自己了解工作流和节点的意义。 3. 搞明白啥是lora。 4. 混迹C站和openart，保持住纯净的心好好做正经内容。 5. 弄明白Flux、SD这些模型概念的意义。 6. 去B站搜一下 秋葉 总的来说，能理解的朋友用不到我来讲，还不理解的朋友，我在一篇文章里也给您讲不明白。其实我不建议一上来就折腾复杂的本地工作流，在你不能熟练掌握的情况下，可能效果远不如MJ这样封装完整体验的平台。而在这个过程里，创作热情会慢慢被消耗掉，这是非常要命的。 如非必须，切勿折腾。 当然，折腾有折腾的好处，本地工作流和模型的优势在于：高度的可定制性和灵活度。比如Lora依然是目前解决一致性的最佳方式，而且成本已经降到很低。所以， 如果你决心走进本地工作流的世界，那么之后AI创作的上限会打开很多。缺点是： 1. 你可能看了20个视频，依然在为某个节点不工作而发狂。 2. 你没有4090级别的电脑，开一次盲盒大概20分钟。 优点是：这玩意儿看起来真的很酷，你绝对能感受到自己从事了高科技领域工作。 影像层 最后，做动画，对口型。 这一波AI MV的最大亮点，其实就是即梦AI发布的“数字人口型 大师模式”，也就是之前我们一直在提的Omnihuman 1。这个口型的效果无需我再赘述了，可以看我之前的一篇文章： AI.TALK内测即梦OmniHuman 1，这是目前最好的AI数字人产品 访问即梦的网站或者APP，按照下面图示的几个红框重点操作就可以。该传的传，该点的点，不难。在这里要注意的是，目前即梦AI的口型大师模式最长支持15秒的音乐匹配，能自动识别歌曲里的人声，但需要手工把音乐截断成15秒以内的片段，然后再做剪辑。还有就是： 1. 即梦的成功率已经很高，但反复开盲盒的依然是必要的，因为表情每次是随机的，手在个别情况下会崩坏。 2. 多人可以同时唱，但图片质量不要太差，否则会引起AI的锐化，导致塑料感的恼人现象。 3. 请上传类人生物 4. 请不要上传名人肖像 5. 到此为止，你得到了若干15秒以内的影像碎片，接下来就是通过剪辑把它们串联到一起。这个步骤的完成方式因人而异，我推荐的是使用剪映就可以了。还是那个原则，别把事情搞得太复杂，陷入工具主义的陷阱。 在这个过程里，您需要具备一些基本的剪辑技巧。同时如果你希望有一些乐器的特写镜头，人物跳舞的动作来调节气氛，那么可使用AI绘图+AI动画（可灵AI、即梦AI）等工具，也就是传统图生视频单独进行生成。一句话总结：数字人的镜头和乐器、舞蹈等镜头，是需要分开处理的两类资产。 所以，这是一个可以成本很高，也可以成本很低的工作，充满弹性，完全看你对内容的完成度有何种要求。 同时，剪辑是一个依赖个人感觉的工作，一种直觉化的技能。教程只能教会我们如何使用剪辑软件，不能帮我们培养出那种对剪辑的感觉。这是所谓教程最局限的地方：感受不是一种可以用流程去演绎的知识。 所以在此多说两句，我不是一个迷信所谓“专业”的人。在面试一些创作的同学时，我会非常重视他的观影量、读书的喜好、听音乐的数量和体感。这也许有点过激，可事实上，AIGC的出现，就是在稀释创作者表达技法的重要性，而突出感受和创意的必要性，说得冠冕堂皇点，创作的本质就是审美的累积，所以： 1. 写AI的提示词，需要对文学、哲学的体会（参见继刚） 2. 做AI音乐，需要对音乐的感受和理解 3. 做AI影像，需要对电影、视觉艺术的体验累积 AI并没有抹杀基础教育的必要性。我觉得正相反：AI把审美、文学、逻辑、表达这些最基础教育的必要性，提升到了前所未有的高度。这可能是一己之见的胡言乱语，但确是我的真实想法。 所以正如前文所提，我觉得在AI创作的环境下，探讨一些广义审美话题的内容，对创作大有裨益。比如电影、音乐、艺术史、设计、书籍等等。之前有过想法去开个视频系列做分享，被友人劝退了：“你分享这玩意儿，现在估计没啥人听”。 也许真如此。 关注趋势，而非瑕疵 以上就是我试图从自己的角度，对几支AI MV的创作过程进行的一些结构性分享。而 在过去两周的时间里，收到很多朋友对《白色皮卡丘》mv的留言，其中很多建议，在此一并感谢。但也不乏不屑之声，总结如下： 1. 脖子太长 2. 表情太夸张 3. 吉他弹错了 4. 一眼AI，塑料人 5. 肢体动作好假 6. 其实我也承认这里大部分问题都是事实，现在的效果远达不到完美。但我确实不太在乎这些问题，或者说真的一点都不在乎，这并非是不尊重反馈者。而是因为： 这些缺陷迟早都会解决，这是确定性的事，而不确定的，是当技术愈发完善时，我们要拿它做什么。 相比一年前在AI音乐上的尝试，今天的技术能展现的效果简直天壤之别，而这不过是十几个月内发生的事情而已：震撼的并非今天的风景，而是列车行驶的速度。所以我更希望关注“可能性 ”而非 “确定性 ”，关注技术的“ 趋势”而非“ 瑕疵”。 因此，对诸多不屑之声，在此表示尊重，对于出不逊甚至谩骂者，也一并回应： 您，爱看不看。 谁让我是天蝎座。 我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。 我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ AI.TALK内测即梦OmniHuman 1，这是目前最好的AI数字人产品 2. 基础乐器的描述和组合 3. 主歌、副歌的结构常识 掌握这些知识，对于您在Suno中的创作制作至关重要，否则与AI的沟通效率将大幅降低。当然，你也可以这么写： “给我一首优美动人的歌”。 能不能出来好音乐呢？能，但概率感人。即便偶尔开出了好作品，也只能作为一种玩票的心态看待。作为一个好奇的爱好者试一试是无妨的，可如果你希望认真研究AI音乐，那么我强烈建议您学习最基础的音乐知识。 同时，请打消一些奇怪的念头： 1. 传一首周杰伦上去，复制一堆周杰伦风格的歌 2. 开5首歌就有一首传世之作 3. 超过顶级音乐人和团队的水准 4. 每个发音吐字都清楚（尤其中文） 5. 让Suno模仿某个名人的声音 6. 放弃这些妄念有益于你的身心健康，别被那些“AI要让音乐家彻底失业”的自媒体标题忽悠了，这是AI蓬勃发展的2025年，但不是未来科幻小说。 角色层 歌有了，你还得有个姑娘。 建立角色资产的方式有很多，围绕质感和一致性的要求，路径多种多样。如果您是初学者，或者实在不想折腾，那么最简单的方法就是找一个AI绘画的平台。如果条件允许，Midjourney依然是我推荐的首选。 先忘掉那些复杂的工作流，以目前的AI范式来说，MJ的v6依然是综合体验最好的AI绘画平台。如果条件受限，可以考虑可灵AI、即梦AI等成熟的综合类工具，或者Krea之类的集成平台，基本也能搞定。 至于人物的一致性（比如我的视频里，人物会出现多个面），使用MJ的cref结合sref功能，再加上对人物角度和特征的详细描述，可以部分实现你想要的效果。具体操作指南可搜索“Midjourney 角色参考”之类的文章和视频，网上一把大。 如果您希望追求更极致的一致性，那么恭喜你可以告别睡眠了，正式进入一个AI苦逼创作者的世界，并解锁以下技能点： 1. 尝试理解什么是comfyui。 2. 逼自己了解工作流和节点的意义。 3. 搞明白啥是lora。 4. 混迹C站和openart，保持住纯净的心好好做正经内容。 5. 弄明白Flux、SD这些模型概念的意义。 6. 去B站搜一下 秋葉 总的来说，能理解的朋友用不到我来讲，还不理解的朋友，我在一篇文章里也给您讲不明白。其实我不建议一上来就折腾复杂的本地工作流，在你不能熟练掌握的情况下，可能效果远不如MJ这样封装完整体验的平台。而在这个过程里，创作热情会慢慢被消耗掉，这是非常要命的。 如非必须，切勿折腾。 当然，折腾有折腾的好处，本地工作流和模型的优势在于：高度的可定制性和灵活度。比如Lora依然是目前解决一致性的最佳方式，而且成本已经降到很低。所以， 如果你决心走进本地工作流的世界，那么之后AI创作的上限会打开很多。缺点是： 1. 你可能看了20个视频，依然在为某个节点不工作而发狂。 2. 你没有4090级别的电脑，开一次盲盒大概20分钟。 优点是：这玩意儿看起来真的很酷，你绝对能感受到自己从事了高科技领域工作。 影像层 最后，做动画，对口型。 这一波AI MV的最大亮点，其实就是即梦AI发布的“数字人口型 大师模式”，也就是之前我们一直在提的Omnihuman 1。这个口型的效果无需我再赘述了，可以看我之前的一篇文章： AI.TALK内测即梦OmniHuman 1，这是目前最好的AI数字人产品 AI.TALK内测即梦OmniHuman 1，这是目前最好的AI数字人产品 访问即梦的网站或者APP，按照下面图示的几个红框重点操作就可以。该传的传，该点的点，不难。在这里要注意的是，目前即梦AI的口型大师模式最长支持15秒的音乐匹配，能自动识别歌曲里的人声，但需要手工把音乐截断成15秒以内的片段，然后再做剪辑。还有就是： 1. 即梦的成功率已经很高，但反复开盲盒的依然是必要的，因为表情每次是随机的，手在个别情况下会崩坏。 2. 多人可以同时唱，但图片质量不要太差，否则会引起AI的锐化，导致塑料感的恼人现象。 3. 请上传类人生物 4. 请不要上传名人肖像 5. 到此为止，你得到了若干15秒以内的影像碎片，接下来就是通过剪辑把它们串联到一起。这个步骤的完成方式因人而异，我推荐的是使用剪映就可以了。还是那个原则，别把事情搞得太复杂，陷入工具主义的陷阱。 在这个过程里，您需要具备一些基本的剪辑技巧。同时如果你希望有一些乐器的特写镜头，人物跳舞的动作来调节气氛，那么可使用AI绘图+AI动画（可灵AI、即梦AI）等工具，也就是传统图生视频单独进行生成。一句话总结：数字人的镜头和乐器、舞蹈等镜头，是需要分开处理的两类资产。 所以，这是一个可以成本很高，也可以成本很低的工作，充满弹性，完全看你对内容的完成度有何种要求。 同时，剪辑是一个依赖个人感觉的工作，一种直觉化的技能。教程只能教会我们如何使用剪辑软件，不能帮我们培养出那种对剪辑的感觉。这是所谓教程最局限的地方：感受不是一种可以用流程去演绎的知识。 所以在此多说两句，我不是一个迷信所谓“专业”的人。在面试一些创作的同学时，我会非常重视他的观影量、读书的喜好、听音乐的数量和体感。这也许有点过激，可事实上，AIGC的出现，就是在稀释创作者表达技法的重要性，而突出感受和创意的必要性，说得冠冕堂皇点，创作的本质就是审美的累积，所以： 1. 写AI的提示词，需要对文学、哲学的体会（参见继刚） 2. 做AI音乐，需要对音乐的感受和理解 3. 做AI影像，需要对电影、视觉艺术的体验累积 AI并没有抹杀基础教育的必要性。我觉得正相反：AI把审美、文学、逻辑、表达这些最基础教育的必要性，提升到了前所未有的高度。这可能是一己之见的胡言乱语，但确是我的真实想法。 所以正如前文所提，我觉得在AI创作的环境下，探讨一些广义审美话题的内容，对创作大有裨益。比如电影、音乐、艺术史、设计、书籍等等。之前有过想法去开个视频系列做分享，被友人劝退了：“你分享这玩意儿，现在估计没啥人听”。 也许真如此。 关注趋势，而非瑕疵 以上就是我试图从自己的角度，对几支AI MV的创作过程进行的一些结构性分享。而 在过去两周的时间里，收到很多朋友对《白色皮卡丘》mv的留言，其中很多建议，在此一并感谢。但也不乏不屑之声，总结如下： 1. 脖子太长 2. 表情太夸张 3. 吉他弹错了 4. 一眼AI，塑料人 5. 肢体动作好假 6. 其实我也承认这里大部分问题都是事实，现在的效果远达不到完美。但我确实不太在乎这些问题，或者说真的一点都不在乎，这并非是不尊重反馈者。而是因为： 这些缺陷迟早都会解决，这是确定性的事，而不确定的，是当技术愈发完善时，我们要拿它做什么。 相比一年前在AI音乐上的尝试，今天的技术能展现的效果简直天壤之别，而这不过是十几个月内发生的事情而已：震撼的并非今天的风景，而是列车行驶的速度。所以我更希望关注“可能性 ”而非 “确定性 ”，关注技术的“ 趋势”而非“ 瑕疵”。 因此，对诸多不屑之声，在此表示尊重，对于出不逊甚至谩骂者，也一并回应： 您，爱看不看。 谁让我是天蝎座。 我是汗青，AI.TALK创始人，一个6岁开始学美术的AI创作者，也是厮混互联网圈16年的产品经理。我在这里分享对AI技术与媒介的思考。 我的愿景是寻找新技术与媒介艺术的结合方式。如果你同样对这个话题感兴趣，欢迎关注我的公众号和视频作品。 • 商务合作：aitalkgina • 频道视频号：AI.TALK • 个人视频号：汗青HQ 🔗 原文链接： https://mp.weixin.qq.com/s/uVyeR1yI... https://mp.weixin.qq.com/s/uVyeR1yI... 原创 汗青 AI Talk 汗青 AITalk 2025年03月12日 08:00 日本 面对AI，我更关注它的趋势，而不是它的瑕疵。 昨天上线了和即梦AI合作的视频，然后看了一下之前《白色皮卡丘》MV的全网播放量，貌似也接近300多万了。觉得差不多该写点东西，好好聊聊制作它的一些过程和想法。这段时间承蒙厚爱，许多朋友都来询问一些和制作相关的细节，我想用我的方式做一些解答。 先说个题外话：在这个数字里，我观察到一些有趣的现象：1.在海外媒体的播放量接近100万。2.诸多朋友找我来要歌曲的原生MP3。这在以前似乎很难发生。 这让我想到：3月1号卡兹克的场子聊到的观点：别总盯着AI现在的瑕疵，对于一个新技术，更重要的是看趋势。 如何制作 先道个歉，我不是一个做教程的人。事实上，我也很怀疑教程用教程的形式能否和大家说明白这个制作过程。因为在技巧层面，它叠加了多种技术，有很多无法标准化的细节。如果仅在操作层面上抽象这个过程，那么很简单： 1. 做音乐。 2. 做人。 3. 把1和2扔到即梦ai的“数字人 大师模式”里，点生成。 4. 挑一下，剪一下。 5. 做完了。 如果这些就能帮您完成想要的效果，那么皆大欢喜。可我觉得大概并不可行。要是把这个流程细化到详尽的教程呢？估计也大抵徒劳，因为做内容不是去实现某个效果，也不是一个流程化的列表，它大致涉及到： 1. 对多模态AI的应用。 2. 对若干模型的理解（并非All in one）。 3. 一点点对音乐和影视的理解（不要脸地说，可以称之为审美的东西）。 4. 前AI时代的手绘能力。 感谢你看到这里还没关掉页面，事实上我真的考虑过基于以上要点做一个长期的分享系列。但在一个崇拜干货和效率的年代，我寻思可能根本没人听这些玩意儿，更多的时候，人们只想要个1 2 3的执行列表。 所以就像前文所提，我决定用自己的方式讲一下团队去执行这个任务的框架，它将包含： 1. 几个媒介的基本纬度 2. 每个维度上的推荐工具 3. 关注的出发点和要点 我希望这比一个任务列表更有效，毕竟来这文章不是写给AI的，各位不需要一个Prompt，而是需要组织 Prompts的逻辑。 音频层 对，首先你得有首歌，这就像把大象放进冰箱里，你得有个大象。如果音乐对您而言是现成的，可以跳过这一步。 在生成AI音乐的工具上，首推Suno。这其实不是什么新鲜东西，一年前就已经出现在公众视野。你当然可以尝试其他AI音乐的工具。但就个人经验上来说，目前Suno还是效果最理想的，而且它很专注在这个领域。虽然过去一年它做了一堆不知所谓的烂功能，但就核心能力讲，V4的模型效果依然出色。 但只有工具是不够的，使用它的时候，你需要注意一些事情，这也就是我所说的"关注点"。经常有朋友问为什么我用了XXX出来效果和别人的不一样，因为对工具的不同用法，能撬动的创作杠杆是不同的。 所以，我不想讲太多“先点哪后点哪 ”这些操作了，网上真的一搜一大堆。我想在每个层面上都陈述一下我建议的“ 关注点”，它也许能（也许不能）提升使用工具的效率，你可以理解为某种“避坑指南”。 首先，我建议您具备一些音乐的基本知识，这包括： 1. 基本的节拍参数