如何制作一段 AI 说唱视频

1. 选一张合适的照片

照片是决定结果的最大因素。模型需要的是一张能看清脸的照片：单人、正对镜头、露出头部和肩膀、光线均匀、眼睛和鼻子没有被强阴影压住。

毁掉它的是任何遮住脸或改变脸型的东西。墨镜去掉了眼睛，而眼睛正是观众判断“这张脸是真的”的地方；重度美颜抹掉了模型用来认住你的那些小不对称，输出就会漂向一张通用脸；合照逼模型去挑人，而它经常挑错；侧脸和俯角藏掉半张脸，剩下的半张模型自己编。

白天、纯色墙前的一张手机自拍已经接近理想。你不需要影棚，你需要一张模型真能看清的脸。

2. 给一个歌词用得上的主题

说唱需要有具体的东西可唱。“夏天”几乎什么也没给模型，词就出得泛。“搬到一座没人认识我的城市的那年夏天”给了一个场景、一种情绪、一个细节，词立刻就利了。

如果你有想放进歌里的名字、地点或一个梗，直接写进主题。模型是围绕你给的东西写的，而“具体”正是“有个人感”和“像凑数”之间的分界线。

3. 选择一个时长

时长是“完整”和“风险”之间的取舍。5 秒是一条钩子：渲染快、便宜，而且短到模型没时间漂。15 秒是一小段完整的词加一个 hook，但它给模型更多帧去维持脸的一致，所以对照片更不宽容。

1 积分对应 1 秒视频，所以 5 秒花 5 积分，15 秒花 15 积分。如果你在试一张照片，先渲 5 秒。脸稳住了，再把积分花在长的那条上。

4. 确认授权并生成

渲染开始前，你要确认这张照片是你本人的、或你已获得照片中人物的许可，并且对方是成年人、不是公众人物。这不是走过场，这是“创作工具”和“拿来造非自愿内容的工具”之间那条线。

确认之后，渲染在后台跑，通常两到八分钟完成。你可以关掉页面，成片会在“我的视频”里等你；如果生成失败，积分会自动退回余额。

5. 下载并分享

生成完成后下载 MP4。文件无水印，已经是 9:16 竖屏，直接放进 Reels、Shorts 或抖音都不会被裁。

成片在站内会标注为 AI 生成，这个标注在你发布时仍然重要：分享时请说明这是 AI 做的。这既是诚实，也是让这个格式能继续被大家用下去的前提。

为什么有些结果会崩

几乎所有翻车都能追到五个原因之一。照片藏了脸（墨镜、滤镜、角度）；照片的表情和片段需要的表情不匹配，模型只好造一个；照片的光线和场景的光线打架，即使脸很干净也读着不对；片子长到脸开始漂；或者主题太虚，词撑不住。

修这些问题，不是去找一个更好的设置，而是给模型一张清晰的脸、一个具体的主题、一段足够短的片子、一种属于那个场景的光线。这四件事做到，渲染就拿到了它需要的一切。

为什么前两秒最要紧

在信息流里，观众在前两秒就决定要不要留。也就是说，开场那一帧得把活干完：脸看得见、表情是活的、动作已经在进行。那种慢慢铺垫、把最好的帧留到第四秒的版本，在揭晓之前就把人丢了。

选哪一条发布时，按前两秒来判断，而不是按结尾。如果一开始这张脸没读成真人，后面再多好料也救不回观看时长。

怎么写一个能出好词的主题

一个好主题里要有场景、有情绪、至少有一个具体细节。“我第一间租的房”太薄；“那间暖气整夜响、我却还是睡不着的第一间房”才是主题，因为它给了词一个声音、一个地方和一处矛盾可以玩。

最常见的错误是把“类别”当成“瞬间”。“夏天”“钱”“朋友”都是类别，写出来的句子放在谁身上都成立；瞬间写出来的句子只可能属于你，而那正是“把自己的脸放进视频”的意义。

卡住的时候，把主题写成像你平时跟朋友说出口的一句话。那句话里通常已经有钩子了，模型只需要听见它。

积分和时长到底怎么对上

因为 1 积分等于 1 秒，你选的时长就是你花的量。试 5 秒花 5 积分，10 秒花 10 积分，完整 15 秒花 15 积分。积分包一次买、积分不过期，所以用一条短片去试一张照片，相对最终成片的成本几乎可以忽略。

实际的节奏是：先试短，再上长的。换一张新照片，先渲一条 5 秒。五秒里脸稳得住，十五秒基本也稳得住；五秒里已经漂了，越长的渲染只会漂得更多，那你就花了三倍积分学到同一件事。

如果渲染失败，积分会自动退回余额，所以一次失败只会花掉你的时间，不花积分。

常见错误

上传一张已经修过图、准备发朋友圈的照片。照搬别人的片子、却指望一样的构图。主题赶时间随便写。照片还没验证就先渲最长的。同一个坏掉的条件反复重渲，却不换照片。这些每一个都在浪费积分，而知道哪个变量真正决定结果之后，每一个都很容易避开。

怎么判断自己这条做得行不行

先关掉声音看一遍，再打开声音看一遍。关声音时只问一个问题：这读起来是一个真人在做一件事，还是“一张脸贴在一段会动的画面上”？如果是后者，问题几乎总在照片或时长上，不在词上。开声音时，看这些词是不是只有你能说得出。两条都过，这条就值得发；只有第一条过，那主题在下一次渲染前还得再改一轮。

顺序很重要：修脸比修词便宜。脸是选照片的决定，词是写主题的决定；换一张照片不要钱，重写一个主题要花一整轮渲染。所以先判脸，再判词。

接下来怎么做

挑一张清晰正脸的照片，写下你唯一想让这段说唱讲的那件事，先渲一条 5 秒试试。脸稳住了，再做长的那条。如果你想先弄明白这个格式当初为什么火，先读那篇热潮解读。