如何製作 AI MV：用 Beat-Sheet Method（節拍表法）從一首歌做到成片

以前拍一支 MV，需要樂團、場地、攝影團隊，外加一個星期的剪輯。現在你只要一個點子就能做出來：AI 寫歌也唱歌，AI 生成每一顆鏡頭，AI 還能讓你的歌手對著歌詞演唱。

大多數教學只講到「輸入提示詞」為止。它們不會告訴你怎麼讓鏡頭落在節拍上、怎麼讓角色真的唱起來，也不會告訴你整件事要花多少錢。

這篇教學會用一套我們稱為節拍表法的方法，帶你從頭到尾學會如何製作 AI MV。你會做出歌曲、以小節規劃鏡頭、打造一位能唱副歌的歌手、生成 B-roll、在強拍上剪接，並用正確的方式發布。我們用三種方式替一支 60 秒的影片算價，最低 520 點起。

除了把片段拖到時間軸上，你不需要任何剪輯技巧。

AI MV 由什麼組成

大多數 AI MV 由三個部分構成：歌曲、歌手的演唱鏡頭，以及圍繞音樂講述故事的 B-roll 鏡頭。每個部分都來自不同的 AI 工具。

歌曲

AI 音樂生成器會寫出音樂，你想要的話也能寫歌詞，然後把它唱出來。你會拿到一首已經混音完成的曲子，其他一切都圍繞它來打造。

演唱鏡頭

這些是角色對著鏡頭唱歌的鏡頭。做法是用歌曲的人聲讓一張肖像動起來，讓嘴唇跟著歌詞動。

B-roll

其他所有鏡頭：夜晚的城市、公路上的車、彈鋼琴的手。這些是用文字提示詞或起始圖片生成的短片段，依歌曲的節奏剪接。

在 Imgveo 上，這三者都來自同一個點數餘額：AI 音樂生成器、負責演唱的 AI 照片說話工具和 AI 對嘴，以及負責 B-roll 的 26 款影片模型。

如何製作 AI MV：節拍表法

先寫歌，把每顆鏡頭對應到若干小節，然後才生成影片。這就是節拍表法。

為什麼歌曲要先做

影片模型通常生成固定長度的片段，例如 5、8、10 或 15 秒。歌曲則是以小節來計算。如果你在知道歌曲的速度和段落之前就生成影片，剪接點就會和音樂打架。

為什麼用小節，而不是秒

小節是你的耳朵不用刻意就會追蹤的音樂單位。落在一小節第一拍（也就是強拍）上的剪接，感覺就是對的。落在小節中間的剪接則顯得很隨機，即使觀眾說不出原因。

節拍表長什麼樣子

節拍表是一張簡單的表格：歌曲段落、開始時間、小節數，以及你要放在那裡的鏡頭。你會在步驟 2 做出一張。

接下來是八個步驟。

步驟 1：做出歌曲

在做任何其他事之前先生成歌曲，第一支影片選擇一到兩分鐘的長度。短一點的歌能讓鏡頭數量和成本都維持在可控範圍。

選擇模式

在 Describe mode 中，你寫一句話（曲風、情緒和主題），AI 就會寫出歌詞和音樂。在 Lyrics mode 中，你貼上自己的歌詞，並設定歌名、風格、嗓音和長度：30 秒，或 1 到 4 分鐘。

做 MV 請用 Lyrics mode。你會知道每一個字，比較容易替每一句規劃鏡頭，而且長度由你掌控。

標記段落

把 [Verse] 和 [Chorus] 這類段落標籤各自獨立放一行，置於所屬歌詞的上方。歌曲的段落清楚，節拍表的段落就清楚。

從兩個版本中挑一個

每次執行花 20 點，會回傳兩個不同版本的歌曲。挑副歌人聲最清楚、最響亮的那一版：這會讓步驟 4 的演唱鏡頭容易得多。

每首歌都附有自己的封面圖，像這張就來自一次原聲流行歌曲的測試。把它當成你視覺風格的參考。

步驟 2：找出速度並建立節拍表

找出歌曲的速度（BPM），把小節換算成秒，再寫下每個段落要放哪顆鏡頭。這個 10 分鐘的步驟，能省下你好幾個小時的重新生成。

找出 BPM

播放歌曲，用任何免費的 BPM 計數器跟著打拍子，或讓你的剪輯軟體用節拍偵測自動找出來。大多數流行歌落在 90 到 130 BPM 之間。

把小節換算成秒

在 4/4 拍中，一小節是 4 拍。公式很簡單：每小節秒數 = 240 ÷ BPM。

在 120 BPM 下，一個 4 小節的樂句剛好 8 秒，正好是一支 Veo 3.1 片段的長度。在其他速度下，就生成下一個更長的長度，再修剪到小節上。

寫出節拍表

以下是一個 120 BPM、60 秒的範例：

把演唱鏡頭放在副歌。那是觀眾會記住的部分，通常也是人聲最清楚的部分。

步驟 3：打造你的歌手

替你的歌手做一張肖像，每顆鏡頭都重複使用它。從第一格到最後一格，讓臉孔保持一致的就是這一張圖。

肖像需要符合什麼條件

步驟 4 的演唱工具是從照片讓臉動起來的，所以這張肖像必須容易做成動畫：

• 臉朝向鏡頭，或只稍微側轉
• 嘴巴閉合、放鬆，表情中性或柔和
• 臉部光線均勻，沒有頭髮或手擋住嘴巴
• 畫面中只有一個人
• 每邊至少 300 像素；越大越好

怎麼做出來

用文生圖生成歌手；如果想要風格化的造型，就用 AI 角色生成器。在大多數圖片模型上，一張肖像大約 5 到 10 點。多做幾張，挑一張，然後就固定用它。

讓角色保持一致

拍到歌手的 B-roll 鏡頭，也用同一張肖像當起始圖片。我們的角色一致性指南涵蓋了其他技巧。

步驟 4：讓歌手開口演唱

把副歌的人聲修剪成一段短音訊檔，再用它讓肖像動起來。有兩種做法。

路線 A：照片說話（一步完成）

把肖像和人聲片段上傳到 AI 照片說話工具。臉會唱出歌詞，頭部和肩膀也會有輕微的動作。

• 長度：Standard（720p）和 HD（1080p）最長 15 秒，Cinematic（1080p）最長 30 秒
• 價格：每秒音訊 8、16 或 27 點
• 音訊：MP3、WAV、M4A 或 AAC，最大 10 MB

影片長度大約等於你上傳的音訊長度，所以請依節拍表上的小節修剪音訊。

路線 B：先做動態，再對嘴（兩步完成）

首先，用肖像搭配這樣的提示詞生成一支演唱片段：「歌手隨音樂擺動，對著一支復古麥克風唱歌，舞台燈光」。然後把這支片段和人聲上傳到 AI 對嘴，它會重新繪製嘴型來配合。

• 適用時機：你想要歌手周圍有運鏡、手勢或舞台
• 價格：影片片段的費用，加上對嘴每秒 8 點
• 影片：2–60 秒，臉部清楚

唱歌的技巧（比說話難）

唱歌比說話更難做成動畫，因為母音拉得更長，伴奏也會和人聲互相競爭。

• 挑你手上最乾淨的人聲段落，也就是人聲比樂器大聲的地方。
• 修掉開頭和結尾的靜音；每一秒你都要付費。
• 先在 Standard 上測試 5–10 秒，再到更高等級上跑完整的副歌。
• 如果嘴唇跟著鼓聲動，試試伴奏較稀疏的段落，或用音訊編輯軟體做出只有人聲的版本。

用一張肖像和一段 6.5 秒的說話音訊，在 Standard 上做出的照片說話影片。唱副歌的做法也一樣。

步驟 5：生成 B-roll

每顆 B-roll 鏡頭都用圖生影片生成，從一張符合歌曲風格的靜態圖出發，每顆鏡頭只做一個運鏡。短而只有單一運鏡的鏡頭，剪在一起的效果遠勝過又長又繁忙的鏡頭。

從圖片開始

先替每顆鏡頭生成一張靜態圖（每張幾點），再用圖生影片讓它動起來。從圖片出發能鎖定構圖和色調，讓每顆鏡頭看起來都屬於同一支影片。

每顆鏡頭一個運鏡

把運鏡寫進提示詞：「緩慢推近」、「向左環繞」、「固定鏡頭，風吹動窗簾」。每支片段只有一個運鏡，剪接就會很乾淨。

依預算選模型

Veo 3.1 一律會生成聲音，Seedance 2 Mini 也可以；反正你在歌曲底下都會把片段靜音。各款模型的價格和長度，請見 26 款 AI 影片模型比較。

多生成一點

當某個空檔和片段長度對不上時，就生成下一個更長的長度，在剪輯時修剪到小節上。在 120 BPM 下，8 秒片段剛好填滿 4 小節的空檔，這也是下面的成本計算都用它的原因。

步驟 6：在節拍上剪接

先把歌曲鋪上去，再讓每顆鏡頭都在強拍上切換。任何剪輯軟體都可以：CapCut、DaVinci Resolve、Premiere Pro 或 iMovie。

建立時間軸

1. 匯入歌曲，先把它放上時間軸。
2. 在每個段落開始的強拍加上標記。有些剪輯軟體能自動幫你放節拍標記；其他軟體則在歌曲播放時按標記快捷鍵。
3. 依照節拍表的順序放入鏡頭，把每顆修剪到對應的標記。
4. 把片段本身的音訊靜音，只讓歌曲播放。

剪接技巧

• 在強拍上剪，不要在歌詞上剪。
• 副歌換鏡頭要快，主歌則慢一點。
• 演唱鏡頭要撐完它正在唱的那一句；絕對不要在字唱到一半時剪掉。
• 讓剪接前後的動態相呼應：如果前一顆鏡頭推近，下一顆可以從近景開始。

步驟 7：放大並匯出

如果你的鏡頭是 720p，就用 720p 剪輯，再把剪好的影片放大一次。這比用更高解析度生成每一顆鏡頭便宜。

放大最終剪輯版

把剪好的影片上傳到 AI 影片放大工具：MP4 或 MOV，60 秒、100 MB 以內。社群用途選 1080p（每秒 3 點），YouTube 母帶選 4K（每秒 9 點）。歌曲的音訊會原封不動地複製過去。

超過 60 秒的影片，就分段放大。什麼時候該放大、什麼時候該原生渲染，請見原生 4K 與放大 AI 影片比較。

依平台匯出

• YouTube：16:9，1080p 或 4K
• TikTok、Reels、Shorts：9:16，1080 × 1920；從步驟 5 就開始規劃直式構圖
• Instagram 貼文：4:5 或 1:1

步驟 8：用正確的方式發布

當 AI 音樂是影片的主角時，請揭露它，並保留你製作過程的紀錄。MV 正是 YouTube 的 AI 揭露規範所描述的情況。

在 YouTube 上揭露

YouTube 要求創作者揭露「生成作為影片主要焦點的音樂」的 AI 生成內容。揭露並不會限制觸及率或營利。我們的在 YouTube 上使用 AI 音樂指南詳細說明了揭露、著作權和 Content ID。

保留你的紀錄

保存歌曲的歌詞和設定、你的規劃、日期，以及每一支片段。萬一哪天出現版權聲明或疑問，你五分鐘內就能拿出答案。

尊重真實人物

不要做模仿真實歌手的歌曲，也不要未經同意就讓真實人物的臉動起來。提到真實藝人名字的歌曲提示詞會被拒絕，而且兩種演唱工具都會要求你確認自己有權使用那張臉和那個聲音。

一支 60 秒 AI MV 要花多少

一支完整的 60 秒 AI MV 大約要 520 到 1,850 點，取決於你選的模型。以下是上面那張節拍表的三種版本：20 秒演唱（副歌和最後一句），加上由五顆 8 秒鏡頭組成的 40 秒 B-roll。

預留重拍的空間

為你會重做的鏡頭多預留 30–50%。生成失敗會自動退還點數，所以你只需要為完成的鏡次付費。反覆嘗試的完整算法，請見 AI 影片到底要花多少錢。

可以省在哪裡

• B-roll 先用 480p 或 720p 打草稿，再放大最終剪輯版。
• 演唱鏡頭保持簡短：一段副歌，而不是整首歌。
• 重複使用靜態圖：一張好圖可以撐起兩三顆鏡頭。

常見狀況與解法

大多數 AI MV 的問題出在規劃，而不是模型。以下是我們最常看到的五種。

剪接感覺沒對到拍

你是在歌詞上剪，而不是在強拍上剪。把標記重新放到每小節的第 1 拍上，讓每個剪接點都吸附到標記。

歌手的嘴型對不上

那一段的伴奏太大聲，或肖像的嘴巴是張開的。改用人聲更乾淨的段落，以及嘴巴閉合的肖像。

歌手每顆鏡頭長得都不一樣

你只用文字生成歌手的 B-roll。每顆有歌手的鏡頭都要從同一張肖像開始。

鏡頭看起來不像同一支影片

每顆鏡頭用了不同的風格。用相同的風格詞和色調生成靜態圖，並配合歌曲的封面圖。

影片太長

歌曲比節拍表長。在 Lyrics mode 裡設定長度，或在最後一段副歌之後淡出。

常見問題

AI 能做出一整支 MV 嗎？

可以。AI 能寫歌、唱歌，生成每一顆鏡頭，還能讓歌手動起來演唱歌詞。你仍然需要規劃鏡頭並把它們剪在一起，而這正是節拍表法派上用場的地方。

怎麼讓 AI 角色唱歌？

把歌曲的人聲修剪到最多 15 秒（Cinematic 等級為 30 秒），再用 AI 照片說話工具讓一張正面肖像跟著它動起來。想要更多動作的話，先生成一支歌手的片段，再把它對嘴到人聲上。

做一支 AI MV 要多久？

第一次做一支 60 秒的影片，大約要兩到四個小時：歌曲幾分鐘、生成鏡頭一小時、剪輯一到兩小時。有了節拍表範本之後就會更快。

一支 AI MV 要花多少錢？

在 Imgveo 上，一支 60 秒的影片，低預算配置大約 520 點，原生 1080p 是 1,070 點，進階 4K 版本則約 1,850 點。以 Starter 方案計算，大約是 $6.90、$14.20 和 $24.52。

可以把 AI MV 上傳到 YouTube 嗎？

可以。使用在允許商業用途的方案上做出來的歌曲，並依照 YouTube 政策的要求，在 AI 生成的音樂是影片主要焦點時揭露它。

做 MV 的 B-roll，哪個 AI 模型最好？

低預算草稿用 Veo 3.1 Lite 和 Seedance 2 Mini。要 1080p 的一致角色，用 Kling 3.0。要長的單一鏡次，用 Wan 3.0 或 Seedance 2.5，每支片段可達 30 秒。

結論

要做 AI MV，就先寫歌，用小節規劃每一顆鏡頭，把歌手放在副歌，並在強拍上剪接。這就是節拍表法，它能把一堆 AI 片段變成一支感覺像真正 MV 的作品。

從配樂開始：用 AI 音樂生成器做出你的歌，再圍繞它建立你的節拍表。

延伸閱讀

• YouTube 可以用 AI 音樂嗎？著作權、Content ID 與營利
• AI 影片角色一致性：跨模型完整指南
• 26 款 AI 影片模型比較：規格與價格
• 如何用首尾影格做出更長的 AI 影片