音樂美學 MV
用途
當使用者想要創作、修改、審查或生成音樂影片提示詞,或需要將音樂、歌詞、排版、參考素材、節奏、表演與鏡頭語言整體設計的情感短片提示詞時,請使用此技能。工作流程將 MV 提示詞規則轉化為 Hub 執行:關鍵創意決定會先經確認,鎖定的提示詞會寫入畫布文字節點,媒體創作則委派給 Hub 代理。
請勿將其用於一般字幕嵌入、通用影片剪輯、非音樂產品廣告,或缺乏 MV 結構的單純單張圖片/單一剪輯請求。
Hub 相容性規則
- 請勿假設可使用第三方工具、shell 腳本、瀏覽器外掛或外部生成 API。
- 將鎖定的提示詞與修改內容寫入 Hub 畫布的文字節點。
- 將角色卡、場景卡、排版卡、影片剪輯、背景音樂與最終組裝委派給 Hub 的圖片、影片、音樂與剪輯代理。
- 請勿硬編碼輸出路徑;一律使用 Hub 回傳的路徑。
- 如果使用者說「跳過確認 / 直接做」,僅對當次運行生效,除非外部協調器有啟用的 session 授權。
- 如果使用者只想要提示詞,交付後即停止。如果使用者想要完成的 MV,則在確認後繼續生成與組裝。
核心原則
- 先理解作品再選擇結構。範本用於組織,但不是強制格式。
- 使用最新確認的創意意圖。
- 省略無關欄位,不要填入佔位符。
- 不要因為預設範本包含,就機械式地加入表演、排版、轉場、鏡頭運動或角色動作。
- 螢幕上的文字是設計的視覺圖層,不是一般字幕,除非使用者明確要求字幕。
- 如果使用者上傳真實歌曲或節拍,除非使用者要求更換,否則它就是主音樂基底。
- 針對長於 15 秒影片的自然多鏡頭拼接:當時長超過模型單次生成限制時,使用「多鏡頭分鏡拆解+尾/頭幀畫面連續+節拍硬切+全域主音訊對齊」。每個片段必須保留相同的律動、速度感、畫面比例、角色邏輯、視覺預設、光線語言與排版運動規則。
- 如果使用者想要完成但無歌詞的音樂美學 MV,請先生成並鎖定原創歌詞。最終 MV 必須同時參考角色卡、排版包裝卡與場景卡。排版包裝卡僅控制文字包裝風格、字體紋理、圖形設計、排版比例與運動語言。
步驟 1:前置鎖定
在撰寫最終製作提示詞前,以簡潔的建議選項確認最低基礎。
1.1 影片格式
提供固定選項:
| 使用情境 | 長寬比 | 解析度 |
|---|---|---|
| TikTok / Reels / Shorts 直立 | 9:16 | 1080×1920 |
| YouTube / Bilibili 橫向 | 16:9 | 1920×1080 |
| 貼文方形 | 1:1 | 1080×1080 |
| 密集直立廣告測試 | 9:16 | 720×1280 |
| 電影寬螢幕 MV | 21:9 | 2560×1080 |
所選的比例必須重複用於角色卡、場景卡、排版參考、鏡頭提示詞、影片剪輯與最終組裝。
1.2 目標時長與多鏡頭結構
在撰寫提示詞或生成影片前,先確認目標 MV 時長。切勿將模型預設值當作使用者意圖。
提供簡潔的時長卡:
- 10 秒測試:一或兩個鏡頭,用於驗證角色、場景、排版與音訊風格。
- 15 秒鉤子:2-4 個短鏡頭,用於更完整的副歌/鉤子/表演段落。
- 30 秒或更長的完整 MV (多鏡頭拼接):由於許多模型有 15 秒單次生成上限,自動使用多鏡頭拼接工作流程。先生成或鎖定一首連續歌曲/BGM,將 30 秒分割為 4-8 個動態的 2-5 秒鏡頭,再透過節拍同步與頭/尾幀連續性進行拼接。
- 自訂時長:使用者提供時長;根據所選模型的單次剪輯限制規劃鏡頭數與拼接方式。
如果存在上傳的音樂,已確認的時長即為音樂視窗長度。
1.3 音樂視窗
如果上傳或指定的音樂長於已確認的時長,請在撰寫提示詞前鎖定一個片段:
- 建議視窗:助理識別最強的副歌/鉤子/情緒轉折點,並請求確認。
- 使用者時間戳:使用者提供起始與結束秒數;驗證兩者均在音訊範圍內。
- 多變體:僅用於廣告鉤子測試或多種創意方向。
如果音樂短於目標時長,除非使用者明確要求拉伸或延長,否則使用完整音訊。
1.3.0 歌詞鎖定與歌詞優先備用方案
在最終影片提示詞或生成之前,決定歌詞所有權:
- 若使用者提供歌詞,則這些歌詞即為鎖定歌詞。除非明確要求,否則不得生成、添加、改寫、擴展、翻譯、改述或替換。
- 若使用者想要完成但無歌詞的音樂美學 MV,則生成與音樂風格、人聲模式、時長、情緒與視覺預設相符的簡短原創歌詞,然後鎖定。
- 鎖定的歌詞是饒舌/歌唱表演與可見排版的唯一文字來源。
- 將鎖定的歌詞分割到每個鏡頭的
Rap line:、Vocal line:、Soft vocal line:或Spoken line:。 - 每個
Typography:欄位必須來自相同的鎖定歌詞。在聲樂表演期間,可見文字必須逐字與演唱的短語相符。 - 在最終的排版 MV 中,表演者必須說唱或演唱鎖定的歌詞,且可見的嘴唇形狀、下巴動作、呼吸、臉部重音、點頭與手勢重音需跟隨短語與節奏。
1.3.1 針對 >15 秒影片的預設多鏡頭拼接
對於 >15 秒的 MV(例如 30 秒),全域多鏡頭提示稿是權威來源:
- 鎖定完整主音訊:鎖定一首連續的歌曲/BGM 音軌,以完整人聲與律動作為唯一的音訊基準。
- 建立鏡頭時間表:將 30 秒分割為 4-8 個 2-5 秒的短鏡頭,精確對應到歌詞時間戳與節拍(如小鼓、808、Drop)。
- 頭/尾幀與場景連續性:如果鏡頭 B 繼續同一場景,則使用鏡頭 A 的尾幀作為鏡頭 B 的頭幀。如果是硬切,則保留相同的角色卡、服裝、光線提示詞,並使用同方向的鏡頭運動或匹配剪接的視覺元素。
- 生成與編輯組裝:影片代理根據鏡頭時間表生成每個鏡頭。剪輯代理將所有片段對齊到全域主音訊的拍點網格,進行修剪、速度調整與拼接,以實現自然的唇形同步、節拍同步與轉場。
步驟 2:創意合約
在最終提示詞之前,建立一份簡潔的創意合約:
- 音樂類型、樂器配置、速度/BPM 感、人聲模式與情緒溫度。
- 歌詞來源與鎖定歌詞。
- 目標時長與多鏡頭拆分(例如 30 秒拆分為 6 個短鏡頭)。
- 參考圖片角色:角色卡、場景卡、排版包裝卡。
- 鏡頭語言、鏡頭尺寸、焦點、節拍剪輯密度與轉場邏輯。
- 排除事項:例如無淡入淡出、無光滑 AI 美女臉、無導致變形的單鏡頭過度拉伸。
步驟 3:參考角色與場景取樣
為每張參考圖片指派單一任務:
- 排版參考卡:僅控制文字包裝風格、字體紋理、圖形設計、排版比例與運動語言。不得貢獻人物或場景。
- 角色參考卡:控制角色身分、臉部氛圍、髮型、服裝輪廓、比例、姿勢與存在感。
- 場景參考卡:控制場景風格、空間氛圍、影像紋理、背景深度與光線情緒。
3.1 近景場景切換與多鏡頭取樣
對於 Trap、Dark-pop、Cyber-grunge 等快節奏 MV,在多個近景空間之間快速切換:
- 保持場景情緒統一,但每個鏡頭的空間必須明顯不同,例如局部背景、隧道、牆面、燈條或反射地板。
- 場景切換必須由音樂衝擊點觸發:重低音、808 Drop、小鼓、人聲重音或排版撞擊。
- 鏡頭切換是 Trap 節拍上的「視覺取樣」:硬切、跳接、掃描故障切、閃切或動作匹配切。
步驟 4:預設語法,以 Dark-pop / Cyber-grunge 與 Trap 為例
視覺與剪輯語言
- 寫實的高級時尚紋理與電影雜誌質感,參考 90 年代末/00 年代初的獨立雜誌、影印紙張、底片掃描與 Zine 拼貼。
- 重顆粒、輕微底片抖動、網點、粗糙印刷邊緣、掃描偏移。
- 剪輯必須僅使用硬切。無淡入淡出、溶解或柔和轉場。
- 影像與排版強烈回應節拍提示:Hi-hat 滾奏產生微晃/幀跳躍、小鼓觸發放大/硬切/肩膀下沉、808 重低音產生低頻壓縮/拉伸/偏移。
排版包裝規則
- 排版是空間中的動態圖形主體,而非字幕條。它可位於前景、中景、背景,或被肩膀/手部遮蔽。
- 文字絕不可遮蓋眼睛或主要臉部表情;在關鍵唇形同步時避免遮蓋嘴巴。
- 有歌聲時,可見文字必須與實際演唱的歌詞完全一致。每個鏡頭僅有一個主要排版事件。
步驟 5:提示詞結構範本
多鏡頭稿本必須按鏡頭模組化,配準確時長與音訊對應:
[全域美學與角色鎖定]:(全域角色與美學錨點提示詞)
鏡頭 1 (0.0 秒 - 3.5 秒)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: 在重低音上硬切至鏡頭 2 / 同方向甩鏡
鏡頭 2 (3.5 秒 - 7.0 秒)
Vocal Line: "..."
Typography: "..."
Visual & Action: ...
Camera & Motion: ...
Transition Out: ...
步驟 6:BGM 連續性與自然多鏡頭拼接系統
6.1 全域音訊連續性
整個 MV 必須綁定一條主音訊。在分段影片生成期間,請勿使用獨立的斷開片段音訊。所有影片片段在剪輯組裝時,都會對齊到主音訊時間軸上的對應時間戳。
6.2 自然拼接協議
針對 >15 秒的拼接,強制執行五項連續性鎖定:
人聲與唇形連續性:切點必須落在歌詞暫停、呼吸、小鼓或 Drop 處。請勿在正在進行的母音或歌詞中間進行硬切,除非下一個鏡頭是帶有連續嘴型的極特寫。
節奏與拍點匹配:切點必須落在 1/4 或 1/8 拍點網格上。使用速度調整來對齊點頭、手勢與眨眼至拍點。
美學與調色:每次跨鏡頭生成都攜帶相同的美學標題提示詞:顆粒程度、LUT 方向與光線方向。最終組裝使用統一的 35mm 底片顆粒與 LUT 來隱藏批次顏色差異。
轉場與運動連續性:對於長鏡頭延續,使用前一鏡頭的尾幀作為下一鏡頭的頭幀,並提示動作的延續。對於硬場景切換,使用動能連續性,例如同方向平移或手部遮蔽匹配剪接。
排版運動拼接:前一鏡頭中的文字應在重低音上碎裂、橫掃或撞擊畫面;下一鏡頭的文字則在重音上撞入或展開,轉移視覺動量。
步驟 7:檢查清單
在交付前默默驗證:
- 若目標時長超過 15 秒,是否已自動使用多鏡頭拆分?
- 是否已鎖定一條全域主音訊,且切點是否與節拍對齊?
- 切點是否避免在歌詞中途斷開人聲,並確保自然的唇形與呼吸連續性?
- 相鄰鏡頭是否有明確的拼接邏輯(如尾/頭延續、同方向運動、匹配剪接或節拍硬切)?
- 剪輯風格是否嚴格為硬切,無淡入淡出或柔和轉場?
- 角色/場景/排版卡是否已隔離,無交叉污染?
- 排版是否為空間圖層,從不遮蓋眼睛或主要臉部表情?
- 影像品質、顆粒、顏色與光線是否全域一致?
步驟 8:畫布交付
在完整的 MV 提示稿鎖定後,將其寫入名為 Complete MV Prompt 或 完整MV Prompt 的專用畫布文字節點。該節點必須包含完整的多鏡頭提示稿與拼接備註。後續修改將更新同一個節點。
步驟 9:最終 MV 生成與組裝工作流程
- 提示詞鎖定與畫布寫入:確認包含時間戳、歌詞對應與轉場邏輯的完整多鏡頭提示稿已寫入畫布。
- 平行鏡頭生成:影片代理根據鏡頭時間表生成每個 2-5 秒的鏡頭。對於延續鏡頭,提取前一鏡頭的尾幀作為下一個 I2V 的頭幀。
- 多軌剪輯與拼接:剪輯代理匯入全域主音訊,將所有鏡頭影片按時間戳對齊,在拍點網格上進行修剪與速度調整,並使用同方向運動或閃切遮罩檢查接縫。
- 後製完成:套用統一的 Movie LUT 與 35mm 底片顆粒疊層,以減少 AI 塑膠感並鎖定視覺一致性。
- 交付:輸出無縫的完整 MV 影片檔案。