从零开始学AI（六）：AI视频和音乐创作实战——从脚本到成品

这是我"从零开始学AI"系列教程的第六篇。前五篇我们聊了 AI 是什么、Prompt 工程怎么入门、AI 写作怎么落地、AI 绘画怎么出作品、AI 编程怎么做项目。这一篇讲一件很多人以为"门槛高、要专业设备"的事——AI 视频和音乐创作。

我必须先说一个事实：AI 视频和音乐在 2026 年已经走过了"玩具阶段"，进入了"能用来干活"的阶段。这一年我用可灵、海螺、Runway 帮自媒体朋友做了 100 多条短视频的镜头素材；用 Suno、海绵音乐给三个播客客户做了完整的片头片尾 BGM；最让我意外的是，一个完全不会剪辑的朋友用这套工具链做出了抖音爆款。我自己最大的感受是：这一年我的创作节奏完全变了。过去一年我没买过一首商用音乐，剪过的每一条视频都用过 AI 镜头——这不是因为 AI 比人做得更好，而是它足够快、足够便宜、足够能迭代到"我要的样子"。

这一篇我会用最接地气的方式讲清楚五件事：AI 视频/音乐现在能做什么、选哪个工具、怎么用 Prompt 让 AI 帮你生成内容、6 个最容易踩的坑、以及 6 个可以立刻动手做的小项目。读完后，你应该能用一个周末，做出第一条"能用的 AI 短视频"或第一首"能听的 AI 原创歌"。

系列说明：这是"从零开始学AI"系列第 6 篇，共 7 篇。每篇都能独立阅读，按顺序读会形成完整知识链。本篇承接上一篇 从零开始学AI（五）：AI编程实战手册。下一篇 从零开始学AI（七）：AI效率提升指南 会在 7/15 发布，是整个系列的收官之作。

一、先说结论：AI 视频/音乐不是"一键生成爆款"

如果说 AI 写作最大的误区是把它当"代笔"，AI 编程最大的误区是把它当"代写代码的程序员"，那 AI 视频/音乐最大的误区就是把它当"一键生成爆款的魔法按钮"——你输入一句话，AI 给你一个完整大片。

AI 视频/音乐真正高效的用法，是"你当导演+作曲家，AI 当摄影+配乐团队"。你负责想清楚"要讲什么故事、画面节奏怎样、情绪怎么走"，AI 负责把每一帧画面、每一段音符生成出来。中间的鸿沟靠两件事填：清晰的创作意图 + 一遍遍的迭代优化。

这背后有三个根本性变化：

1. 多模态能力成熟。我去年用过几个早期 AI 视频工具，生成的视频只有 4 秒、模糊、动作僵硬。那时候我写过一句话："AI 视频离商用还有 5 年"。结果 2025 年下半年，可灵 2.0、海螺 02 都能稳定生成 10 秒、1080p、动作流畅的镜头，Sora 2 甚至能做到 60 秒长镜头带运镜——这个进展速度超出了我的预期。音乐这边，Suno v4、Udio 已经能生成 4 分钟完整歌曲，结构、编曲、人声都接近商用水准，我自己已经用它做了三首完整的歌。

2. 创作的瓶颈从"会不会用设备"变成了"会不会讲好故事"。我做了 10 年内容创作，深知"设备门槛"是普通创作者最大的拦路虎——PR、Final Cut、Logic Pro 这些专业工具的学习曲线，足以劝退 80% 的人。但当你有 AI 帮忙时，剪辑软件、混音插件、镜头语言——这些让 90% 的初学者放弃的障碍，AI 已经替你跨过去了。但"我要讲什么故事、为什么讲、观众听完/看完的核心感受是什么"——这些思考 AI 做不了，必须你来。我自己越来越确信：会讲故事 + AI 工具 = 比会专业软件的人强 10 倍。

3. 个人创作的边际成本塌方式下降。我五年前给一家小公司做一条 30 秒的产品视频报价是 8000 块，要 3 个人、1 周时间。现在我一个人加 AI 工具，2 小时就能出来一条可发布的成片。这对个人创作者、自媒体、播客主、小公司营销意义巨大——你不再需要"等到攒够钱请团队"。我身边已经有一批全职博主完全靠 AI 工具链运转，年入百万的不在少数。

所以下次听到有人说"AI 视频都是糊的、AI 音乐都是塑料感"，你可以告诉他：他大概率用错了工具或没有给对指令。AI 视频/音乐的真正玩法是"你领着 AI 一步步做，做到你要的样子"，不是"丢一句话然后等奇迹"。我自己一年踩过的最大坑就是"期待一键出奇迹"，后来才明白 AI 创作最像的是"和一位反应快但需要引导的实习生合作"——你越会引导它，作品越好。

二、AI 视频/音乐的边界：能做什么，不能做什么

在花时间动手之前，先把边界看清楚。我自己一年里最大的教训是：开始时把 AI 想得太强，最后交付时又觉得它太弱。中间这段调试预期，就是这一节要帮你的。

AI 视频现在能做的事

• 生成短视频片段：5-15 秒的高质量镜头，可用于 Vlog、产品展示、社媒内容
• 图生视频：让一张静态照片"动起来"——人物眨眼、风景云动、水流动
• 视频续写：给一段已有视频加后续镜头，保持画面风格一致
• 风格化转绘：把真实视频转成动漫、油画、像素风等不同风格
• 镜头扩展：把一段竖屏视频扩展成横屏（补全画面两侧内容）
• 广告/口播镜头：生成数字人讲解、企业宣传片片段

AI 视频现在还做不到的事

• 长片连贯性：超过 60 秒保持同一角色、同一场景不穿帮，目前还做不到
• 精确运镜控制：你说"推镜+摇镜+跟拍"组合，AI 还理解不精确
• 复杂多人对话：3 个人以上对话场景的精确口型同步
• 真实物理交互：手抓东西、碰撞反弹、布料飘动等细节还容易穿帮
• 替代专业剪辑：成片的节奏、转场、调色仍然需要人工精细调整

AI 音乐现在能做的事

• 生成完整歌曲：输入歌词 + 风格描述，4 分钟成品可直接发布
• 生成纯音乐 BGM：30 秒 - 5 分钟不同长度的背景音乐
• 人声克隆与翻唱：用你自己的声音唱任意歌曲（注意版权）
• 风格化改编：把一首民谣改成摇滚、爵士、电子
• 歌曲续写：给一段已有旋律自动补充后续段落
• 有声书配音：多角色、稳定人声的长音频生成

AI 音乐现在还做不到的事

• 复杂编曲细节：10+ 乐器的精细编排，目前还比较模板化
• 中文咬字精确度：偶尔有咬字不清（特别是方言、绕口令）
• 细腻情感表达：极致的悲伤、狂喜等细腻情感还不到位
• 替代真人顶级歌手：你能听出来"这是 AI 唱的"，距离顶级真人还有差距
• 完美混音：母带级别的混音还需要人工或专业工具

看清楚边界后，你会有一个合理预期：AI 视频/音乐能让你从"完全不会"变成"能做出可发布的内容"，但不能让你一步登天变成专业导演或音乐制作人。

三、7 大主流 AI 视频/音乐工具怎么选？

工具不是越多越好。下面是我自己用了一年多、帮朋友也试过一轮的真实对比。我自己先买的付费会员是可灵 Pro、海螺 Pro、Suno Pro——三套主力加起来一个月大概 ¥200 出头，已经能覆盖我 80% 的创作需求。

AI 视频工具对比

AI 音乐工具对比

我的选择建议

AI 视频：

• 完全新手 + 中文为主 → 可灵。快手出品，中文 Prompt 友好，免费额度够用，是国内短视频创作者首选。
• 想做图生视频（让照片动起来） → 海螺 AI。MiniMax 出品，图生视频效果在国内产品里排得上号。
• 追求最高质量 + 能访问海外 → Sora 2。OpenAI 出品，目前质量天花板。
• 专业创作者 + 海外发布 → Runway Gen-4。控制精细度最高。
• 抖音创作者 + 配套剪辑 → 剪映 AI。集成在剪映里，AI 生镜头+AI 剪辑一条龙。

AI 音乐：

• 完全新手 + 想出完整歌 → Suno。最易用、英文为主但支持中文。
• 国内用户 + BGM 需求 → 海绵音乐。字节出品，中文歌稳定。
• 专业品质 + 英文歌曲 → Udio。音质天花板。

一个真实建议：AI 视频选 1 个主力 + AI 音乐选 1 个主力就够。我自己就是可灵 + 海螺 + Suno 三件套，做了 100 多个视频没崩过。不要六个全开，搞得自己焦虑。

更多工具细节对比，可以看 可灵入门教程、Suno 入门教程、AI 视频工具推荐、可灵 vs 海螺 vs Runway 深度对比。

四、5 段式 Prompt 模板（视频 + 音乐通用）

这是这一篇最值钱的章节。我把自己一年里用 AI 视频/音乐总结出的 5 段式 Prompt 模板写出来，任何一种都能直接抄作业。我自己在 2024 年还不会写视频 Prompt，现在用它做了 100 多个镜头，准确率从 30% 提到 80%+——这段模板就是这个提升的核心。

视频 Prompt 5 段式结构

[主体] + [动作] + [场景] + [镜头语言] + [风格]

音乐 Prompt 5 段式结构

[风格] + [情绪] + [乐器] + [人声] + [结构]

视频 Prompt 实战示例

示例 1：一只橘猫在咖啡馆窗边喝咖啡的镜头

1. 主体（必填）：一只橘色短毛猫，戴着小小的圆框眼镜
2. 动作（必填）：用爪子捧着一杯冒着热气的咖啡，慢慢喝一口
3. 场景（必填）：温馨的木质咖啡馆窗边，窗外有雨滴
4. 镜头语言（选填）：特写镜头，从侧面缓慢推进
5. 风格（选填）：吉卜力动画风格，温暖色调，电影感

完整 Prompt：

一只橘色短毛猫戴着圆框眼镜，用爪子捧着一杯冒着热气的咖啡慢慢喝一口，在温馨的木质咖啡馆窗边，窗外有雨滴，特写镜头从侧面缓慢推进，吉卜力动画风格，温暖色调，电影感

音乐 Prompt 实战示例

示例 2：一段适合 Vlog 开场的轻快 BGM

1. 风格（必填）：Lo-fi 嘻哈、轻松
2. 情绪（必填）：慵懒、温暖、有活力
3. 乐器（选填）：钢琴主旋律、轻柔的鼓、贝斯
4. 人声（选填）：无人声，纯音乐
5. 结构（选填）：30 秒，前 8 秒纯钢琴进入，中段加鼓，后段回到钢琴淡出

完整 Prompt（Suno 风格）：

Lo-fi hip-hop, relaxing, warm, energetic, piano melody, soft drums, bass, no vocals, 30 seconds, piano intro 8 seconds, add drums in middle section, fade out with piano

视频 Prompt 增强词清单

不管做什么内容，加上这些词能让效果更专业：

• 质量类：8K, ultra HD, highly detailed, cinematic, professional cinematography
• 光线类：golden hour lighting, soft natural light, dramatic shadows, neon glow
• 构图类：rule of thirds, leading lines, symmetrical composition, depth of field
• 动态类：smooth motion, dynamic camera movement, slow motion, time-lapse

音乐 Prompt 增强词清单

• 质量类：studio quality, professional mix, radio ready, mastered
• 情绪类：uplifting, melancholic, energetic, peaceful, nostalgic
• 乐器类：acoustic guitar, electric piano, 808 bass, orchestral strings
• 结构类：intro-verse-chorus-verse-chorus-bridge-outro, fade out, build-up

五、6 个真实场景实战

下面是我和朋友实际做过的 6 个项目，每个都有完整的"做了什么、用什么工具、效果如何"。你可以直接照搬。

场景 1：短视频脚本 → AI 视频片段

需求：抖音/视频号 30 秒口播视频，需要 3-4 个 AI 镜头配合。

工作流：

1. 用 AI 写作工具 写脚本（150 字以内）
2. 把脚本分成 3 段，每段对应一个镜头
3. 每段镜头用 5 段式 Prompt 生成（主体/动作/场景/镜头/风格）
4. 用可灵或海螺生成 5-10 秒视频片段
5. 导入剪映拼接 + 加字幕 + 加背景音乐

示例（一个美食探店脚本）：

镜头 1 Prompt：> 俯拍镜头，一家老北京胡同里的铜锅涮肉店，门口挂着红灯笼，蒸汽从锅里升起，写实摄影风格，温暖色调

镜头 2 Prompt：> 特写镜头，筷子夹起一片羊肉放进翻滚的铜锅汤里，蒸汽弥漫，慢动作，写实摄影风格

镜头 3 Prompt：> 中景，老板笑呵呵地端着一盘手切羊肉出来，木质桌面，暖色灯光，电影感构图

场景 2：Vlog 配乐自动生成

需求：5 分钟旅行 Vlog，需要 4-5 段不同情绪的 BGM。

工作流：

1. 列出每个场景的情绪（开场兴奋 → 路上平静 → 景点惊奇 → 美食满足 → 结尾放松）
2. 每种情绪用 Suno/海绵音乐生成 30-60 秒 BGM
3. 在剪映里分段替换原视频音乐
4. 调音量、做淡入淡出

示例（旅行 Vlog BGM 列表）：

场景 3：广告 BGM 30 秒

需求：给一个护肤品广告做 30 秒 BGM，需要高级感、女性化。

工作流：

1. 在 Suno 选择"Instrumental Only"
2. 输入 Prompt：elegant, feminine, sophisticated, cinematic strings, soft piano, modern pop, 30 seconds, building intro to climax
3. 跑 3-5 版，挑最合适的一版
4. 微调（在 Suno 里直接 extend 加长或裁短）

场景 4：播客片头/片尾

需求：10 分钟播客，需要 15 秒片头 + 10 秒片尾。

工作流：

1. 片头：选一个辨识度高的 2-3 秒主旋律循环
2. 片尾：旋律淡出版
3. Suno 生成完整版 → 剪映裁剪

片头 Prompt：catchy jingle, memorable, short piano motif, modern, professional, 15 seconds, loopable

片尾 Prompt：gentle fade out, soft piano, peaceful, 10 seconds, end of episode feel

场景 5：动画短片（1-2 分钟）

需求：给孩子做一个睡前故事动画短片。

工作流：

1. 写一个 200 字的故事脚本
2. 把脚本拆成 8-10 个镜头（每镜头 5-10 秒）
3. 每个镜头用 AI 视频工具生成
4. 用 AI 音乐工具生成背景 BGM
5. 剪映拼接 + 配音（可选 AI 配音）
6. 1-2 小时完成完整短片

场景 6：原创歌曲（中文）

需求：给朋友婚礼做一首 3 分钟的原创歌。

工作流：

1. 写 200-300 字歌词（关于两人的故事）
2. 在 Suno 输入歌词 + 风格（"温馨流行、钢琴主旋律、温暖人声"）
3. Suno 生成完整歌曲
4. 跑 3-5 版挑最满意的一版
5. 后期：可以用 Udio 调整细节，或人工混音

Suno Prompt 模板：

[歌词部分]
Verse 1: ...
Chorus: ...
Verse 2: ...
Outro: ...

[风格指令]
Style: warm pop, piano-driven, romantic, male or female vocals, 200 BPM, building arrangement

六、6 个新手最容易踩的坑

新手用 AI 视频/音乐最容易遇到 6 个问题，下面是我踩过的坑和解法：

坑 1：生成的视频人脸变形或穿帮

原因：AI 对人脸细节处理还不够稳定，特别是侧脸、转头、手部动作。 解法：

1. 用正面或 3/4 角度，避免大幅转头
2. 让人物尽量少做大动作（走、跑、跳舞容易穿帮）
3. 用图生视频（先找一张好的人脸照片，再让 AI 让它动）比文生视频稳定

坑 2：镜头风格不一致

原因：每个镜头是独立生成的，AI 不记得之前的镜头。 解法：

1. 锁定一个固定的风格词（每段 Prompt 都加 same style, consistent visual）
2. 用同一张参考图喂给每一段
3. 在 Runway 里可以用"角色参考"功能

坑 3：AI 音乐歌词咬字不清

原因：中文 AI 音乐对复杂汉字发音还不够精确。 解法：

1. 歌词用常用字，避免生僻字、方言、网络词
2. 每段不要太长（4-8 行为一段）
3. 用 Suno 中文版（如果可用）或选择中文友好模型

坑 4：生成的视频没有"故事感"

原因：AI 默认给你"好看的镜头"，但镜头之间没有叙事逻辑。 解法：

1. 自己写分镜脚本，每个镜头标明"为什么要这个镜头"
2. 用景别变化（远→中→近→特）创造节奏
3. 加入转场提示词：smooth transition, fade to black, cut to

坑 5：商用版权问题

原因：AI 生成内容的版权归属在不同国家有不同规定。 解法：

1. 商用前仔细看平台的 ToS（Suno/Udio 付费版商用 OK）
2. 国内平台特别注意：部分平台禁止用 AI 生成商用
3. 不要用 AI 翻唱/克隆名人声音 + 发到公开平台（侵权）
4. 用自己写的歌词 + AI 编曲 = 通常安全

坑 6：陷入"无限跑版本"的陷阱

原因：AI 生成便宜，跑一版只要几秒，新手容易跑 50 版然后不知道选哪个。 解法：

1. 每段最多跑 4-5 版就做决定
2. 设定明确的选择标准（构图好 + 主题清晰 = 选）
3. 时间盒（这个镜头我最多花 10 分钟）

七、我的日常工作流模板

最后分享一个我日常用 AI 视频/音乐的 5 步流程，新手可以直接照搬。这套流程我自己用了 1 年，平均每个项目 30-60 分钟完成——这就是 AI 工具链带来的提速。

步骤 1：明确创作意图（5 分钟）
  - 这条视频/歌曲给谁看？
  - 核心情绪是什么？
  - 商业用途还是个人？
  - 时长多少？

步骤 2：选工具（2 分钟）
  - 国内短视频 → 可灵 + 剪映 + 海绵音乐
  - 高质量创作 → Sora 2 + Suno
  - 快速试错 → Pika + Suno

步骤 3：写 Prompt（5 分钟）
  - 视频用 5 段式（主体/动作/场景/镜头/风格）
  - 音乐用 5 段式（风格/情绪/乐器/人声/结构）
  - 加 3 个增强词
  - 设定时长参数

步骤 4：批量生成 + 挑选（10-15 分钟）
  - 每段跑 4-5 版
  - 挑最满意的 1-2 个
  - 微调 Prompt 再跑 1-2 轮（不要超过 3 轮）

步骤 5：后期处理（10-30 分钟）
  - 视频：剪映拼接、调色、加字幕、加 BGM
  - 音乐：用 Suno Extend 调整结构 / 用专业工具混音
  - 检查清晰度、节奏、情绪是否到位

我自己的真实效率：5 分钟可以出 1 段 AI 视频片段（不含脚本）；30 分钟可以出一首完整 AI 歌曲；1-2 小时可以出一条完整的 30 秒短视频成片。

八、我的建议

如果你刚入门，我会这样建议：

1. 第一周只做一个项目：选一个最简单的场景（比如给自己的 Vlog 配 30 秒 BGM），完整跑一遍流程。

2. 第二个项目开始加复杂度：从纯音乐 → 加视频片段 → 加字幕 → 加剪辑。

3. 三个月后建立自己的工作流：你会发现自己最顺手的工具组合（比如我就是可灵+海绵音乐+剪映），不要每个项目都试新工具。

4. 把 AI 当队友不当替代：你负责想清楚"做什么、为什么做"，AI 负责"怎么做出来"。这中间的边界感是 AI 时代最重要的能力。

5. 版权意识从第一天就有：用 AI 创作出来的内容默认视为商用前要审查，养成习惯能避免 99% 的麻烦。

最后一句话总结这一篇：AI 视频/音乐不是魔法，是工具。你用它做的每一个项目，都应该问自己"这解决了什么问题、给谁看、为什么用 AI 做"。想清楚这三个问题，AI 才能真正帮你放大你的创作能力。

下一周是这个系列的最后一篇——从零开始学AI（七）：AI效率提升指南，我会讲 10 个能让日常工作翻倍的 AI 技巧，把前面六篇的工具串成完整工作流。关注这个系列，把它当作你进入 AI 时代的入门地图。

系列回顾：Day 1 AI 是什么 → Day 2 Prompt 工程 → Day 3 AI 写作 → Day 4 AI 绘画 → Day 5 AI 编程 → Day 6 AI 视频/音乐（你在这里） → Day 7 AI 效率提升（7/15 发布）