想了解这类AI音乐MV具体怎么制作？操作难度高不高？我们把每个步骤拆解清楚。
先说说这类爆款视频的核心特征：大部分画面都是单人站在演唱会或录音棚里现场演唱，甚至构图本身变化很少，全靠提示词驱动人物动作——比如触摸耳机、轻抚胸口、展开双臂等。看似简单，但要生成流畅且自然的动作效果，其实有不少技巧。
本篇教程属于进阶篇，涉及多角度处理技巧，能让画面衔接更连贯。话不多说，直接进入正题。
本期所需工具清单：
- AI绘图工具：Midjourney
- AI视频生成工具：即梦
- 视频剪辑工具：剪映
- 提示词辅助工具：豆包
难度评分：★★★☆☆（三星）
一、素材图片的获取
仔细分析那些爆款AI音乐MV素材，你会发现几乎都是单人、录音棚或舞台的唱歌场景。为了获得更真实的光影效果并提升画面质感，这里我们选用Midjourney生成图片。提示词参考如下：
中景、平视、侧视、略带仰拍，一位20岁的漂亮中国女歌手低头演唱，在录音室里投入地歌唱，戴着耳机，站在大型麦克风前，电影级灯光，真实、逼真。
不得不承认，这张图片在景深和光影方面的质感非常丰富。如果你没有Midjourney，也可以试试即梦，下面是实测效果对比：
二、一图多机位的调整方法
到这一步，单张图片其实已经够用了。但为了丰富镜头语言，我们可以尝试切换多角度。有人可能会问：直接用即梦的Agent功能不行吗？想法没错，但实际测试后效果并不理想。还是老办法更可靠：
直接把图片上传给豆包，输入上面的提示词，就能获得一图多机位的分镜脚本：
脚本字数可能超过400字，手动删减多余部分即可。然后把图片和脚本提示词：
- 放进即梦；
- 选择10秒时长；
- 下载生成的视频，再导入剪映截取静止帧——这样就能得到不同角度的图片素材。
把图片中不合理的元素（比如台标水印）处理掉，挑选几张，多机位效果如下：
三、原始歌曲的音频处理
把下载好的视频拖进剪映，执行音频分离操作。分离之后，重点来了：将歌曲按段落分别导出。核心做法是——每唱一句或两句歌词，就导出对应的音频片段。
这里用到的工具仍然是即梦，四条提示词分别如下：
- 手持镜头，焦点逐渐移到麦克风，深情歌唱，同时抚摸胸口；
- 固定镜头，深情歌唱，自然摆动手臂；
- 固定镜头，张开双臂演唱（这是背面镜头，直接用图生视频即可）；
- 镜头缓慢推近，深情歌唱，边唱边展开手臂；
- 环绕镜头，用手触摸自己的耳机，深情歌唱。
四、剪辑合成
拿到上述所有素材后，开始剪辑。这一步特别需要注意：先将每个素材的视频和音频分离，去掉视频自带的音频，只保留原始歌曲的音频。这个操作对画面流畅度至关重要，否则视频拼接处会出现明显卡顿。
最后总结一下关键点：Midjourney出图质感确实出色；即梦用来做一图多机位虽然需要后期修图，但却是保持人物一致性最快捷的方法。掌握这套流程，你也能做出同款爆款AI音乐MV。
