AI 音乐 MV 全流程实操拆解：从一句剧情想法到成片调色，新手也能跑通的影像创作工作流

本文由 莫潇羽@无忆研习社（www.wuyi.wiki） 撰写，转载请注明出处。

快速摘要

这是一份面向 AI 影像新手的完整工作流拆解。我会沿着"想法 → 剧本 → 影调 → 角色 → 分镜 → 视频 → 剪辑调色"这条主轴，把 AI 音乐 MV 制作中绕不过去的十个环节都讲明白：怎么用大语言模型搭出可执行的脚本、怎么用 Nano Banana Pro 做角色一致性、怎么用四宫格/九宫格/多维角度法把一张主视图扩展成几十个可用镜头、怎么用 Kling 和即梦把静态分镜推成动态视频、怎么用剪映完成音乐缩编与统一调色。

核心结论一句话：AI 音乐 MV 是新手入门影像的最佳载体——它绕开了对白与复杂叙事的硬骨头，让你专注练镜头、练节奏、练画面统一。把这条链路跑通一次，你后面再做剧情短片、广告 TVC、自媒体口播包装，底层都是同一套思路。

想看完整拆解，往下翻。

一、为什么选音乐 MV 作为 AI 影像的起手式

我一开始想做 AI 影片，盯上的是叙事短片，结果折腾了两个礼拜，最后那几条片子我自己都不太敢看。问题不在工具，在题材选错了。

叙事短片要解决的事情太多：人物对白要嘴型对得上，剧情推进要靠台词和动作交织，每个镜头之间的因果关系要清楚，再加上 AI 生成时角色一致性本来就是个老大难。新手扛着这五六个变量同时跑，几乎一定崩盘。

音乐 MV 把这几个最难的变量一次性帮你卸下来了。它不要求严格连贯的对白，不要求每个镜头都有明确剧情推进——很多时候它要的就是"情绪与画面贴合"。镜头之间稍微跳一点、节奏稍微碎一点，观众反而觉得是手法。这种容错给新手太大空间。

我自己折腾下来，得出一个判断：AI 影像入门的难度排序，从低到高大致是 MV → 广告 TVC → 自媒体口播 Vlog → 剧情短片 → 长篇微电影。MV 之所以排在最前，因为它的核心技法——镜头库扩张、画面调度、影调统一、节奏剪辑——都是后面所有题材都要用的"地基技能"。把 MV 跑通一次，等于把地基打实了。

更现实一点的说法是：MV 还能让你练对工具。从大语言模型怎么写脚本、Nano Banana Pro 怎么做角色一致性、Kling/即梦怎么生成视频、剪映怎么做转场和调色，整条工具链你只要做一条 MV 都会摸过一遍。后面接其他活儿就是同一套工具的再组合，学习投入产出比非常高。

二、整条工作流的全景地图

在我自己整理的工作笔记里，AI 音乐 MV 是按十个环节推进的，每一环都对应一组工具和心法。这里先把整张地图铺开，让你心里有数，后面再一节一节细讲。

地图看起来环节多，真正跑起来不会十个都摆开。有些环节是一次性的（影调、角色），跑完就锁定；有些是反复迭代的（分镜、视频）；还有些是收尾才做的（剪辑、调色）。新手最常见的错误是把所有环节都当成一锤子买卖，结果做到第七步发现第三步选错了，整条工作流推倒重来。

莫潇羽@无忆研习社给你的提醒是：前三步——想法、脚本、影调——务必先想透。这三步定下来之后，后面所有环节都是技术活儿，遵循流程跑就行。前三步含糊不清，后面再多的工具加持也救不回来。

三、故事脚本：让大语言模型替你搭骨架

写脚本这一步，新手最容易陷的坑是"完全交给 AI"或者"完全自己写"。两个极端都不对。

完全交给 AI 的问题在于：现在的大语言模型写故事，逻辑很容易飘。它会按一个看起来工整的模板给你输出"起承转合 + 高潮反转 + 升华结尾"，但当你拿着这个脚本去抽镜头图的时候，会发现 AI 给的很多设定根本生不出像样的画面——它就是在凑字数。

完全自己写的问题在于：新手缺少结构感，写出来的东西可能很有想法但镜头落不下来。常见的情况是写了三页 A4 纸，等到拆分镜的时候发现没有一个真正能拍的画面。

我的做法是用一段结构化提示词先给大模型套一个框框，让它在框内发挥。下面这段提示词我自己反复迭代过几个版本，目前是最稳的：

你是一位资深短片故事编剧。请基于以下核心想法，输出一份 800-1000 字的短篇故事。

核心想法：[这里填你的一句话]

要求：
1. 采用"起-承-转-合"四段式结构，每段标注大致时长占比。
2. 强化冲突意识：内在冲突（角色心理）+ 外在冲突（外部事件）。
3. 情绪曲线要有"低-中-高-收"的起伏，不要全程平铺。
4. 世界观保持一致，不要中途扩写或跳维度。
5. 每段结尾要有一个"画面感强"的钩子句，便于后续转分镜。
6. 严禁堆砌过度抒情形容词，描述要落到可视的具体动作或物件上。

为什么是 800-1000 字这个区间？这个数我自己测下来是短片故事的甜点。再短就只剩提纲，缺细节；再长就接近小说写法了，里面会有大量心理描写和环境烘托，AI 转分镜的时候没法落地。中间这段长度刚好能放下完整起承转合，又不会因为信息密度太大而失控。

故事写完之后，下一步是转分镜表。这里我会用第二段提示词：

你是一位拥有 50 年片场经验的资深导演。请根据下面这段故事，按"分镜表"格式输出。

故事原文：[粘贴上一步的故事]

要求：
1. 镜头总数控制在 20-30 个。
2. 每个镜头时长不超过 5 秒，分配要有长有短。
3. 输出字段：镜头编号 | 时长 | 景别 | 画面描述 | 角色动作 | 音乐情绪。
4. 用 Markdown 表格输出，方便直接复制。
5. 镜头描述要落到具体画面元素上，不要用"温馨的氛围"这种空泛词。

实际跑下来，大模型第一版给出的分镜表往往有两个毛病：一是镜头时长分配不合理，动不动一个镜头八到十秒，画面其实撑不住；二是切镜的位置不太符合音乐节奏。这两个问题不用重新跑，让模型自己改一遍就行。我常用的修改指令是：

重新分配时长，每个镜头不超过 5 秒；在情绪转折处增加切镜密度；输出可方便复制的纯文本格式。

跑完三轮，分镜表基本就能用了。到这一步，"剧本-脚本-分镜表"三件套就齐了，可以进入下一环节。

写到这儿我想提一句莫潇羽自己的小习惯：分镜表跑完别急着开工，先把它打印出来或者拷到记事本里通读两遍。你会发现 AI 写的镜头有些是冗余的、有些是重复表达的、有些其实可以合并。人工筛一遍能省下后面一半的抽卡成本。

给脚本写一个"灵魂检查表"

光跑出来还不够，我会用一张简单的检查表过一遍剧本，确认它真的能被拍出来。这张表只有五个问题：

1. 能不能用一句话说清"这片子在讲什么"？ 如果你自己讲不出，观众更讲不出。脚本立得住的第一前提，是它有一个清晰的内核。
2. 情绪有没有起伏？ 是不是从头到尾一个调子？观众心理上需要张弛，全程平铺的片子十秒就让人想划走。
3. 冲突在哪？ 哪怕是 MV，也要有一个"对立面"——可以是时间（前世今生）、可以是距离（异地）、可以是身份（误会）。没有冲突的故事，再美的画面也支撑不住。
4. 每个段落有没有"画面钩子"？ 段落结尾应该是一个具体的视觉物件——一滴泪、一只手、一道光、一个剪影。这些钩子就是你后面分镜要去抓的视觉锚点。
5. 删掉这一段，故事还成立吗？ 如果答案是"成立"，那这段就该删。MV 短小精悍，容不下任何废戏。

这五个问题我每次都过，过完之后剧本会缩水 20-30%，但留下来的全是干货。

一个真实的迭代案例

为了让你有概念，我描述一下自己曾经做过的一段"思念主题"短篇 MV 的脚本迭代过程（剧情已做完全虚构化处理）。

第一版 AI 输出大概长这样：开头女主在窗前望雪，进入回忆，回忆里两人在城市相遇相恋，最后回到现实独自一人。听起来挺像那么回事，但我跑分镜表时发现一个大问题——"回忆里两人在城市相遇相恋"这一段写得太抽象了，AI 给我生成的镜头清一色是"两人手牵手在街上散步"，重复度极高。

第二版我把这段拆细：相遇是图书馆里捡书的瞬间、相恋的第一次约会是咖啡馆里手指无意触碰、关系升温是雨天共撑一把伞。每个画面都具体到一个物件、一个动作。镜头生成的多样性立刻就出来了。

第三版我又把结尾改了：原本是"女主孤独望雪"的常规收尾，改成"窗台上一杯冷掉的咖啡 + 桌上一张照片角落里两人合照"。两个静物镜头比一个人物镜头更克制，情绪反而出得来。

整个过程跑了大概一个半小时，迭代三轮。这种打磨我后来形成了习惯——AI 写脚本不是"一遍过"，是"一遍出粗坯，三遍出成品"。

四、影调与风格：决定整片质感的隐形参数

很多新手做出来的片子一眼"AI 味儿"很重，调色和质感是最大的元凶。AI 默认出来的画面是一种"过度数字化"的清亮感，缺少胶片应有的颗粒、暗角、镜头畸变这些"真实物理痕迹"。所谓影调，就是把这些物理痕迹补回来的描述词集合。

影调不是凭感觉写的，是有一套相对固定的描述维度：

• 色彩倾向：冷色调 / 暖色调 / 复古褪色 / 高饱和 / 低对比。
• 摄像机型号：ARRI Alexa 35 / 索尼 VENICE / 红色 Komodo 等。不同型号有不同的色彩科学倾向，写在提示词里大模型能识别。
• 镜头型号：Cooke 变形宽银幕 / 蔡司 Master Prime / Lomo 等。变形镜头会让背景出椭圆光斑。
• 胶片颗粒：粗颗粒 / 细颗粒 / 16mm / 35mm / 65mm。
• 光圈与景深：f/1.4 大光圈浅景深 / f/8 小光圈大景深。
• 暗角与畸变：是否有暗角、是否有桶形畸变。
• 参考片：直接告诉模型"模仿《幕府将军》《银翼杀手 2049》《沙丘》的视觉风格"。

把这些维度组合起来，就能拼出一段稳定可复用的影调提示词。下面是我自己保存的一组通用模板：

This film is shot in the visual style of [参考影片], 
incorporating aesthetics from [文化背景]. 
Captured with ARRI Alexa 35 and Cooke anamorphic lenses, 
producing oval bokeh, heavy film grain, 
slight vignette, organic skin tones. 
Color graded with [参考调色]. 
Aspect ratio 2.39:1.

把这一段贴在所有生成镜头的提示词末尾，整部片子的"画面 DNA"就稳了。这一步是统一感的来源，不要省。

如果你不知道想要什么影调，有个反推的小技巧很好用：去网上找几张你喜欢的电影剧照，丢给 Gemini 或者豆包，告诉它：

根据我提供的图片，帮我生成英文的图像质感描述，包含：镜头参数、胶片颗粒、影调质感、画幅比例、色彩倾向、摄像机传感器、摄像机型号、镜头型号、艺术家风格。请总结成一段可直接复用的提示词。

大模型反推出来的那段英文描述，就是你这部片子的影调"DNA 序列"。把它复制下来，存到笔记里，以后做同一个调子的片子直接拿出来用。我自己手头有一份"影调词典"，存了二十多组常用调子，从赛博朋克到水墨国风到日系胶片都齐。这种素材积累下来，复用价值非常高。

要特别提醒一点：影调写英文比中文识别准确率高一截。原因不在于中文不行，而在于大模型训练时这些专业摄影术语主要是英文语料训出来的。你写"35mm 胶片颗粒"它能理解，但你写"Kodak Vision3 500T pushed one stop"它的反应会更精准。专业词用英文，描述部分用中文，混搭最稳。

一份常用影调小词典

为了让你不用从零开始攒，我把自己用得最顺手的几组影调描述直接列出来。你可以挑接近你片子调性的一组，作为起点再做微调。

一、电影胶片暖调（适合古装、回忆、爱情题材）

Shot on Kodak Vision3 500T 35mm film, 
ARRI Alexa Mini LF body, 
Cooke S4/i prime lenses at f/2.0, 
warm color grading with crushed blacks, 
heavy organic grain, slight halation around highlights, 
aspect ratio 2.39:1.

二、赛博朋克霓虹调（适合科幻、未来、城市夜景）

Cyberpunk neon aesthetic, 
RED Komodo with anamorphic Atlas Orion lenses, 
high contrast with deep teal shadows and magenta highlights, 
practical neon lighting, rain-soaked streets, 
volumetric fog, lens flares as oval streaks, 
aspect ratio 2.35:1.

三、日系小清新调（适合青春、校园、温柔题材）

Japanese film aesthetic, 
soft natural lighting, low contrast pastel palette, 
shot on Fuji Eterna film stock emulation, 
slight green-cyan tint in shadows, 
warm skin tones, shallow depth of field, 
aspect ratio 16:9.

四、水墨国风调（适合古典、武侠、东方题材）

Chinese ink wash painting aesthetic, 
desaturated palette with deep blacks and misty whites, 
soft di