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

这套工具链解决的核心问题：用三个国内可直接访问、长期保留免费额度的工具，把"一首歌 + 一段画面 + 一段对口型"打通成完整的 AI 音乐 MV，全流程零安装、零硬件门槛。 主线是这样一条路径——MiniMax 海螺音乐生成歌曲与伴奏 → 剪映剪辑音频 → 即梦 AI 数字人完成对口型 → 即梦 CDes 视频模型补充画面 → 剪映合成最终 MV。我亲自跑下来的体感是：纯人声歌曲、纯伴奏背景乐、Lo-fi 学习曲、说唱、电子、抒情这几大类都能产出，海螺音乐每个账号月送 1 万积分，够做约 33 首单首歌曲；即梦每天另有免费积分滚动发放，账号切换得当基本可以无限白嫖。整套链路的关键不是工具本身，而是怎么写提示词、怎么切片段、怎么让口型不崩、怎么把多个素材自然剪到一起。

想看完整拆解，往下翻——下面是我把这套流程跑通后的全部细节和实操模板。

一、写在前面：这套组合到底解决了什么问题

折腾这一圈下来，我最大的感受是：AI 音乐工具最近一两年内卷得很厉害，但大部分入门教程都把"生成一首歌"和"做一个完整作品"混为一谈。生成一首歌只是起点，真正能放到主页、能让人看完的，是带画面、带节奏、带情绪的完整短片。我自己之前也在不同的工具之间反复横跳，踩了不少坑，最后才把这条链路稳定下来。

1.1 单工具的局限：为什么不能只用一个

很多人最开始的想法是"找一个全能工具一站搞定"。我也试过。结论是：目前没有任何一个国内可直接访问的工具，能在音乐质量、画面表现、口型对齐三个维度上同时做到及格线。

具体来讲，纯音乐生成类工具能给你一首歌，但画面靠它就别想了；通用视频生成模型能给你一段画面，但音乐通常只能是"配景声"级别；数字人工具能让一张照片说话，但要它自己写歌、自己拍画面，目前还做不到。所以组合拳是唯一解，问题只是组合哪几个。

我最终选定的这套组合，标准是三条：

• 国内可直接访问，不依赖任何境外网络环境
• 基础功能长期免费，每月有稳定的积分赠送
• 三个工具之间能互相喂数据，输出格式互相兼容

按这个标准筛下来，剩下的就是 MiniMax 海螺音乐、即梦 AI、剪映这三家。海螺音乐和即梦背后都是国内一线大厂（MiniMax 和字节跳动），剪映就更不用说了，几乎人手一份。莫潇羽我自己跑了快两个月，账号该切换的切换，积分管理得当，整体下来确实没花一分钱。

1.2 工具链全景：每一步都干什么

把整条链路画成图大概是这样：

flowchart LR
    A[创作起点：一句话主题] --> B[DeepSeek/Kimi 写歌词]
    B --> C[海螺音乐生成歌曲/伴奏]
    C --> D[剪映剪辑音频片段]
    D --> E[即梦 AI 数字人对口型]
    D --> F[即梦 CDes 生成视频画面]
    E --> G[剪映合成最终 MV]
    F --> G
    G --> H[导出发布]

每个节点负责一件具体的事，下游的输入完全依赖上游的输出。所以前面一步如果偷懒，后面会连环出问题。比如歌词写得太散，海螺出的歌就缺主题；歌切片切得不准，对口型就会出现唇形和节奏对不上的尴尬；画面比例不对，剪映合成时还得二次裁剪。

我在文章后面会按这个顺序一步步讲。在无忆研习社后台，这篇文章我用的关键词标签也是这五个：海螺音乐、即梦 AI、剪映、AI 音乐 MV、数字人对口型。基本上能覆盖这条流程上每一个搜索入口。

1.3 整套流程跑一遍要多久

这个问题我也被问过不少次。给个真实数据：我第一次完整跑下来，从想主题到导出 MV，用了大概两个半小时。其中三分之一花在改歌词上，三分之一花在等模型生成，剩下三分之一是剪辑和踩坑。

跑过五六次之后熟练度上来，单首 30 秒到 1 分钟的 MV，可以压缩到40 分钟左右。再之后基本就是流水线了——主题确定，模板套上，模型生成的时候去做别的事，回来直接进入下一步。

1.4 这篇文章不会讲什么

为了让大家少走弯路，我把不在本文范围内的几件事先列清楚。一是音乐版权与平台分发规则，每个平台规则不同且经常调整，需要单独研究；二是商用授权细节，海螺音乐和即梦各自有商用条款，使用前请自行阅读；三是任何形式的境外平台访问方案，本文涉及的全部三款工具，国内都可以直接打开。

明确边界之后，下面正式进入工具拆解。

二、海螺音乐：MiniMax 旗下免费 AI 音乐生成入口

整条链路最核心的源头，是音乐本身。我手上跑过不少 AI 音乐工具，最后稳定下来的就是海螺音乐——它属于 MiniMax 旗下的产品线之一，背靠 MiniMax 自研的 Music 系列模型。

2.1 海螺音乐是什么：一句话定位

简单讲，海螺音乐是一个网页端的 AI 音乐生成器。你输入一段歌词加一段风格提示词，它在 30 秒到 1 分钟内还给你一首完整的歌，包含人声和伴奏；如果你不想要人声，可以一键切换到纯伴奏模式。

它和大家熟悉的"音色合成 / 文字转语音"是两码事——后者只是把文字读出来，前者是真的在编曲、配器、唱歌。

海螺音乐的网页入口在 hailuoai.com/music，登录后直接进入创作界面。MiniMax 的整个产品矩阵其实更大，除了音乐之外，还有 MiniMax Audio（语音合成与音色克隆）、海螺视频（视频生成）、MiniMax Agent 等等。如果你只是想做音乐，去音乐那个子站点就够了。

2.2 登录与积分机制：先把账号备好

注册非常简单，支持邮箱、手机号或第三方账号登录，全程在国内浏览器里直接搞定。登录之后系统会自动开通一个免费账号，每月赠送 10000 积分。

这 10000 积分是什么概念？我整理了一张积分速查表：

我自己用下来的习惯是默认选双版本——好处是同一段歌词、同一段风格描述会同时给你两版不同演绎，男声女声、不同唱腔不同律动都可能出现，相当于一次抽奖抽两张牌，挑出更顺耳的那一版用。

如果积分用完了想继续玩怎么办？官方思路是升级到付费档；我个人更野一点的做法是换一个邮箱再注册一个新号。MiniMax 没有强制设备绑定，邮箱独立就是一个独立账号，每个新账号又有 10000 积分赠送。这个用法没违反任何条款，但要注意：账号是你自己的，作品也是你自己的，不要在同一首作品里跨账号混用资源，方便后续管理。

2.3 Music 2.5+ 模型有什么不一样

海螺音乐目前在网页端默认就是 Music 2.5 加强版（界面里直接写作 Music 2.5+），更新到这一代之后，模型在几个维度上有明显升级。

第一是段落结构控制变得正式了。以前生成一首歌，AI 自己怎么编你就只能接受。从这一代开始，开放了 14 种结构标签控制——前奏 Intro、主歌 Verse、桥段 Bridge、间奏 Interlude、情绪铺垫 Build-up、副歌 Hook 都可以单独写进歌词，告诉模型"我希望这里是副歌爆发""我希望这里降下来给一段间奏"。

第二是人声更真实。新模型对人声的呼吸感、转音、颤音、胸腔头腔切换都做了优化，整体听感离"塑料感"更远，更接近真人录音棚的感觉。男女对唱也不再是简单叠加，而是带有自然的协同感和层次。

第三是乐器库扩充。Music 2.5+ 的内置音色库扩展到 100 种以上的乐器，并且对混音过程做了优化，人声和伴奏的分离度明显提升，乐器密集场景下也不容易糊在一起。

这几条更新对我们日常用户的体感意义是什么？意义在于——你写在提示词里的东西，模型真的会听。以前你写"加一段电吉他独奏"，模型可能给你换成键盘 solo；现在你写明白，它就老老实实给你电吉他。

2.4 网页端界面拆解：四个核心区域

界面布局其实非常清爽，我把它分成四块来讲。

左上角是模型切换器。可以在 Music 系列的不同版本之间切换，默认锁在 2.5+ 就够用了。如果你做的是更复杂的多段落作品，可以尝试切换到更新的 Music 2.6（如果账号里已经放开了入口），它在 BPM 和调性遵循度上更精准，单首生成时间也压缩到了半分钟以内。

中间偏上的是"人声开关"。这是个非常容易被忽略的小细节——开关在右侧，默认是开启状态。开启时，下面的歌词框就会要求你填写歌词；关闭后，歌词框消失，只保留风格描述框。这个开关就是纯伴奏与有人声歌曲的分水岭。

下方主区域是歌词与提示词输入区。歌词框可以贴入完整歌词，支持中文、英文、中英文混排；提示词框（界面里写作 styles）填写歌曲风格、情绪、乐器等关键词。再下面是歌曲名字栏，单首生成不能为空。

最右侧是生成数量选择。1、2、3 三个数字代表一次生成几首，每首消耗积分如前面表格所列。我个人默认选 2，性价比最高。

界面整体没有什么花哨设计，所有功能呈现在一屏内，找东西不会迷路。掌握了这四个区域，海螺音乐的入门部分基本就完成了。下面进入第一个实战环节——纯伴奏音乐生成。

三、生成纯伴奏：从 Lo-fi 学习音乐开始练手

我的建议是：任何刚上手海螺音乐的朋友，第一首作品就生成纯伴奏，而且是 Lo-fi 风格。原因下面慢慢说。

3.1 什么是 Lo-fi 音乐：先给概念再操作

如果对术语不熟，简单解释一下：Lo-fi 是 Low Fidelity 的缩写，字面意思是"低保真"，是一种带有刻意做旧质感的音乐风格。它最典型的特征是节奏舒缓、带有黑胶底噪和轻微的颗粒感、不强调炫技、不抓人耳朵但能让人专注。

Lo-fi 在最近一两年成为全网最流行的"学习背景音乐"和"工作背景音乐"，原因就是它信息密度低，不打扰认知。你戴上耳机做正事的时候，它在背后柔柔地铺一层声场，不抢戏。

我之所以推荐入门者先做这个，是因为它对生成模型最友好——不需要人声，不需要复杂结构，给一段风格提示词模型基本不会翻车。新手第一首作品就能拿到一个能听的成品，这种正反馈对后续学习非常重要。

3.2 纯伴奏开关：一键关闭人声

操作非常直接：

• 进入海螺音乐网页端
• 在界面顶部找到那个 人声开关（默认开启）
• 点一下让它变成关闭状态
• 此时歌词输入框会自动消失
• 只剩下"风格描述（styles）"和"歌曲名字"两个输入项

人声开关一旦关闭，模型就明白你要的是纯器乐编曲，输出的就是没有任何唱腔的 BGM。这是 2.5+ 这一代加入的简化设计，比早期还需要在风格描述里手动写"no vocal""instrumental"清爽得多。

3.3 Lo-fi 提示词模板：直接抄就行

写过一段时间提示词的人都会有一种感受：写法越具体，结果越听话。下面这几套模板都是我反复打磨过、能稳定出好结果的，可以直接抄走改改。

模板一：经典学习专注型 Lo-fi
chill lo-fi hip-hop, slow tempo around 70 BPM,
warm vinyl crackle, soft jazz piano,
mellow bass line, light rain ambience, study background

模板二：午后慵懒爵士型 Lo-fi
lazy afternoon lo-fi jazz, dusty texture,
soft brush drums, muted trumpet, vintage tape warmth,
70 BPM, cozy and nostalgic

模板三：深夜安静思考型 Lo-fi
deep night lo-fi, ambient pad, soft Rhodes piano,
slow tape-saturated drums, distant city noise,
60 BPM, introspective mood

模板四：森林雨声型 Lo-fi
lo-fi forest, gentle rain, acoustic guitar,
warm bass, soft cymbals, organic texture, 72 BPM,
peaceful and grounding

写法上有几个小规律：

• BPM（每分钟节拍数）写明白。Lo-fi 通常落在 60 到 80 之间，写清楚更精准
• 乐器单独列举。模型对乐器名特别敏感，列得越细模型越容易复现
• 加一个氛围词。比如 cozy、introspective、peaceful，是给整首歌定调子的关键词
• 加一点"做旧"质感词。vinyl crackle、tape warmth、dusty texture，这些词是 Lo-fi 风的精髓

如果你的英文不是很熟，直接用中文写提示词也是可以的，海螺音乐对中文提示词的理解能力其实相当不错。中文版的写法可以参考这样：

慢节奏的 Lo-fi 学习背景音乐，约 70 BPM，
柔和的爵士钢琴，温暖的低音线条，
夹杂黑胶噪点和雨声环境音，氛围安静专注

3.4 我的实测体验：一首 Lo-fi 的诞生

第一次我跑出来的那首 Lo-fi，写的提示词非常简单：chill lo-fi, 70 BPM, soft piano, vinyl noise, study background，名字写的是 Quiet Afternoon。生成两首共 600 积分，约 50 秒后两版都出来。

听感的差别比我预想的大。第一版偏纯钢琴 + 鼓点，第二版加入了一段电贝斯走线。后者的整体律动更有"陪你坐在咖啡馆窗边"的感觉，我选了第二版作为最终留存。整首 1 分 20 秒左右，黑胶噪点的颗粒感非常自然，是那种你可以放着写代码、不会被打断的音乐。

3.5 一个被很多人忽略的用法：纯伴奏当 BGM

我把生成出来的 Lo-fi 作品放进自己的素材库后，最常用的场景其实不是听歌——是做短视频时拿来当 BGM。短视频平台的免费曲库虽然多，但同一首被无数人用过，听众一听就疲劳。自己生成的 BGM 至少在"听觉新鲜度"上有差异化优势，配上自己拍的画面，整体作品的辨识度立刻就上来了。

无忆研习社后台我有一个固定的 BGM 文件夹，所有自己生成过的纯伴奏会按风格分类存好，需要时直接拖进剪映就能用。这个习惯建议你从第一首作品就养起来。

四、生成完整歌曲：歌词、风格、标题三件套

练完 Lo-fi 之后，你应该已经熟悉了海螺音乐的整体节奏。下面正式进入主菜——生成一首带人声的完整歌曲。这部分的关键不在工具，而在怎么把歌词、风格、标题这三件东西配齐。

4.1 歌词从哪里来：用 DeepSeek 一句话开稿

理论上你可以自己写歌词，但大部分人不是专业词作者，自己憋出来的歌词容易跑偏、押不上韵、结构不规整。最稳妥的入口是用 AI 帮