本指南讲解在 Lip-sync Performance 模式下使用 Viral Music Solo:用一段源音轨和一张角色图片生成作品。若是双人演唱,请使用 Duet:上传一段混音音轨,并提供一张同时包含两位表演者的照片。Story 则有独立的分镜流程与视频计费标准。你可以选择精确片段,决定表演者的外观,设置交付格式,并在生成前查看实时预估。随后 VisionStory 会生成视觉表演,并围绕歌曲编排镜头。
这不是逐帧编辑器。你最有力的控制项是 源片段、源图片与输出格式 — 有意识地选择这些输入,远比把它们当作“设置细节”更能影响最终效果。上方视频用真实歌曲片段与实际生成结果跑完了整个流程;下方步骤会逐一讲清每个决策点。
- 源素材 — 音频文件,或可提取音轨作为源音轨的视频。
- 片段时长 — 15 秒到 10 分钟的连续片段。
- 输出 — 9:16 或 16:9,分辨率为 720P、1080P 或 2K。
- 套餐 — 只要是任意有效的付费订阅,即可在 720P、1080P 或 2K 下进行付费生成。符合条件的新账号在提供该选项时,可使用 10 注册积分兑换 720p 的 15 秒 Solo Lip-sync Performance 预览;其他奖励积分不能用于支付该预览。付费 Solo 生成、Story 与 Duet 需要有效订阅。订阅用户可使用奖励积分生成 Viral Music。
开始之前:准备音轨、片段时刻与表演者
先从一首你有权使用的歌曲开始,并明确想把哪一段做成视频。副歌、hook 或其他相对独立的段落,通常比随意截取一段时间范围更能让成片结构更有“形”。
- 准备音轨 — 上传音频文件;如果你只需要其中的音轨,也可以上传视频。歌曲是用 Suno 做的?也可以改为粘贴它的分享链接。
- 确认片段范围 — 打开选择器前,先大致记下起止位置。
- 准备角色 — 选择清晰的面部,并让整体呈现符合主唱、风格与氛围。
- 选择投放场景 — 竖屏短视频信息流,或横屏播放器。
使用合规素材:只上传你拥有或已获授权使用的音乐与角色图像。生成并不能替代对底层权利的授权与清理。
一张照片里有两位歌手?跟随 AI 对唱音乐视频教程,完成分镜准备,并选择独唱或同框镜头。
步骤 1:打开 Viral Music 并添加源音轨
在 VisionStory 侧边栏中打开 Viral Music。浏览 Explore 看看成片效果是什么样的;或将音轨拖入上传区域,开始你自己的项目。
音频文件会被直接使用。如果你上传的是视频,Viral Music 会提取并使用其中的音轨 — 源视频的画面不会带入生成结果。

接下来会发生什么:上传就绪后,VisionStory 会打开片段选择器。请先等待波形出现,再开始设置范围。
步骤 2:选出要生成视频的精确片段
选择窗口是连续的。拖动左侧把手设置起点,拖动右侧把手设置终点。若想保持时长不变但换到音轨的其他位置,可沿着波形拖动整个已选区间。
点击播放按钮试听所选片段。停止预览后,核对显示的时长,并仅在所选音频的起止都足够干净利落时,再点击 Confirm。

选择音乐边界:干净的乐句边界更容易生成令人满意的序列。避免从半个词中间开始,或在一句人声/器乐尚未收束前就结束。
步骤 3:选择角色并设定视觉方向
打开角色选择器。你可以上传新图片、复用你已有的头像,或浏览公共素材库。选定的图片不仅是身份参考:它还会引导结果中表演者的外观、服装、场景与整体风格。
尽量使用清晰无遮挡的脸部,并有意识地选择全身或半身视角。把你希望 VisionStory 解读的服装与环境也包含进去 — 更统一的源图片,会让生成的机位与镜头语言更有一致的方向感。

匹配表演感:选择整体呈现符合歌手与曲风的角色。源图片不必一定有麦克风,但应让预期的表演看起来可信。
步骤 4:选择宽高比与分辨率,然后查看预估
打开音轨与角色下方的输出设置。竖屏短视频选择 9:16,横屏播放选择 16:9;再根据你需要的细节程度,选择 720P、1080P 或 2K。
预估会随所选片段时长与分辨率实时更新。提交任务前,请先查看 Generate 旁边的当前数值。

| 选择 | 适用场景 | 取舍 |
|---|---|---|
| 9:16 | 主要投放在竖屏信息流或短视频平台。 | 源角色需要留出足够的纵向空间,以便实现更丰富的构图变化。 |
| 16:9 | 视频将出现在横屏播放器、演示场景或宽屏剪辑中。 | 注意检查表演者与环境在更宽画幅中的占比与呈现。 |
| 更高分辨率 | 需要更清晰的细节,或更大的观看尺寸。 | 实时预估会随之变化 — 生成前务必确认。 |
计费方式: 付费 Solo Lip-sync Performance 按所选片段的秒数计费,并向上取整到整数秒 — 在 720P 下为每秒 1 积分,在 1080P 下为每秒 2 积分,在 2K 下为每秒 5 积分。片段只要略高于 25 秒,就会按 26 秒计算;对口型视频不适用说话头像视频的 4 秒计费规则。生成旁边的预估会显示精确用量;想了解更完整的规则,请查看 VisionStory 积分如何计费。
步骤 5:生成、打开并复盘成片音乐视频
确认音轨、角色、格式与预估都正确后,点击 Generate。Viral Music 会分析歌曲的节奏、能量、结构,以及(可用时)歌词信息,并据此塑造表演、生成一致的机位设置,并围绕音乐编排镜头。
任务完成后,在 Videos 区域打开并播放结果,同时保留原歌曲音频一起观看。请评估完整序列,而不是只看某一帧。

重点检查:表演者是否一致、构图变化是否有用、表演与音乐的关系是否自然,以及剪切是否推动所选片段的节奏前进。节拍感剪辑会参考歌曲,但并不保证每一次剪切都严格落在某个精确拍点上。
如果整体视觉方向都不对,优先更换源图片再重试。如果开头或结尾显得乏力,就回到片段选择器,换一段更干净的音乐片段。与其在输入不变的情况下反复生成,这些改动通常更值得。
Viral Music 实用检查清单
- 我有权使用该音轨与角色图片。
- 所选片段在干净的乐句边界开始与结束。
- 源图片中的面部清晰无遮挡。
- 服装、场景与角色风格契合音乐。
- 宽高比与投放平台匹配。
- 我在所选分辨率下查看了实时预估。
- 我从头到尾、带原音频完整观看了最终结果。
- 我综合评估了表演连贯性、构图与剪切节奏。
最好的结果,在你点击 Generate 之前就已开始
Viral Music 负责表演与剪辑,但创意方向取决于你的输入:一段音乐结构清晰的片段、一张能表达表演者与其“世界”的图片,以及基于实际观看场景选择的输出格式。准备到位后,一条音轨和一个角色就能生成完整的视觉表演 — 无需手动做镜头、无需时间线剪辑。
接下来你可以继续:通过 创建 AI 说话头像 把会说话的角色放到镜头前;在 选择 AI 音色 中挑选合适的声音身份;或直接探索 AI music video generator 本身。
选择合适的音乐视频模式
在 720p、1080p 或 2K 下,Solo Lip-sync Performance 与 Duet 的视频生成费用分别为每秒 1、2 或 5 积分。Story 的视频生成费用在上述分辨率下分别为每秒 1.5、3 或 6 积分。Story 和 Duet 另有分镜准备费用:每 5 秒收取 1 积分,不足一个区间按一个区间向上取整。生成一张新的分镜图需 1 积分。渲染新的或编辑后的片段会消耗积分,而可复用的已完成片段不计入渲染费用。提交前请先查看每一步操作的预估费用。
当系统提供试用时,符合条件的新账号可使用 10 注册积分,生成一段 720p、时长 15 秒的 Solo Lip-sync Performance 预览。其他奖励积分不可用于支付该预览。付费的 Solo 生成以及 Story、Duet 需要有效订阅。订阅用户可使用奖励积分用于 Viral Music。
