本指南會介紹 Lip-sync Performance 模式下嘅 Viral Music Solo:使用一條來源音軌同一張角色圖片。如果係兩位歌手,就用 Duet,配合一條混音後嘅音軌同一張包含兩位表演者嘅相片。Story 另有獨立嘅分鏡流程同影片計費。你可以揀選精確段落、決定表演者外觀、設定輸出格式,並喺生成前查看即時計算嘅預估。之後 VisionStory 會生成視覺演出,並按住歌曲去編排鏡頭。
呢個唔係逐格(frame-by-frame)編輯器。你最強嘅控制其實係 來源段落、來源圖片同輸出格式 — 有策略咁去揀呢啲輸入,比起將佢哋當成設定細節更有影響力。上面嘅影片用一段真實歌曲節錄,同一個實際生成出嚟嘅結果,走完完整流程;下面嘅步驟會逐個決定位講清楚。
- 來源 — 音訊檔,或者一段影片(其配樂會變成來源音軌)。
- 片段長度 — 由 15 秒至 10 分鐘嘅連續段落。
- 輸出 — 9:16 或 16:9,解像度可選 720P、1080P 或 2K。
- 方案 — 只要有任何有效嘅付費訂閱,就可以喺 720P、1080P 或 2K 進行付費生成。符合資格嘅新帳戶喺提供預覽時,可用 10 註冊積分製作 15 秒、720p 嘅 Solo Lip-sync Performance 預覽;其他額外積分唔可以用嚟支付呢個預覽。付費 Solo 生成、Story 同 Duet 都需要有效訂閱。訂閱用戶可以用額外積分製作 Viral Music。
開始之前:準備好音軌、時刻同表演者
先由一首你有權使用嘅歌曲開始,並清楚知道想將邊一段變成影片。副歌、hook 或其他自成一段嘅片段,通常比隨便揀一段時間範圍,更能令剪輯更有形狀同張力。
- 準備音軌 — 上載音訊檔;如果你只需要影片嘅配樂,亦可以上載影片。首歌係用 Suno 整嘅?你亦可以改為貼上佢嘅分享連結。
- 掌握段落 — 打開選擇器之前,先記低大概開始同結束位置。
- 準備角色 — 用清晰面孔,並確保造型符合主唱、曲風同氣氛。
- 揀好目的地 — 直度短片動態,或者橫向播放器。
使用獲授權媒體:只上載你擁有或已獲授權使用嘅音樂同角色圖片。生成唔會取代你對底層權利作出清理/授權嘅需要。
想用一張相片同時處理兩位歌手?請跟隨 AI 二重唱音樂影片教學,先準備分鏡腳本,並選擇獨唱或合唱鏡頭。
步驟 1:打開 Viral Music,加入來源音軌
喺 VisionStory 側邊欄開啟 Viral Music。你可以瀏覽 Explore 睇下完成效果係點,或者將音軌拖入上載區,開始你自己嘅專案。
音訊檔會直接使用。如果你上載影片,Viral Music 會擷取並使用佢嘅配樂 — 來源影片嘅畫面唔會帶入生成結果。

接住會發生咩:上載完成後,VisionStory 會開啟片段選擇器。等波形圖出現先再設定範圍。
步驟 2:揀選要轉成影片嘅精確段落
選擇視窗係連續嘅。拖動左邊把手設定開始、右邊把手設定結束。如果想保持同一長度但用音軌嘅另一段,就將成個已選範圍沿住波形圖拖動。
用播放鍵聽清楚所選段落。停止預覽後,檢查顯示嘅時長;只喺所選音訊乾淨咁開始同結束時,先撳 Confirm。

揀音樂邊界:乾淨嘅樂句邊界更容易做出令人滿意嘅片段序列。避免喺一個字嘅中間開始,或者喺人聲/樂句未收尾就完。
步驟 3:選擇角色,設定視覺方向
打開角色選擇器。你可以上載新圖片、重用你自己嘅虛擬人像,或者瀏覽公開素材庫。揀好嘅圖片唔止係身份參考:佢會引導結果入面可見嘅表演者、服裝、場景同整體觀感。
用清晰、無遮擋嘅面孔,並選擇有意圖嘅全身或半身構圖。將你想 VisionStory 理解嘅穿搭同環境一併放入畫面 — 一張一致性高嘅來源圖片,會令生成出嚟嘅鏡頭設置更有共同方向。

配合演出:揀一個造型符合歌手同曲風嘅角色。來源圖片唔一定要有咪高峰,但要令你想像嘅演出看起來合理可信。
步驟 4:揀畫面比例同解像度,再檢視估算
打開音軌同角色下方嘅輸出設定。直度短片就揀 9:16,橫向播放就揀 16:9;之後再按需要嘅細節程度,揀 720P、1080P 或 2K。
估算會按你所選片段長度同解像度而更新。提交任務之前,先檢視 Generate 旁邊顯示嘅最新數字。

| 選擇 | 適用情況 | 取捨 |
|---|---|---|
| 9:16 | 主要投放去直度動態或短片平台。 | 來源角色最好預留足夠垂直空間,方便做多樣化構圖。 |
| 16:9 | 影片會喺橫向播放器、簡報,或寬螢幕剪輯中呈現。 | 留意表演者同環境點樣一齊分配更闊嘅畫面。 |
| 更高解像度 | 輸出需要更多可見細節,或者要喺更大尺寸上觀看。 | 即時估算會變 — 生成前記得檢查。 |
計費方式: 付費 Solo Lip-sync Performance 會按你所選片段嘅秒數計費,並向上取整到整秒 — 720P 每秒 1 積分、1080P 每秒 2,2K 每秒 5。片段只要多過 25 秒少少,都會當作 26 秒計;而說話頭像影片嘅 4 秒計費規則喺呢度唔適用。生成旁邊嘅預估會顯示確實用量;想了解更全面,可以睇 VisionStory 積分點樣運作。
步驟 5:生成、打開並檢視完成嘅音樂影片
當音軌、角色、格式同估算都正確無誤,就撳 Generate。Viral Music 會分析歌曲嘅節奏、能量、結構,同(如有)歌詞,再用呢啲資訊去塑造表演、建立一致嘅鏡頭設置,並按住音樂去編排剪接。
任務完成後,喺 Videos 區域打開,並配合原曲播放結果。要評估成段序列,而唔係淨係睇一張靜止畫面。

要檢視咩:表演者是否一致、構圖變化有冇用、演出同音樂嘅關係是否自然、剪接是否令所選段落更順暢。懂得跟拍點嘅剪輯會參考歌曲,但唔代表每一刀都一定精準落喺每一拍。
如果整體視覺方向都唔啱,重試之前先換來源圖片。如果開頭或結尾感覺薄弱,就返去片段選擇器,揀一段更乾淨嘅音樂段落。呢啲調整通常比起用同一組輸入反覆再生成更值得。
實用嘅 Viral Music 檢查清單
- 我已獲授權使用呢條音軌同角色圖片。
- 所選段落喺乾淨嘅樂句邊界開始同結束。
- 來源圖片展示清晰、無遮擋嘅面孔。
- 服裝、場景同角色都符合音樂。
- 畫面比例符合投放平台。
- 我已喺所選解像度下檢視即時估算。
- 我已配合音訊由頭到尾睇過最終結果。
- 我已將表演者連貫性、構圖同剪接節奏一齊評估。
最佳效果,喺你撳 Generate 之前已經開始
Viral Music 會處理表演同剪輯,但創作方向係由你嘅輸入開始:一段有清晰音樂形狀嘅片段、一張能表達表演者同其世界觀嘅圖片,以及按實際觀看場景而揀定嘅輸出格式。準備好呢啲之後,一條音軌加一個角色,就可以變成一段完整嘅視覺演出 — 無需手動建立鏡頭,亦無需時間線剪輯。
想繼續探索:可以去 建立 AI 會講嘢虛擬人像,將角色「擺上鏡頭」;到 揀選 AI 音色 物色合適嘅聲音身份;或者直接探索 AI music video generator 本身。
揀選合適嘅音樂影片模式
Solo Lip-sync Performance 同 Duet 影片生成,喺 720p/1080p/2K 分別係每秒 1/2/5 積分。Story 影片生成喺以上解像度分別係每秒 1.5/3/6 積分。Story 同 Duet 另有分鏡腳本準備費,用 5 秒 1 積分計,不足一個區間會向上取整。生成一張新嘅分鏡圖需要 1 積分。渲染新片段或已編輯片段會收取積分;可重用嘅已完成片段就唔會計入渲染費。提交前記得先睇清楚每個動作嘅預估費用。
合資格新帳戶喺獲提供時,可以用 10 註冊積分生成一段 720p、15 秒嘅 Solo Lip-sync Performance 預覽。其他額外積分唔可以用嚟支付呢個預覽。付費 Solo 生成、Story 同 Duet 需要有效訂閱。訂閱用戶可以用額外積分生成 Viral Music。
