用 AI 把歌曲做成口型同步音乐视频 [2026]

有用的口型同步音乐视频是按镜头做出来的。上传完成的歌曲，决定歌手应该出现在画面的哪些地方，只为那些镜头选择 口型同步。在为更长的顺序花积分之前，先看一段短的结果。

下一步该读哪篇？ 本页讲制作流程。功能说明读 AI 口型同步音乐视频，工具选择读最佳 AI 口型同步音乐视频工具，更细的预算比较读 Base 与 Pro 模型。

生成之前

选一段你能清楚判断的短人声，以及一位嘴看得见的表演者。使用你有权使用的音频和图片。要判断这个镜头是否需要一位看得见的歌手，见口型同步是否合适的清单。

首图和参考图不是一回事

输入	它做什么	要检查什么
首图	提供某一个镜头视频真正的开场画面	脸看得见、稳定，并且适合所选镜头
主角参考图	引导各张生成图片里的身份和外观	身份清楚，并且你有权使用这个肖像
风格参考图	引导色彩、质感、光线或视觉处理	风格支持成片的方向，但不替换身份

参考图可以引导首图的生成。它不能代替镜头视频所需要的首图。

按镜头做的口型同步流程

选定音频段落和画幅。 上传完成的歌曲，选择 16:9 或 9:16。用音频和你自己的歌词稿找到人声那一句；VibeMV 不读取或转写歌词。
设置表演者。 在 AI 制片人 → 主角 上传一张角色图片，和/或填写 主角描述。把整体故事和外观写进 生成偏好 → 创作方向。当前界面里，主角一栏标题是「主人公」，说明字段是「人物说明」，创作方向显示为「故事方向」。
审阅创作方案。 每个镜头的 图片提示词 写起始画面，可选的 视频提示词 写动作和镜头运动。选择 应用创作方案，把方案放进工作台。生成和应用方案不收费；这一步不会重新生成已有媒体。创作方案不是已经生成的图片或视频。
生成之前核对镜头划分。 每个镜头最长 10 秒，所以更长的人声段落需要几个镜头。如果要改已有的划分，继续之前先读 调整分割？：图片可能按时间重叠保留，视频会移入 媒体存档，为上一套镜头划分做的创作方案会变成只读。这不是一次没有后果的微调。
准备首图。 在该镜头的图片步骤里，编辑首图的 图片提示词。用 参考图 引导这张静帧；它们不能代替首图。需要一张新的起始画面时，选择 生成图片。生成图片是一个动作，不是提示词字段的名字。
选择视频设置。 明确选择 口型同步，以及 Base 模型 或 Pro 模型。需要时把动作写进可选的 视频提示词。Pro 模型不是 Pro 订阅。没有看得见的演唱时用场景；跳舞镜头是另一项 4–10 秒 的选择。
生成、审阅并组装。 留下这个镜头之前，以正常速度看嘴。用嘴部时间和脸部审阅清单。在付费 重新生成 之前，先改一个具体的输入，然后把审阅过的镜头组装起来并导出。