AI 音乐 MV 生成
| SceneMixer 一眼看清 | 你能得到什么 |
|---|---|
| 视频价格 | 默认档每秒 ¥0.33 起（8 积分），最高档每秒 ¥2.44；每个价格都在按下按钮前显示 |
| 单段时长 | 每段最长 30 秒；整集由各段合成，合成每秒 1 积分 |
| 一集算下来 | 一集 60 秒按默认档约 540 积分（视频加合成），按最低积分单价约 ¥21.96；3 万字网文做成 10 集 × 90 秒约 8,490 积分、约 ¥345 |
| 台词 | 角色在视频里直接开口说话，一人一声，台词语言 15 种可选 |
| 画幅与清晰度 | 9:16 竖屏或 16:9 横屏；480P 到 1080P，另有 2K 档 |
| 免费起步 | 注册送 50 积分、15 张免费设定图、首集分镜免费，还有一次 5 秒免费视频预览 |
| 输入 | 剧本、小说或一句话想法；支持上传 .txt、.docx、.md 文件 |
人们常说的四种需求，与各自会发生什么
| 你的意思是… | 在这里 | 原因 |
|---|---|---|
| 上传我的歌，并得到一支配合歌曲的视频 | 做不到 | 输入只有文本、最多四张广告照片与一支视频。歌曲不是输入项目，也没有任何东西会侦测节拍或主歌。 |
| 把我的歌词变成有图画的故事 | 可以 | 把歌词所讲的故事写成文本。系统会解析它，整理成角色、场景与有编号的分镜，然后生成。 |
| 配合演唱定时的文本（歌词视频） | 无法定时 | 一句简短的文本可以写进镜头，当成画面上的字幕。要依人声逐字定时，需要在剪辑软件里做，因为歌曲在那里。 |
| 由艺人演唱这首歌 | 不是你的录音 | 角色可以在镜头中被呈现为唱歌的样子，但声音不是你的人声，也没有任何东西会把嘴型对到你的音轨上。真人艺人的脸不被接受：IP 检查会拒绝名人图片。 |
你可以输入什么。如果要让歌曲来驱动画面，你需要能读取音频的工具；如果画面要说故事，请继续往下看。
SceneMixer 如何处理声音
这里有四种声音，但没有任何一种是你提供的歌曲。
- 内置配乐。 集数的第一个镜头生成后，网站会依分镜规划音乐（每一段需要什么情绪、在哪里转折），为每一段挑选一首曲子，并把它混在人声下面。没有曲目选择器、没有音量控制，也没有点歌框。播放器旁的配乐开关可以关掉它；关闭时下载的，就是不含音乐的对白版本。配乐如何运作。
- 说出的台词。 每个角色都有一个声音，共 15 种语言可选；没有对白的镜头就完全没有声音，你听到的只是写进该镜头里的环境音。在同一次生成中的对白与声音。
- 角色的声音样本。 会员可以上传一段短音频，作为角色说话方式的参考。它是说话声音的参考，不是要铺在画面下面的音轨。角色声音如何运作。
- 你上传视频的声音。 在改编中，片段里的语音会被转写，音乐则会被描述，而这份描述会决定新集数自己配乐的基调。原始音轨本身从不被使用。改编如何解析对白与音乐。
六个步骤做出叙事型音乐录像带
- 标出歌曲段落。 以秒为单位，写下主歌、副歌与桥段从哪里开始。那份清单就是你的结构。
- 写下这首歌在讲的故事。 每段一个地点、一个故事节拍。把歌词当成创意来给，不要直接贴成台词，因为台词会被配音。
- 选择类型。 短剧的一集最长 240 秒，长剧的一集最长 300 秒，电影没有上限，所以大多数歌曲都能放进一集里。
- 选择片段长度。 步骤 3 有一个片段长度开关：标准为 15 秒，或在允许的档位上最长可到 30，作为长镜头。一段 30 秒的主歌，可以是两个短片段，也可以是一个长片段。
- 写无声镜头。 不写对白，加上一行 环境音：，生成前先读分镜。编辑文本不收费。
- 生成、关闭配乐后下载，然后在剪辑软件里完成。 把歌曲铺在画面下面，修剪每个片段的开头或结尾，让它们落在节拍上，并在那里加上定时歌词。修剪片段。
从歌曲段落到片段
| 歌曲部分 | 典型长度 | 15 秒的片段 | 分镜里该写什么 |
|---|---|---|---|
| 前奏 | 10–15 秒 | 1 | 地点，空的，或刚醒来。没有台词。 |
| 主歌 | 30–45 秒 | 2–3 | 每个片段一个故事节拍；同一个片段内保持同一个地点。 |
| 副歌 | 20–30 秒 | 2 | 会重复出现的画面。每次都回到同一个地点，让副歌像叠句一样被认出来。 |
| 桥段 | 15–30 秒 | 1–2 | 转折：新的地点、新的光线，画面上的人也换了。 |
| 尾奏 | 10–15 秒 | 1 | 最后一个画面。定格的神情，而不是新事件。 |
典型长度属于一般的歌曲结构，不是产品规则。唯一固定的数字，是上面的片段大小与集数上限。镜头秒数与时间配置。
把一句歌词变成镜头
以一句虚构的副歌为例：「门廊的灯为离开的那个人一直亮着。」 作为故事节拍，它会变成画面，而不是唱出来的句子。三个镜头，十二秒，没有台词：
| 节拍 | 镜头 |
|---|---|
| 门廊 | 【分镜1】4s: 全景，黄昏时的门廊，灯亮着，一张空椅子。环境音：蟋蟀声，风中纱门吱呀作响。 |
| 等待 | 【分镜2】4s: 特写 @Nora 站在窗边，望着马路。环境音：时钟声。 |
| 副歌再次响起 | 【分镜3】4s: 全景，同一个门廊，清晨，灯依然亮着。 |
每次副歌响起，同一个门廊都会再次出现，这就是重复的歌词如何变成重复的画面。镜头格式 · 舞台与录音室的故事。
长度与费用
视频依完成的秒数计费：默认档位每秒 8 积分（以最低积分单价计，约每秒 ¥0.33），另加接合每秒 1 积分。一段三分钟的视频就是 180 秒。新账号会先取得 50 积分，前 15 张设定图免费，你第一部短剧的第一集分镜免费，另有 5 秒的免费预览，所以你可以先画出阵容、读完整份分镜，再花钱在视频上。一集的积分都花在哪里。
接下来可以去哪里
相关： 带对白的 AI 视频 · AI 预告片生成器 · AI 分镜生成器 · 竖屏视频生成器 · AI 视频改编。
在 SceneMixer 里做 vs 自己拼工具
多数 AI 短剧流程是五六个工具接力。下面是每一步在这里怎么做、替掉的是什么。
| 步骤 | 在 SceneMixer 里 | 自己拼工具 |
|---|---|---|
| 剧本与分集 | 贴一份剧本或小说，或只写一句话：解析成角色、场景、道具和可编辑的分集大纲 | 让聊天模型写剧本，自己拆集，再把文字一个工具一个工具地搬 |
| 角色和场景 | 每个角色、场景、道具只画一次设定图，出现的每个镜头都挂着它 | 用图像模型一张张画，再手动给每条片段传对的参考图 |
| 镜头 | 每集一份带镜号和秒数的分镜；视频按段生成，9:16 或 16:9，对着同一套设定图 | 用视频模型一条提示词出一条，每次重新描述同一个人 |
| 台词与声音 | 台词在视频里直接说出来，一人一声，15 种语言可选 | 每句台词用配音工具生成，再给每条片段做一遍口型 |
| 修一个镜头 | 改那个镜头的文字、只重生成这一段，整集其余不动 | 重出那条片段，再回剪辑软件重剪 |
| 成片 | 各段合成一个带配乐的整集文件；会员可去掉 AI 角标下载 | 用剪辑软件拼片段、配乐、加字幕再导出 |
| 发布 | 成片由你自己传到抖音、快手、视频号或任何平台，站内不代发 | 一样是自己上传 |
常见问题
我能上传自己的歌吗？
不能。歌曲不是输入项目：SceneMixer 接受的是文本、最多四张广告照片或一支视频。若要使用自己的音轨，请关闭配乐后下载成片，然后在剪辑软件中把歌曲铺在下面。
它能让视频和节拍同步吗？
不能。这里没有任何东西会分析歌曲的节拍，所以不会把剪辑点放在节拍上。下载后，你要在剪辑软件中把片段修剪到节拍上。
它能做歌词视频吗？
不能做到依人声定时的文本。短句可以写成画面上的字幕；定时歌词要在剪辑软件中加上。
它能帮我写歌吗？
不能。它会依分镜为每集规划并混合背景配乐，没有曲目选择器，也没有点歌框。
角色能唱我的歌吗？
角色可以在镜头中被呈现为唱歌的样子，但声音不是你的录音，也不会对你的音轨做口型同步。
音乐录像带可以多长？
短剧的一集最长 240 秒，长剧的一集最长 300 秒，电影没有上限。每段片段为 15 秒或 30 秒。
我能做成竖屏，放到抖音、快手、视频号吗？
可以。在步骤 1 选择「9:16 竖屏」。在手机上，这是默认值。
一支音乐录像带要花多少钱？
视频在默认档位每秒 8 积分，另加接合每秒 1 积分。前 15 张设定图、第一份分镜，以及 5 秒的预览都免费。
这是看剧 App 吗？
不是看剧 App。SceneMixer 是做剧的工具：把你的剧本或小说变成角色一致、带台词的分集成片，成片由你自己发到任何平台。
更新于 2026 年 11 月 3 日