用 MiniMax H3 与 ACE-Step 做 AI 音乐视频:升级模型反而不一定更好
WolframRvnwlf · x · 2026-09-30
一位创作者复盘了全 AI 音乐视频的制作经验:
- 模型升级≠效果更好:从 MiniMax H3 Fused 4-Step 换到 Full 版后,部分镜头细节增加,但丢掉了原本喜欢的运镜和表演,还出现多余的背景人物、不该唱歌的音乐人、损坏的乐器等问题。最终他们拒绝了整体替换,在新旧两版中挑选最佳镜头混合剪辑。
- 音频细节最难搞:Whisper large-v3 和 Gemini 3.5 Flash 对歌词、"WE BITE BACK" 重复次数的转写不一致,只能作为线索,精确的歌词对时还得靠人工听音、看波形和乐感判断。
- 分离后重对时的修音听起来不对,更好的办法是复用前面副歌中完整的乐句并对齐。
制作工具栈:ACE-Step 1.5 XL SFT LM 4B(StepFun 等)负责歌曲与人声;MiniMax H3 Ref2VA 生成参考图引导的表演;FLUX.2 [klein] 9B 生成音乐人单体重参考;字节 Seedream 5.0 Pro 与 SeedVR2 负责舞台参考和全乐队画面。
「多模态」频道最新
- Qwen 图像 2.1 与 Minimax H3 实测:老照片修复与写实化转换 — Ant_6431 · 2026-11-16
- Minimax H3 视频生成演示:Cubee 店面镜头第二版 — JahJedi · 2026-11-16
- 不会画画的开发者用 Fable 5.2 四小时做出 14 章手绘风故事书游戏 — jradoff · 2026-11-16
- Minimax H3 Image 训练人物 LoRA 相似度差,同数据集在 Qwen 2.1 上表现优异 — Ad_Organic · 2026-11-16
- Seedance 生成地铁车厢动画片段,光影细节惊到 Reddit 网友 — Ok-Solution-7889 · 2026-11-16
- 推主用 AI 重制 1977 版《黑衣人》风格画面 — techhalla · 2026-11-16