DGX Spark 本地跑通 3 分钟 AI 音乐视频,20 场景耗时约 30 小时

Inevitable_Emu2722 · reddit · 2026-11-22

一位创作者用 NVIDIA DGX Spark 完全在本地生成了一支约 3 分钟的 MV,主角是虚构乐队 The Stochastic Parrots(一群穿鹦鹉服的乐手)。

工作流:先用 ChatGPT 头脑风暴概念并生成约 60 张参考图,再用 MiniMax H3 的 Ref2VA/FL2VA 把图片动起来,并把歌曲对应段落喂进视频生成过程以同步表演;由 pi coding agent(本地 GLM 4.5 Fast,把 wan2gp 当 API 用)全程协调;faster-whisper 把实际唱出的歌词映射到时间线,最后在 DaVinci Resolve 里剪辑合成。

参数与产出:约 20 个主场景共 43 条视频素材,单条约 10 秒、1280×704、24fps、8 步,DGX Spark 上单条约 16 分钟,总 GPU 时间约 20-30 小时。

经验:角色一致性最难——脸会变、服装会突变、乐器变成奇怪物体、人物中途消失;简单场景效果更好(单人搞笑比全队合奏可信),黑白后台素材既出效果又能掩盖不一致。

所属事件:开发者用 DGX Spark 本地炼成 3 分钟 AI 音乐视频(2 条相关)→

原文链接 →

「Infra」频道最新

更多「Infra」频道 AI 资讯 →