蛛网之上 Above the Web
GitHub ↗

发布于 更新于 约 6 分钟读完 · 2,294 字

本文目录 17 节
  1. 事实记录（不可修改区）
  2. 作品回顾
  3. 执行过程
  4. 音乐
  5. 视觉
  6. 剪辑
  7. 字幕
  8. 结果分析
  9. 成功点
  10. 问题点
  11. 方法论沉淀
  12. 1. 公益作品先做成作品，再承载信息
  13. 2. 哼唱歌曲字幕要先去音乐化，再做文字化
  14. 3. 字幕应该外置到最后一公里
  15. 4. 抽象 MV 的画面统一靠“物理材质组”，不是靠故事连续性
  16. 下次改进
  17. 关联文档

2026-06-07 Stay alive AI 音乐公益 MV 复盘

入档：2026-06-07 项目路径：D:\AIGC工作站\38_Stay alive 作品类型：AI 音乐 / 抽象 MV / 公益传播 关联 Skill：song-caption-mv-workflow/SKILL.md、suno-music-brief/SKILL.md、blind-editing-workflow/SKILL.md、aigc-postmortem/SKILL.md

事实记录（不可修改区）

  • 作品名称：《Stay alive》
  • 项目目标：用一首独立音乐作品和抽象 MV 承载公益传播，不在正片中暴露患者姓名、病情详情或募捐链接；具体募捐信息留给简介、评论区或发布说明。
  • 音乐来源：Suno 生成，创作方向从“直接讲述悲剧”转为“beatbox / 人声哼唱 / 多语言活下去 hook”的情绪表达。
  • 视觉来源：Midjourney V8.1，超现实摄影风格，统一为黑、蓝黑、灰白烟雾、微弱琥珀光点的抽象视觉系统。
  • 剪辑工具：本地 mv_kadian_tool.py、MoviePy、Pillow；后续补入 Demucs、WhisperX、CUDA 版 PyTorch。
  • 关键输出：
    • 无文字版 MV：Stay_alive_MV_no_text_1080p.mp4
    • 电影感改版：Stay_alive_MV_cinematic_v2_1080p.mp4
    • 用户手调歌词：D:\AIGC工作站\38_Stay alive\01_音频\Stay alive.srt
    • 中文意译字幕：Stay alive_中文意译.srt
    • Demucs + WhisperX GPU 短语级字幕：Stay_alive_歌词_Demucs_WhisperX_GPU_短语级推荐.srt
    • 最终发布 MV：用户在自动产出的电影感视频和字幕基础上，手动微调文字大小、位置，并补充片头标题、作者信息等发布层元素后导出。
  • 验证结果：
    • 电影感视频已生成并抽帧检查：205.5s、1920x1080、24fps。
    • RTX 4060 Ti 已被 CUDA 版 PyTorch 识别；WhisperX GPU 链路已跑通。
    • WhisperX 对哼唱和多语言歌词仍不能完全免人工校对，但比直接 medium Whisper 更适合作为字幕时间锚点。
  • 发布结果：本复盘时尚未记录平台发布数据；不能把本次流程写成“传播成功案例”，只能写成“制作链路跑通案例”。

作品回顾

最初动机不是做一首“悲伤求助歌”，而是把一条真实求助信息背后的震动转译成可被更多人接受的作品。关键选择是：正片先作为独立作品成立，公益信息后置。这避免了作品变成口号或苦情短片，也保留了传播时的体面感。

音乐方向经历了明显转向：从常规悲剧叙事，转为接近 Mao9《Another Way》启发下的人声节奏、哼唱、beatbox 质地。歌词不承担完整叙事，只保留“one small light / stay alive / we’re still here”等短语和多语言“活下去”hook。

视觉方向也同步从具象故事退到抽象摄影：烟雾、火点、暗面、涟漪、漂浮碎片、黑色空间。最终有效的不是“画出病痛”，而是用抽象材质制造一种“脆弱但仍未熄灭”的观看经验。

执行过程

音乐

  1. 使用 maieutic-skill 澄清动机：不是为陌生人“消费苦难”，而是为具体的人做一次力所能及的扩散。
  2. 使用 suno-music-brief 设计 Suno advanced prompt。
  3. 多轮调整情绪：从偏轻快改为平静、悲壮、低调。
  4. 保留多语言 “Stay alive / vive / ikite / sarajwo / Reste en vie / hayatta kal / zinda raho”。

视觉

  1. 使用 aigc-prompt-optimizer 从具象故事改为抽象超现实摄影。
  2. 统一色彩为近乎黑场的蓝黑、石墨灰、灰白雾、微弱琥珀。
  3. 出图后归档 8 张主视觉，补齐缺失图。

剪辑

  1. 第一版使用蒙眼剪辑法：8 张图按段落轮播，片尾追加公益说明黑幕。
  2. 发现内嵌歌词卡点不够准确，于是转为“无文字视频 + 外部 SRT”。
  3. 进一步改版为电影感：上下黑边、轻微抖动、呼吸式缩放、胶片颗粒、暗角、新片尾四段字幕。

字幕

  1. 直接从 plan 导出的 SRT 不可靠，因为它不是 Whisper 识别结果。
  2. medium Whisper 能识别部分歌词，但哼唱会造成大量错误段落。
  3. 去哼唱后效果变好，但仍需要人工校正。
  4. 最终验证出更稳路径：Demucs 分离人声 stem，再用 WhisperX large-v3-turbo + GPU 做词级对齐，最后按短语重组 SRT。
  5. 用户手调英文 SRT 后，再生成中文意译 SRT，用作视频附加字幕。
  6. 最终成片阶段由用户在剪映中微调文字大小、位置，并补充标题、作者信息等片头发布元素；自动链路的有效价值是节省主体剪辑、画面生成和字幕时间轴搭建成本，而不是完全替代最后的审美判断。

结果分析

成功点

  • 作品层面：公益信息没有压倒作品本体，MV 仍然是独立音乐作品。
  • 视觉层面：抽象摄影比具象病痛更克制，也更适合未知观众进入。
  • 流程层面：无文字视频 + 外部 SRT 比烘焙字幕更适合后期修正；最终人工精修层保留了标题、作者信息、文字位置和字号的审美控制权。
  • 技术层面：Demucs + WhisperX + GPU 的歌曲字幕链路已跑通，具备复用价值。

问题点

  • Suno 实唱与歌词稿会偏离：不能假设生成结果严格唱出原词。
  • 哼唱类作品不适合直接 ASR：Whisper 会把 humming 当成词，造成时间轴污染。
  • 强制对齐不能盲信：当文本和识别结果差异太大，强制对齐会把大量歌词压到错误时间段。
  • 视频风格后置会返工：黑边、抖动、字体和片尾语气应该在剪辑 plan 阶段就定下来。

方法论沉淀

1. 公益作品先做成作品，再承载信息

核心：公益信息不一定要在正片里先声夺人；先让作品独立成立，信息放在片尾、简介或评论区，反而更有尊严。

来源：《Stay alive》从直接求助歌转向抽象 beatbox MV。

验证状态：首次发现。

操作规则：

  1. 正片只表达可共感的情绪，不塞满事件细节。
  2. 片尾用简短公益说明收束，不出现隐私信息。
  3. 发布区承接具体求助链接和说明。

边界：如果平台审核或传播目标要求即时说明，正片可能需要更早给出最低限度背景。

2. 哼唱歌曲字幕要先去音乐化，再做文字化

核心：对哼唱、beatbox、人声节奏类歌曲，不能直接把整首混音丢给 ASR；先分离人声、过滤哼唱，再输出短语级字幕。

来源：medium Whisper 与 VAD 版均出现明显误差；Demucs + WhisperX GPU 后，hook 段时间锚点明显更干净。

验证状态：首次发现。

操作规则：

  1. 用 Demucs/HTDemucs 分离 vocals.wav。
  2. 对 vocals stem 跑 WhisperX，而不是原混音。
  3. 用词级时间戳重组成短语级 SRT。
  4. 删除纯 Hum / Mmm / Ah / Oh 段，只保留语义歌词。
  5. 最终仍交给人耳校对。

边界：如果歌曲是清晰说唱或普通旁白，直接 WhisperX 可能足够，不必先 Demucs。

3. 字幕应该外置到最后一公里

核心：AI 自动字幕不应早早烘焙进视频；尤其是歌曲类作品，应先导出无字版 MP4，再用 SRT 在剪映中调整。

来源：第一版内嵌歌词卡点失败，转为无文字视频 + SRT 后，人工修正成本下降。

验证状态：首次发现。

操作规则：

  1. 先出 no_text_1080p.mp4。
  2. 另出英文 SRT、中文意译 SRT。
  3. 字体、位置、描边、行距在剪映里最后统一。
  4. 需要公益说明时，可选择烘焙片尾，也可附加字幕层。

边界：如果视频要跨平台原生上传且必须保证字幕存在，最终发布版仍可烘焙字幕。

4. 抽象 MV 的画面统一靠“物理材质组”，不是靠故事连续性

核心：抽象多图 MV 不需要每张图讲同一个故事，但需要共享材质、光色和运动语法。

来源：《Stay alive》8 张图共享黑场、烟、灰白、微光、琥珀火点，最终比具象叙事更统一。

验证状态：首次发现。

操作规则：

  1. 先定色彩组和材质组，再写单张 prompt。
  2. 每张图只表达一个情绪动作：漂浮、涟漪、脆弱、凝视、残光。
  3. 剪辑时用统一的 Ken Burns / 抖动 / 黑边 / 胶片颗粒补足连续性。

边界：如果 MV 有明确角色或剧情，仍需要角色一致性和镜头连续性。

下次改进

  • 在 Suno 定稿后，第一时间跑 Demucs + WhisperX，尽早知道真实歌词时间轴。
  • 视觉出图前就决定横屏、黑边比例、字体风格、字幕是否外置。
  • 将“发布层文字”单独列入计划：片头标题、作者信息、片尾说明、字号层级和安全边距，默认留给最后人工精修。
  • 把字幕链路封装为固定 Skill：输入音频和目标歌词，输出 raw / no-hum / phrase-level / 中文意译多份 SRT。
  • 对公益作品建立发布前检查：隐私信息、收益说明、置顶评论、平台收益结算口径。

关联文档

类型/IP视觉工具/Suno工具/WhisperX