AI 用 8 种唱法唱收假：歌、歌手和口型是怎么做的

要做的事

把同一句歌词「我的身体去上班，我的灵魂还在放假」，做成 8 段不同唱法的演唱，每段 6–7 秒，由 8 位虚构歌手对着口型唱出来，最后剪成一支 62 秒的竖屏 MV。

适合谁

想做 AI 音乐、节日热点短视频的内容创作者。
只做歌曲这一步，会用 Suno 就够了。画歌手和对口型这两步用的是本机 ComfyUI，需要一台有独立显卡的电脑，门槛高一些。

工具和耗时

步骤	工具	条件	本期耗时
生成歌曲	Suno	付费套餐（本期用 Pro），下载有次数额度	8 种风格共生成 22 版
截出两句歌词	代码 + 豆包录音文件识别	火山引擎 API Key	—
画歌手	Qwen-Image（本机 ComfyUI）	8 GB 显存的笔记本显卡（RTX 5060）	每张约 90 秒
对口型	InfiniteTalk（本机 ComfyUI）	同上	每段约 15 分钟，8 段共约 2 小时
剪辑	Python + FFmpeg	—	—

做法

1. 写歌词

整首歌照常写，但要有两句能单独成立、一听就记住的句子。视频只用这两句，8 种唱法唱的是同一句，观众才好比较。

本期歌词

[Verse]
我的身体去上班
我的灵魂还在放假
闹钟响了第三遍
梦里我还在海边呀
[Chorus]
我的身体去上班
我的灵魂还在放假
工位上坐着的那个人
其实只是我的躯壳啊

2. 在 Suno 生成 8 种风格

同一份歌词，每种风格各生成一次。每条风格提示词后面都加上 vocals start immediately, no instrumental intro，让歌一开头就唱。每种风格挑一版，唱词清楚、开口早的优先。

唱法	风格提示词
1 史诗战歌	`epic orchestral, cinematic war drums, massive choir, heroic male vocal`
2 童声儿歌	`children's song, cute, glockenspiel, ukulele, bright childlike vocal, nursery rhyme`
3 金属嘶吼	`heavy metal, distorted guitars, double bass drums, screaming male vocal`
4 KTV 苦情	`sad mandarin ballad, piano, strings, heartbroken male vocal, KTV`
5 广场舞 DJ	`chinese square dance DJ remix, four on the floor, cheesy synth, energetic female vocal`
6 美声歌剧	`opera, bel canto tenor, grand orchestra, dramatic`
7 说唱	`chinese hip hop, trap beat, 808, fast male rap`
8 古风戏腔	`chinese traditional, guzheng, erhu, xiqiang opera style female vocal, gufeng`

歌曲标题里写上编号和风格，例如「收假1-史诗战歌」，下载后才分得清。

3. 截出两句歌词

在每首歌里找到「我的身体去上班，我的灵魂还在放假」第一次出现的位置，截到「放假」的尾音结束、下一句开口之前。古风戏腔唱得慢，只用了第一句。截好的 8 段，每段 5.9–7.4 秒。

我们先把立体声中间的人声突出出来，再用豆包的录音文件识别拿到每个字的时间，自动定位。只做一两首的话，用剪辑软件边听边截更快。

4. 画 8 位歌手

每种唱法写一段人物描述，再加上一段所有歌手共用的画面要求，用本机的 Qwen-Image 生成 720×1280 的竖图。

共用的画面要求

竖构图，胸部以上的中近景，人物位于画面中央偏上，正面面对镜头，脸部清晰完整，嘴巴张开正在唱歌，嘴部没有任何遮挡。真实人物摄影质感，真实皮肤纹理，真实发丝，电影级光影，85mm人像镜头，浅景深，超高细节，照片级真实感。画面中没有任何文字、字母、数字、标志或水印。

8 段人物描述

史诗战歌：一位30岁左右的中国男性上班族，短发，面容坚毅，身穿厚重的银色古代铠甲，铠甲里露出白衬衫领口和深蓝色领带，胸前挂着一张蓝色挂绳的空白白色工牌。他站在硝烟弥漫的城市战场上，背后是高耸的写字楼群和燃烧的金色夕阳，空中飘着火星与烟尘。他昂首挺胸，张大嘴巴激昂高歌，眼神坚定，像即将出征的将军。史诗电影海报般的戏剧性光影，逆光轮廓光，暖橙与冷蓝的对比色调。
童声儿歌：一位24岁左右的中国年轻女性上班族，圆脸，笑容灿烂，扎着两个蓬松的丸子头，戴着粉色兔耳朵发箍，穿着浅黄色针织开衫和白衬衫，胸前挂着贴了卡通贴纸的空白工牌。她身处色彩明快的童话风格办公室，桌上摆满彩色积木、气球和小黄鸭玩具，背景柔和明亮。她微微歪头，张嘴开心地唱着儿歌，表情天真可爱。明亮柔和的漫射光，粉黄蓝马卡龙色调。
金属嘶吼：一位35岁左右的中国男性上班族，黑色长发凌乱飞扬，额头有汗珠，穿着黑色铆钉皮夹克，里面是皱巴巴的白衬衫和松开的领带，挂着空白工牌。他在深夜昏暗的办公室里，背后是一排排电脑屏幕发出的冷光，空中有火花和烟雾。他仰头张大嘴巴用力嘶吼，表情狂野。强烈的红色与蓝色舞台光，高对比，摇滚演唱会氛围。
KTV 苦情：一位28岁左右的中国男性上班族，穿着皱了的深灰色西装和白衬衫，领带歪着，挂着空白工牌。他坐在KTV包厢里，手握麦克风放在下巴下方，麦克风不遮挡嘴巴，眼眶泛红含着泪光，深情又心碎地张嘴唱歌。背景是霓虹灯和闪烁的小彩灯，桌上放着笔记本电脑和一盒冷掉的外卖。迷离的霓虹光影，伤感氛围。
广场舞 DJ：一位50岁左右热情开朗的中国阿姨，烫着时髦的短卷发，戴着大号金框墨镜，脖子上挂着头戴式耳机，穿着亮红色运动外套，挂着空白工牌。她站在夜晚写字楼楼下广场的DJ台前，一手高举红色绸扇，一手搭在打碟机上，张嘴兴奋地唱着。背景是彩色舞台灯、音箱和跳广场舞的人群剪影。热闹欢快的派对灯光，鲜艳饱和的色彩。
美声歌剧：近景构图，镜头只拍到胸口以上，人物的头和肩膀占据画面上半部分，脸部大而清晰。一位40岁左右、体型微胖的中国男高音，梳着整齐的背头，留着小胡子，穿着黑色燕尾服和白色领结，胸前别着空白工牌。他在现代会议室里，一只手按在胸前，张大嘴巴深情演唱歌剧，表情夸张投入。一束聚光灯从上方照在他脸上，背景是昏暗虚化的会议室和空白投影幕。古典歌剧舞台光效，金色暖光，庄重又滑稽。
说唱：一位25岁左右的中国年轻男性说唱歌手，寸头，戴着粗金链子和反戴的棒球帽，穿着宽松的黑色连帽卫衣，脖子上同时挂着空白工牌。他站在早高峰的地铁车厢里，一只手做出说唱手势，张嘴快速说唱，表情自信酷炫。背景是车厢扶手和模糊的通勤人群，霓虹绿色与紫色光效，街头嘻哈风格，动感光影。
古风戏腔：一位25岁左右的中国年轻女性，乌黑长发盘成古典发髻，插着精致的发簪，穿着淡青色古风汉服，怀里抱着一台打开的笔记本电脑，汉服外还挂着空白工牌。她站在古典园林的亭台中，背后是月光下的江南白墙黛瓦，远处是现代写字楼的灯火。她微微侧身回眸，张口唱着戏腔，眼神婉转。月光与暖灯的柔和光影，青白淡雅的色调，东方美学。

美声歌剧的第一版是全身像，脸在画面里太小，加上「近景，只拍到胸口以上，脸部大而清晰」后重画了一张。

5. 对口型

把歌手图和截好的人声交给 InfiniteTalk，生成唱歌的视频：432×768，每秒 25 帧，每 81 帧一段，段与段之间重叠 9 帧接上，采样 6 步，并加了 lightx2v 加速 LoRA。一段 7 秒左右，在 8 GB 显存的笔记本上约 15 分钟。

驱动口型的是人声突出后的音轨，成片里放的是原曲。

6. 剪辑

用代码把「假期余额 0%」的开场、8 段演唱和投票片尾接起来，各段音量拉平，切换处加音效。右上角的 AI@π 和字幕都是后期叠加的，不让模型生成文字。

需要人工核对的地方

唱词：Suno 可能唱错字或改字，截取前先听一遍。
截取位置：每段从第一个字开始，尾音完整，没有带进下一句。
歌手画面：脸要够大，嘴不能被话筒或手挡住，画面里不要有字。
口型：逐段看一遍，口型和声音对得上再用。
标注：发布时选择「含AI生成内容」，并说明人物为虚构。

常见错误

风格提示词里没写「一开口就唱」，前奏太长。即使写了也不保险：我们选用的 8 版里，史诗战歌、金属嘶吼和 KTV 苦情的人声都在 14–19 秒后才开始，只能从中间截。
人物画成全身像，脸在画面里太小。
歌曲标题不写编号和风格，下载后分不清；我们有一首说唱的标题写错了，下载后才改过来。
伴奏很响时，直接拿原曲做语音识别几乎认不出唱词，要先把人声突出出来。

这期的局限

只用了 Suno、Qwen-Image 和 InfiniteTalk 这一套工具，没有和其他音乐、绘图或对口型工具比较。
耗时是在一台 RTX 5060 笔记本（8 GB 显存）上的单次记录，换一台机器会不同。

视频号评论区正在投票：你最喜欢第几种？票数最高的那版，下期唱整首。