/icon.png){kind=icon}
以分鏡驅動的 AI 音樂 MV 製作法：先定 5 個鏡頭，再填視覺（SunoMV 2026）
重點摘要
AI MV 讓人感覺「零散」的根本原因，在於缺少分鏡。 大多數人直接「歌詞 → 自動配圖」，模型一行歌詞生成一張圖，30-50 張圖彼此毫無關聯——看起來就像 PowerPoint 翻頁秀。本方法將「先做分鏡，後填視覺」轉化為一套紀律：用 5 個鏡頭鎖定情感弧線，再讓 AI 在每個鏡頭框架內填充畫面，並以節拍同步轉場縫合。
本文帶走三樣東西：① 可直接填寫的 5 鏡頭分鏡模板、② 5 種曲風分鏡範例（Lo-fi、電影感、流行、民謠、龐克）、③「無分鏡 vs 有分鏡」的實際數據對比。
為什麼「歌詞 → 配圖」行不通
預設工作流程：
歌曲 → ASR → 逐行歌詞 → 模型每行生成一張圖 → 縫合每張圖本身都「對」——但 30-50 張圖毫無視覺一致性。同一首歌可能從寫實風切換到水墨風再跳到賽博龐克，因為模型只看到一行歌詞，看不見整首歌。結果：
- 主角不一致（每張圖的人物都不同）
- 色調飄移（每 8 秒換一套配色）
- 沒有情感弧線（副歌跟主歌看起來一樣）
- 轉場只有淡入淡出，缺乏敘事感
觀眾直接滑走——不是因為圖片品質差，而是因為根本沒有故事。
核心概念：分鏡驅動
電影 100 年前就解決了這個問題：先畫分鏡，再拍鏡頭。一首 3 分鐘的歌，結構上是一個有鋪陳、高潮與釋放的小故事——映射到 5 個鏡頭：
| 鏡頭 | 段落 | 時長 | 情緒 | 攝影語言 |
|---|---|---|---|---|
| 鏡頭 1 | 片頭 | 10-20秒 | 鉤子／抓注意力 | 廣角／靜態／留白 |
| 鏡頭 2 | 主歌 1 | 30-50秒 | 鋪陳／醞釀 | 中景／緩推進／介紹主角 |
| 鏡頭 3 | 副歌 | 30-40秒 | 高潮／釋放 | 特寫／硬切／節拍同步 |
| 鏡頭 4 | 橋段 | 20-40秒 | 轉折／反差 | 慢動作／對比／停頓 |
| 鏡頭 5 | 尾聲 | 10-20秒 | 餘韻／退出 | 廣角／淡出／呼應片頭 |
5 個鏡頭鎖定情感弧線。 其餘 25-45 張圖在這 5 個框架的風格限制內填充。這就是為什麼有分鏡的 MV 看起來渾然一體。
5 鏡頭分鏡模板（直接使用）
在開始生成任何內容前先填這張表。欄位不要留空：
| 欄位 | 鏡頭 1（片頭） | 鏡頭 2（主歌） | 鏡頭 3（副歌） | 鏡頭 4（橋段） | 鏡頭 5（尾聲） |
|---|---|---|---|---|---|
| 場景 | 在哪裡（地點） | 相同或推進 | 高潮場景 | 反差場景 | 回到片頭或退出 |
| 情緒 | 1 個形容詞 | 1 個形容詞 | 1 個（必須與鏡頭 1 不同） | 1 個（最大反差） | 呼應鏡頭 1 |
| 關鍵詞 | 3-5 個視覺詞 | 3-5 個 | 3-5 個 | 3-5 個 | 3-5 個 |
| 攝影方式 | 廣角／中景／特寫／微距 | 選 1 種 | 選 1 種 | 選 1 種 | 選 1 種 |
| 轉場到下一鏡 | 淡出／硬切／形變／推移 | 選 1 種 | 選 1 種 | 選 1 種 | — |
經驗法則：這張表花 15-20 分鐘填完，可以省下後期 2-3 小時的「事後修復」時間。
5 種曲風分鏡範例（已驗證的框架）
以下是 5 個實際拍攝過的分鏡。把關鍵詞換成你的歌曲具體內容即可：
曲風 1 · Lo-fi（書房／雨夜）
鏡頭 1：廣角 · 書房窗邊，雨夜 · 「寧靜」 · 雨滴／暖燈／木桌／單盞燈
鏡頭 2：中景 · 緩推桌面物品 · 「專注」 · 打開的書／咖啡杯／筆記本
鏡頭 3：特寫 · 手寫字／翻頁 · 「沉浸」 · 筆尖／紙張／文字浮現
鏡頭 4：慢動作 · 窗外雨勢加大 · 「孤獨」 · 模糊路燈／雨刮器／遠處身影
鏡頭 5：廣角 · 燈光熄滅 · 「釋放」 · 雨聲漸弱／朦朧感／淡入黑暗轉場：全部使用形變＋緩推，不用硬切。
曲風 2 · 電影感（OST／城市夜景）
鏡頭 1：空拍廣角 · 城市天際線 · 「史詩感」 · 摩天樓／燈火／壓迫感
鏡頭 2：中景 · 街頭人群慢動作 · 「人群中的孤獨」 · 模糊路人／清晰主角／交通號誌
鏡頭 3：特寫 · 主角在雨中的臉 · 「高潮」 · 面部近景／強烈燈光／慢動作
鏡頭 4：廣角 · 天台／露台 · 「自由」 · 風衣／城市背景／夕陽
鏡頭 5：空拍上升 · 遠離城市 · 「釋放」 · 鏡頭拉遠／黑暗／片尾字幕轉場：硬切＋節拍同步，每一行歌詞切一次。
曲風 3 · 流行（青春／校園）
鏡頭 1：中景 · 教室／操場 · 「青春活力」 · 陽光／制服／笑容
鏡頭 2：跟拍 · 在校園走路 · 「期待」 · 腳步聲／樹影／同學
鏡頭 3：近景群像 · 合唱跳舞大合照 · 「慶祝」 · 跳躍／彩帶／多人角色
鏡頭 4：慢動作 · 回頭張望 · 「不捨」 · 慢動作／逐漸散去／黃金時刻
鏡頭 5：廣角 · 校門口／夕陽 · 「青春」 · 剪影／長椅／飄動的雲轉場：淡出＋推移，有節奏感但不強烈。
曲風 4 · 民謠（旅途／自然）
鏡頭 1：廣角 · 山路／海岸線 · 「遼闊」 · 公路／遠山／藍天
鏡頭 2：跟拍 · 徒步前行 · 「自省」 · 背影／樹林／溪流
鏡頭 3：中景 · 營火／帳篷 · 「療癒」 · 火光／朋友／星空
鏡頭 4：特寫 · 手／吉他 · 「沉浸」 · 指尖／琴弦／撥片
鏡頭 5：空拍 · 離去 · 「告別」 · 鏡頭遠去／黑暗／片尾字幕轉場：全部淡出，節奏緩慢。
曲風 5 · 龐克（反叛／街頭）
鏡頭 1：廣角 · 工業廢墟／街頭 · 「壓抑」 · 塗鴉／陰天／金屬感
鏡頭 2：中景 · 主角靠牆 · 「對抗」 · 皮衣／煙霧／側臉
鏡頭 3：特寫 · 砸東西／吶喊 · 「爆發」 · 拳頭／玻璃／紅光
鏡頭 4：慢動作 · 火焰／煙霧 · 「危險」 · 火星／風／灰燼
鏡頭 5：廣角 · 主角走出 · 「決心」 · 背影／黎明／大步離去轉場：硬切＋閃光，副歌每一個節拍切一次。
「無分鏡」vs「有分鏡」——實際測試
同一首 3 分鐘 Lo-fi 歌曲，兩次生成對比：
| 維度 | 無分鏡（預設） | 有分鏡（5 鏡頭） |
|---|---|---|
| 圖片數量 | 47 張 | 31 張＋5 個 AI 轉場 |
| 主角一致性 | 30%（每張圖都不同） | 85%（紮根於 5 個核心場景） |
| 色調一致性 | 低（暖色／冷色／藍色混雜） | 高（統一暖色調） |
| 情感弧線 | 無（整首歌同一個情緒） | 有（鉤子→鋪陳→高潮→轉折→釋放） |
| 完播率（IG Reels） | 38% | 64% |
| 製作時間 | 5 分鐘 | 25 分鐘（含填表＋選圖） |
結論：多花 20 分鐘填這張表，完播率從 38% 提升到 64%。投資報酬率非常具體。
如何在 SunoMV 中落地
SunoMV 編輯器原生支援分鏡驅動流程：
- 第 1 步：匯入後，先用 AI Music Visualizer 跑一次預設流程，看看模型的初始解讀
- 第 2 步：根據初始輸出，填寫 5 鏡頭模板（另開 Notion／試算表）
- 第 3 步：以 5 個核心鏡頭作為提示錨點重新生成——SunoMV 支援關鍵幀固定：每個鏡頭選 1 張代表圖，其餘圖片以該風格內補填
- 第 4 步：使用 AI Video Transitions 在 5 個鏡頭之間生成 2-4 秒的動態轉場
- 第 5 步：匯出 9:16 / 16:9 版本
核心原則：不要讓 AI 主導分鏡，讓它填充你已鎖定的分鏡。這才是控制力與速度的正確平衡。
常見問題
Q：5 個鏡頭感覺太少？ A：5 個是骨架，不是上限。每個鏡頭可以有 5-12 張圖片變體（相同主角、相同配色、相同場景——細節不同）。總圖片數量仍然是 30-50 張。
Q：有兩段副歌，怎麼處理？ A：第二段副歌是鏡頭 3 的「變奏」——相同場景、相同主角，但加入新元素（群像、更緊的特寫、更強的情緒）。不要另立新鏡頭。
Q：我的曲風不在上面 5 種裡面怎麼辦？ A：所有曲風都可以映射到片頭／主歌／副歌／橋段／尾聲的 5 段結構（流行音樂 60 年來一直如此）。先鎖定「段落→情感弧線」，再換入你的關鍵詞。
Q：純器樂（無歌詞）怎麼辦？ A：一樣——依照器樂段落切分。主旋律段 = 主歌，高潮段 = 副歌，安靜段 = 橋段。
Q：這跟 AI Music Visualizer 有什麼關係？ A：Visualizer 是模型的「預設」自動流程——也就是本文中「無分鏡」的基準線。本方法在其上加了一層手動分鏡，讓預設流程有了結構。
發布前的查核清單
- 全部 5 個鏡頭使用不同的情緒形容詞（如果主歌和副歌都說「強烈」，代表弧線已塌陷）
- 至少 5 個鏡頭中有 3 個共享同一主題（人物／物件／場景）——否則等於重置了世界 5 次
- 副歌的攝影語言比主歌更強（特寫 > 中景 > 廣角）
- 橋段與副歌有明顯對比（慢速 vs 硬切／廣角 vs 特寫／冷色 vs 暖色）
- 尾聲呼應片頭（相同場景或情感首尾呼應）
下一步
將這個 5 鏡頭模板存入 Notion／試算表。每次製作新 MV 之前先填好。花 20 分鐘，換來 1.5-2 倍完播率——這是目前 AI MV 創作中投資報酬率最高的一步。
若想提升主角一致性，請參閱 Character Consistency Method。若想了解節拍同步剪輯，請參閱 Beat-synced Visual Pacing。
—— SunoMV Team