刷屏 AI MV 是怎么用 Opus 5.5 做出来的

Michael Guo @Michaelzsguo原推发布于 2026.09.28

在 X 上打开原推

很多人都在研究，这个连马斯克都连连点赞500多万刷屏的 AI MV 到底怎么做出来的。 作者说，他把 Donald 的提示词、Midjourney 和一份 moodboard 交给 Opus 5.5，12 小时后醒来，就看到了成片。 所以这个视频的关键是两个： Moodboard和提示词。 提示词后说， 先说Moodboard。 Moodboard 就是情绪板，也可以叫视觉参考板：把能表达你想要的风格的图片、颜色、字体和画面放在一起，让别人或 AI 直观看懂你的审美方向。 比如做这个 MV，可以放： 人物参考：发型、服装、妆容。 场景参考：冷蓝色地下车库、工业走廊。 画面质感：老 CRT 屏幕的网格、颗粒。 图形和字体：追踪框、终端窗口、小票、大字号歌词。 它不必是一份精美设计，几张截图加上说明就够了。关键是标清楚：这张参考服装，那张参考灯光，另一张只参考字体。 再说提示词： Opus 5.5 可以从一次完整交代开始，把创意制作一路做下去。但你的审美和创意，仍然需要写进提示词。工具、参考素材和验收要求，也要一起给它。 看这个视频就很具体：歌手身边有追踪框和细小的诊断标签；图表、小票、终端窗口把歌词变成画面里的物件；大字号关键词和小字幕交替出现。一层类似 CRT 屏幕的网格质感，把人物影像和这些图形串在一起。 如果想做出这种感觉，我会这样描述： 把整支 MV 设计成一场被机器监测的流行音乐表演。主角的深色短发、白色泡泡袖上衣、黑色绑带和耳麦，在不同镜头中保持一致。冷蓝色工业空间与暖色人物特写交替出现。在影像上叠加细线追踪框、小字号等宽标签、诊断图表、小票卡片和终端窗口。歌词中的重点词用大字号窄体字呈现，其余部分保留克制的小字幕。人物影像和图形共用一层轻微的 CRT 网格质感，同时保证脸和关键文字清楚。 它比“做得复古一点”更能让 agent 知道你想要什么。 再读 Donald 的提示词，会发现除了创意，还需要把制作流程交代清楚： 1. 给输入素材。 参考视频、moodboard、已有源文件，以及成品歌曲或歌曲制作要求。Donald 原版要求沿用已有音轨，这个改编版的音频制作方式尚未确认。 2. 给工具和使用条件。 让 agent 能实际调用图片、视频、音效生成工具，并提供 API 文档和相关 skills。这个视频的作者明确提到 Midjourney；Donald 的提示词还包括媒体生成、ElevenLabs 音效和 JavaScript 动画。 3. 指定中间产物。 先做风格设定、角色参考图、场景图和分镜表。每个镜头写清参考素材、动作、运镜、时长，以及对应哪段歌词。 4. 交代时间和构图。 围绕最终音轨安排镜头。哪些地方需要对口型，哪些可以用空镜或动作镜头，哪里需要给大字歌词留空间，都要提前考虑。 5. 交代怎么合成。 说明生成的视频、代码绘制的图形、文字和特效如何配合。要求保存提示词、中间素材和可编辑源码，方便单独替换某个镜头。 6. 要求检查和返工。 让 agent 看完整片，也检查局部截图，核对角色一致性、音画同步、转场和文字可读性。弱的镜头重新生成，再看一遍。同时写清预算和最终交付文件。 “一次提示词”说的是你如何交代任务。Agent 在内部仍然要规划、生成、检查、修改。你的提示词，需要给它一套明确的视觉语言，以及判断作品是否完成的标准。

这条是引用着另一条写的：「Opus 5.5 连续跑 12 小时产出的视频」