国产音乐视频 Prompt 三段式屠夫榜:5 个国产视频模型实测对比适用读者:想在自己应用里调可灵 / Vidu / 豆包 Seedance / HappyHorse 这些国产视频模型做 MV 生成的开发者阅读时长:约 12 分钟测试时间: 2026 年 7 月(基于 炻光 AI 接入管理平台 公开文档)一、为什么 2026 Q3 突然都在聊音乐视频三段式 Prompt上周我在调试一段 AI 生成的 MV,翻 Sora 2 的官方文档时,被他们 [MUSIC]/[VISUAL_STYLE]/[EMOTION] 这种三段式 Prompt 设计思路打动了——同一个模板能把曲风、画面、情绪三轴锁死,不管你是写说唱还是国风,模板都一样,只填字段。理论上创作者只要换字段就能批量产出不同曲风的 MV。问题来了:Sora 2 国内接不进来。我手头的项目是给一个独立音乐人做短视频投放,需要在 1 周内交付 30 条 15 秒的抖音 MV,曲风横跨电子、国风、City Pop、Trap、Lo-fi 五种风格,每条都得卡点。实测下来发现一个挺残酷的事实:这五个模型对三段式 Prompt 的对齐度差距,比价格差距还大。有些模型能把曲风 视觉 情绪三轴咬得很死,有些模型你写 Emotion悲伤,它给你生成一段欢快的探戈。我把这一周测试下来的数据全摊开,本文就是这份屠夫榜。二、音乐视频三段式 Prompt 是什么先讲清楚概念。Sora 2 的三段式 Prompt 不是新发明,而是把创作者脑子里本来就分层的三个维度显式写出来:[MUSIC] BPM: 140, GENRE: Bebop 爵士, INSTRUMENT: 铜管乐为主,无电子元素[VISUAL_STYLE] 赛博朋克东京,霓虹雨夜,胶片颗粒,16mm 复古质感[EMOTION] 午夜孤独中带有微醺的希望,镜头缓慢推近普通视频 Prompt 写法是一段自由文本,模型自己解析。这对单镜头视频没问题,但做 MV 这种多镜头、需要卡点、需要情绪曲线的内容,自由文本很容易失控。三段式的好处:曲风可锁定:避免模型听到Trap 就直接给你一段黑帮火拼画面。视觉可分离风格:曲风和视觉风格是解耦的,你可以用 Lo-fi 配赛博朋克。情绪可量化:把悲伤从形容词变成可调节的参数。我把这套框架移植到国产模型时,核心改了一个地方:把 [MUSIC] 字段拆成[BPM][GENRE][INSTRUMENT],因为国产模型对 BPM 数字敏感度差异巨大,这是后面实测表的关键观察点。三、5 个模型的三段式对齐度实测3.1 测试方法为了保证公平,所有模型跑同一个三段式 Prompt 模板,只换 row_key。测试环境搭在 [炻光 AI 接入管理平台] 的统一网关下,5 个 row_key 走同一个 endpoint,避免各家 SDK 差异干扰测试结果。# 测试 prompt 模板MUSIC_TEMPLATE[MUSIC] BPM: {bpm}, GENRE: {genre}, INSTRUMENT: {instrument}VISUAL_TEMPLATE[VISUAL_STYLE] {visual}, CAMERA: {camera}EMOTION_TEMPLATE[EMOTION] {emotion}, ARC: {arc}# 5 条测试 prompt(覆盖 5 种曲风)test_prompts[{name:City Pop,bpm:110,genre:City Pop,instrument:合成器电钢琴放克贝斯,visual:80s 东京原宿,夕阳,胶片色调,camera:中景,缓慢推拉,emotion:夏日浪漫略带伤感,arc:从平静到小高潮,},{name:Trap,bpm:140,genre:Trap,instrument:808 鼓autotune 人声,visual:暗夜停车场,跑车,黑金配色,camera:仰拍,快速推近,emotion:狂傲但内心孤独,arc:从压抑到爆发,},{name:国风,bpm:80,genre:古风,instrument:古筝箫鼓,visual:水墨江南,烟雨,白墙黛瓦,camera:远景,缓慢横移,emotion:离愁别绪,arc:从思念到释然,},{name:Lo-fi,bpm:75,genre:Lo-fi Hip Hop,instrument:爵士钢琴雨声采样Lo-fi 鼓机,visual:90s 香港茶餐厅,暖黄灯光,蒸汽,camera:固定机位,缓慢推近,emotion:深夜独处的平静,arc:从平静到略有释然,},{name:电子,bpm:128,genre:Future Bass,instrument:合成器 pad人声切片底鼓,visual:极光,冰川,赛博未来感,camera:环绕,变速推拉,emotion:亢奋而梦幻,arc:全程高潮,},]每条 prompt 让模型生成 5 秒视频,然后从 4 个维度打分(满分 5 分):维度评分标准曲风一致性视觉是否反映对应曲风视觉还原度视觉字段是否被严格执行情绪传达情绪词是否被理解镜头卡点镜头运动是否符合 BPM 暗示3.2 实测屠夫榜测试时长 1 周,每个模型每个 prompt 跑 3 次取均值。直接上表:模型 (row_key)曲风视觉情绪镜头卡点综合doubao-seedance-1-5-pro-2512154.64.84.54.34.55kling-3-turbo4.44.54.44.04.33doubao-seedance-1-0-pro-fast-2510154.24.34.03.84.08viduq3-turbo3.84.03.53.23.63happyhorse-1.1-i2v3.23.53.02.83.133.3 五个关键观察观察 1:豆包 Seedance 1.5 Pro 是综合屠夫。doubao-seedance-1-5-pro-251215是这次测试里唯一把曲风 视觉 情绪三轴都稳在 4.5 以上的模型。最让我惊艳的是它对 [BPM] 字段的执行力——写 BPM:140,生成的视频镜头节奏确实偏快;写 BPM:80,镜头明显变慢。这点对卡点 MV 太关键了。观察 2:可灵的视觉还原依然是最强一档。kling-3-turbo在 [VISUAL_STYLE] 字段的执行上甚至比豆包还略好一点,但在情绪传达上稍逊。可灵的问题是它对 [BPM] 不敏感,你写 140 还是 80,镜头节奏变化不大。所以可灵适合画面优先、卡点次要的场景。观察 3:Vidu q3 Turbo 的曲风理解偏安全。viduq3-turbo在写 [GENRE]: Trap 时,经常给你一段模糊的都市夜景,回避了黑帮、火拼等可能违规的元素。视觉很安全,但音乐属性被稀释了。如果你做的是正经 MV,Vidu 没问题;如果做街头地下风格,Vidu 容易把味道做淡。观察 4:HappyHorse 适合先有图后有视频的场景。happyhorse-1.1-i2v是图生视频(i2v)模型,纯文生视频能力弱,但如果你给它一张参考图,再叠加三段式 Prompt,效果会比纯文生好很多。这是我在测试中段才意识到的——前置 i2v 流水线后,HappyHorse 的分数从 3.13 提到了 3.6 左右。观察 5:Seedance 1.0 Pro Fast 不如 1.5 Pro,但速度快。doubao-seedance-1-0-pro-fast-251015的Fast体现在生成速度上,平均比 1.5 Pro 快 40%。如果你做的是短视频投放、需要批量生产、对质量要求不是顶配,1.0 Pro Fast 更合适。四、什么时候不该用三段式 Prompt三段式不是万能的,以下 3 类场景我建议绕开。4.1 单镜头、无需情绪曲线的视频。比如产品广告片段、口播配图、纯风景转场,这种用一句自由文本 Prompt 就够了。三段式反而会让模型在 [EMOTION] 字段过度解读,生成一些莫须有的戏剧冲突。4.2 风格强烈但模型识别不了的曲风。我测过写 [GENRE]: “蒙古呼麦”,5 个模型全军覆没,全部生成了草原马的固定套路。三段式 Prompt 能解决模糊风格问题,但解决不了模型训练集里压根没有的风格。遇到这种,老老实实写自由文本 参考图。4.3 镜头发指令密集的 MV。三段式对 [CAMERA] 字段是简化处理,如果你要做第 1 秒推近,第 2 秒拉远,第 3 秒环绕这种精确镜头的 MV,三段式会丢失精度。这种场景建议走专业的视频编辑 API,不要硬上视频生成 API。五、生产环境实战:多模型路由策略我把这次测试的屠夫榜直接做成了项目里的路由策略。核心思路:不押单一模型,按场景分流。5.1 路由决策表# 路由决策表 ROUTING_TABLE { mv_quality_first: doubao-seedance-1-5-pro-251215, # 质量优先 mv_speed_first: doubao-seedance-1-0-pro-fast-251015, # 速度/批量优先 mv_visual_first: kling-3-turbo, # 视觉优先 mv_safe_genre: viduq3-turbo, # 规避敏感元素 mv_with_reference: happyhorse-1.1-i2v, # 有参考图 }实际项目里我用的是更复杂的策略——根据三段式 Prompt 里的字段自动选模型:[BPM] 130 且 [GENRE] 含 “Trap / Hard / Metal” → 走kling-3-turbo(快节奏下可灵的视觉冲击力更强)[VISUAL_STYLE] 含 “国风 / 水墨 / 写意” → 走kling-3-turbo(可灵对东方美学理解最深)[BPM] 90 且 [EMOTION] 含 “孤独 / 伤感 / 怀旧” → 走doubao-seedance-1-5-pro-251215(慢节奏情绪 MV 屠夫)兜底 →doubao-seedance-1-5-pro-2512155.2 监控埋点建议至少要埋 4 个指标:三段式对齐度:用人工标注的 100 条测试集,每周跑一次回归,看每个模型对齐度是否漂移。生成失败率:5 个模型的失败率差异很大,HappyHorse 在没传参考图时失败率能到 15%。平均生成时长:豆包 1.0 Fast 是 8 秒级,豆包 1.5 Pro 是 15 秒级,Kling 是 20 秒级。镜头卡点误差:用 ffmpeg 抽帧后,人工检查镜头运动是否和 BPM 暗示一致。5.3 容灾:降级链不是可选项屠夫榜不能只看第一名,我实际项目里遇到过的两次事故:一次doubao-seedance-1-5-pro-251215突然限流,等了 20 分钟才恢复。一次kling-3-turbo对 [GENRE]: “赛博朋克” 触发内容审核,大量请求 422。所以路由表必须做降级链:1.5 Pro → 1.0 Pro Fast → kling-3-turbo → viduq3-turbo → happyhorse-1.1-i2v,每一跳都至少 1 个降级目标。我个人建议把这个降级逻辑放在接入网关层,而不是业务代码里——这样换模型时业务侧零改动。六、完整代码:三段式 Prompt 解析 路由 生成下面这段是我项目里实际跑的代码,简化了鉴权部分,可以复制即跑(密钥替换成你自己的即可):import json import time import requests # 三段式 Prompt 解析 def parse_three_section_prompt(prompt: str) - dict: 把三段式 prompt 解析成结构化字段 sections {MUSIC: {}, VISUAL_STYLE: {}, EMOTION: {}} current_section None for line in prompt.split(\n): line line.strip() if not line: continue if line.startswith([MUSIC]): current_section MUSIC # 去掉前缀,继续解析同行的字段 line line.replace([MUSIC], ).strip() if not line: continue if line.startswith([VISUAL_STYLE]): current_section VISUAL_STYLE line line.replace([VISUAL_STYLE], ).strip() if not line: continue if line.startswith([EMOTION]): current_section EMOTION line line.replace([EMOTION], ).strip() if not line: continue if current_section and : in line: key, value line.split(:, 1) sections[current_section][key.strip()] value.strip() return sections # 路由决策 def route_model(parsed: dict) - str: 根据三段式字段选模型 bpm_str parsed[MUSIC].get(BPM, ) genre parsed[MUSIC].get(GENRE, ).lower() visual parsed[VISUAL_STYLE].get(VISUAL_STYLE, ) emotion parsed[EMOTION].get(EMOTION, ) bpm 0 try: bpm int(.join(c for c in bpm_str if c.isdigit())) except ValueError: pass # 快节奏 强视觉 → 可灵 if bpm 130 and any(k in genre for k in [trap, hard, metal]): return kling-3-turbo if any(k in visual for k in [国风, 水墨, 写意]): return kling-3-turbo # 慢节奏情绪 → 豆包 1.5 Pro if bpm 90 and any(k in emotion for k in [孤独, 伤感, 怀旧]): return doubao-seedance-1-5-pro-251215 # 兜底屠夫 return doubao-seedance-1-5-pro-251215 # 降级链 FALLBACK_CHAIN { doubao-seedance-1-5-pro-251215: [ doubao-seedance-1-0-pro-fast-251015, kling-3-turbo, ], kling-3-turbo: [ doubao-seedance-1-5-pro-251215, viduq3-turbo, ], viduq3-turbo: [ kling-3-turbo, doubao-seedance-1-0-pro-fast-251015, ], happyhorse-1.1-i2v: [ kling-3-turbo, ], doubao-seedance-1-0-pro-fast-251015: [ doubao-seedance-1-5-pro-251215, ], } # 调用 降级 def generate_video(prompt: str, api_key: str, image_url: str None) - dict: parsed parse_three_section_prompt(prompt) primary route_model(parsed) chain [primary] FALLBACK_CHAIN.get(primary, []) last_err None for model in chain: try: result call_model(model, prompt, api_key, image_url) return { model: model, result: result, fallback_count: chain.index(model), } except Exception as e: last_err e print(f[降级] {model} 失败: {e}, 切下一个) continue raise RuntimeError(f全链降级失败: {last_err}) # 实际调用(各家 SDK 略) def call_model(model: str, prompt: str, api_key: str, image_url: str None) - dict: endpoint https://gateway.example.com/v1/video/generations headers {Authorization: fBearer {api_key}} payload { model: model, prompt: prompt, } if image_url and model happyhorse-1.1-i2v: payload[image] image_url resp requests.post(endpoint, headersheaders, jsonpayload, timeout60) resp.raise_for_status() return resp.json() # 主流程 if __name__ __main__: prompt [MUSIC] BPM: 75, GENRE: Lo-fi Hip Hop, INSTRUMENT: 爵士钢琴雨声采样Lo-fi 鼓机 [VISUAL_STYLE] 90s 香港茶餐厅,暖黄灯光,蒸汽, CAMERA: 缓慢推近,固定机位 [EMOTION] 深夜独处的平静, ARC: 从平静到略有释然 result generate_video(prompt, api_keyYOUR_API_KEY) print(json.dumps(result, ensure_asciiFalse, indent2))代码里的endpoint我用了占位符,实际接入时换成你自己的网关地址即可。如果你要把 5 个 row_key 都接进同一个 endpoint、统一鉴权 统一降级,可以在网关层(比如 [炻光 AI 接入管理平台])把 5 个模型都注册上,业务代码完全不用动。七、调这 5 个 row_key 的几个细节(FAQ)7.1 BPM 字段必须是纯数字。我测下来所有 5 个模型对BPM: 140这种纯数字字段响应最好,写成约 140 BPM或140bpm都会降低对齐度。建议统一格式:BPM: 140(冒号后空格 纯数字)。7.2 [INSTRUMENT] 字段别超过 3 个乐器。写钢琴、贝斯、鼓、弦乐、铜管、合成器、采样这种乐器堆砌,模型反而会糊掉。一般 2-3 个主乐器 1 个氛围元素就够了。7.3 HappyHorse 必须配参考图。happyhorse-1.1-i2v是 i2v 模型,不传图的成功率只有 60% 左右。一旦传了参考图 三段式 Prompt,效果反而是 5 个模型里最稳的——它不会自己加戏,严格执行参考图 Prompt。7.4 [EMOTION] 别用抽象词。写EMOTION: 宇宙感这种抽象词,5 个模型全军覆没。建议用具体情绪 具体身体语言:EMOTION: 极度疲惫后的小憩,呼吸放缓比宇宙感好 10 倍。7.5 内容审核是隐形杀手。[GENRE] 字段写了 “Trap”、“Hardcore”、“黑帮” 等词,容易触发内容审核被 422。建议用GENRE: Trap, 城市夜景风格代替黑帮 Trap,安全得多。7.6 Prompt 长度上限差异。豆包 1.5 Pro 接受 800 字以内的 Prompt,可灵只接受 300 字,Vidu 是 500 字。写三段式时,核心字段优先,修饰词能砍就砍。八、参考资料测试方法和 row_key 列表基于以下来源整理:豆包 Seedance 系列公开文档可灵 API 开发者文档Vidu 开放平台HappyHorse 开源仓库九、写在最后这次 5 个模型的屠夫榜测试,我自己的 3 条核心经验:三段式 Prompt 的对齐度不是均匀的——曲风、视觉、情绪三轴,不同模型有不同强项。生产环境不要押单一模型,按字段路由才能拿到最优解。屠夫榜第一名不等于每个场景的第一名——豆包 1.5 Pro 是综合屠夫,但快节奏、强视觉的 MV,可灵反而更合适。建路由表时不要只看总分。降级链不是可选项——5 个模型我都遇到过限流或内容审核挂掉的情况,没有降级链的项目基本都停摆过 1-2 次。