《人工智能基础与应用》课件-项目5声入人心影映万象：语音、音乐与视频智能创作

项目5声入人心，影映万象语音、音乐与视频智能创作人工智能通识教程·高职院校教学用PPT目录1项目导入与学习目标2知识准备：语音AIGC核心技术3知识准备：音乐生成与视频生成4任务5.1TTS、克隆与情感表达5任务5.2音乐生成与风格控制6任务5.3文生/图生视频与运镜7项目小结与课后习题01项目导入项目导入：从静态内容到视听动态项目背景在前面的项目中，已经掌握了文本生成（让AI写大纲）和图片生成（让AI画海报）的硬核技能。但当打开抖音或微信视频号，你会发现今天已经是「视听动态」主宰流量的时代。假设你现在是学生会宣传部部长，或新媒体运营专员。领导要求你明天交出一个带有专业配音、画面震撼的1分钟宣传短视频。如果不会剪辑、没有录音棚、更没有经费请演员和摄影团队——这项任务几乎是「死局」。但幸运的是，我们正处于AIGC爆发元年。在这个项目中，将为大家系统介绍国内最前沿的语音与视频大模型。你将学会如何用一段文字召唤出播音主持级别的专业配音，甚至用几张静态图片生成运镜流畅的电影级视频。从今天起，你一个人，就是一支全能的影视摄制组学习目标知识目标了解TTS与语音克隆的底层技术原理熟悉AI音乐生成核心技术与提示词设计掌握视频生成DiT架构与六要素提示词法则区分国内主流音视频AIGC工具箱特色技能目标独立完成高质量文本配音与声纹克隆完成AI音乐全流程闭环（词曲生成到导出）掌握文/图生视频的动态视觉转化精确控制视频运镜与多轮迭代修复素养目标尊重知识产权，理解AI视听版权边界用AI技术挖掘中国之美，讲好中国故事摒弃「一键生成」浮躁心态培养精益求精的职业态度知识+技能+素养三维目标：既要懂原理，又要会操作，更要有正确的价值观案例引入：古村出圈记场景故事旅游管理专业大一学生李雷，想为家乡（一个偏远传统古村落）制作旅游宣传短视频。李雷手机里只有几张家乡古建筑的静态照片。他自己普通话带有浓厚的地方口音，无法完成旁白配音。照片是静止的，做成视频就像是「PPT播放」，无法吸引观看者目光。AI解决方案Step1MiniMax语音输入家乡解说词，瞬间生成堪比央视纪录片级别的醇厚男声配音Step2即梦AI图生视频把古建筑静态照片导入，让炊烟袅袅升起，小河的水流动起来甚至生成了极其丝滑的无人机航拍运镜AI取代的是人类的「技术壁垒」还是「思想」？如何防范AI语音克隆诈骗？02知识准备：语音AIGC语音AIGC的跨越式演进核心概念语音合成解决的是「让机器像人一样说话」的问题。如今，AI不仅能精准复刻真人音色，更能深度解析文本背后的情绪，实现带有呼吸感和情绪起伏的自然表达。这一跨越正深刻重塑以下行业：语言学习—AI外教零延迟对话，打破「哑巴英语」内容创作—自媒体短视频工业级配音，一键生成智慧康养—为视障人群提供真人般听读服务有声读物—AI自动分析语境，智能分配不同音色从「机械朗读」到「拟人化表达」——语音合成已实现质的跨越TTS技术原理：从「拼接法」到「生成式」早期TTS：拼接法通过拼接预先录制的语音片段来生成声音缺乏灵活性无法朗读未录制的词汇声音生硬，无情感变化类比：像把录好的磁带剪碎再拼起来现代AIGCTTS：生成式端到端合成，无需预录片段直接通过学习人类语音规律生成声音自然度、情感表达已媲美真人能任意组合从未说过的句子类比：AI像指挥家一样调度声音参数TTS工作流程：文本理解->情绪提取->多音字消歧->声学模型生成频谱->声码器输出声音语音克隆技术：让AI拥有你的声音什么是语音克隆？让机器学习模仿某个特定真人的声音并用这个声音合成该说话人原本未说过的语音内容操作流程：1.对着麦克风朗读几十句话（几秒到几分钟）2.AI神经网络提取声纹特征3.建立专属数字声音模型4.输入任何文字，AI用你的声音合成声纹：声音的指纹人的声音像指纹一样独一无二声带厚薄、口腔鼻腔共鸣腔体大小独特的换气节奏与咬字发音习惯共同构成专属于个人的声音标识【法律警示】语音克隆仅需几秒音频即可建立声纹模型，随意上传他人声音可能涉及侵权。务必获得声音主体明确授权，严禁未经授权克隆他人声纹。声纹=声音的指纹；语音克隆=AI学习你的声纹后用你的声音说任何话核心商业与社会应用场景语言学习专属私教彻底解决「哑巴英语」与开口羞耻AI外教纯正口音零延迟对话永远耐心纠正时态与发音打破高昂真人外教成本壁垒自媒体工业级配音无需担忧口音或录音环境嘈杂输入文案一键生成悬疑、搞笑、纪录片等风格实现内容产出批量化智慧康养与情感陪伴为视障人群提供真人般听读服务提升获取信息的尊严感克隆已故亲人声音提供情感抚慰为阿尔茨海默症老人提供人文关怀有声读物高效制作长文本大模型具备角色识别能力导入百万字小说自动分析语境为男女主角和旁白智能分配音色瞬间完成多人广播剧语音AIGC正在重塑语言学习、内容创作、智慧康养、有声读物四大领域国内主流语音合成大模型矩阵讯飞星火行业底蕴深厚的「全能老将」中文语音赛道第一梯队嘈杂环境95%以上识别准确率支持数十种外语和方言实时互译应用：跨国同传、医疗问诊、智慧座舱豆包极具网感的高拟真助手字节跳动出品自带呼吸声、语气词和情绪起伏能自动读懂发疯文学或悲伤故事应用：短视频配音、情感陪伴MiniMax语音高情商「角色扮演」专家端到端全双工语音交互根据上下文实时调整语气极短样本实现20+语言声纹克隆应用：互动游戏NPC、虚拟教练通义CosyVoice新一代端到端生成模型阿里云达摩院研发基于FlowMatching和LLM架构强大的语义理解与情感控制应用：天猫双11虚拟主播、智能客服国产语音大模型已展现顶尖水准——优先学习自主可控的主流工具TTS技术发展六十年：从机械合成到智能生成1939Voder语音合成器HomerDudley在纽约世博会展示，人类首个实时语音合成器1976DECtalk共振峰合成MIT开发，霍金使用的语音设备，首次实现英语连续合成1997AT&TNaturalVoices大语料库单元选择技术，MOS达4.2分，但存储需200MB/小时2009HMM统计参数合成HTS系统，训练数据降至10小时，但存在过平滑效应2016WaveNet深度学习突破DeepMind发表，扩张因果卷积建模原始波形，MOS达4.212017Tacotron2端到端Google发布，文本直接映射梅尔频谱+WaveNet声码器，MOS达4.532023+FlowMatching/扩散模型阿里CosyVoice等新一代模型，情感控制与多语言能力飞跃2016年WaveNet是分水岭：MOS从3.x跃升至4.21，AI语音自然度首次接近人类水平(4.58)声纹技术原理深化：声音的生物特征密码声纹的物理构成声带特性声带厚度/长度/张力决定基频F0男性85-180Hz，女性165-255Hz声道特性口腔/鼻腔形状决定共振峰F1-F5发声习惯换气节奏、咬字方式、语速模式声纹识别与克隆原理声纹识别流程：1.语音信号->预处理(降噪/分帧)2.提取声学特征(MFCC/Fbank)3.深度学习模型提取嵌入向量4.余弦相似度/PLDA验证说话人语音克隆原理：从几秒参考音频提取说话人嵌入向量作为条件输入TTS模型生成目标音色语音声纹=声带特性+声道特性+发声习惯+情感表达；克隆=提取嵌入向量作为TTS条件输入语音克隆法律风险：真实案例与法律框架全国首例AI声音案(2024)2024年4月23日北京互联网法院配音演员殷某桢声音被AI化授权录音著作权不等于声音人格权确立「可识别性」裁判标准判赔25万元，各环节连带责任离职员工声音侵权(2026)2026年7月杭州滨江区法院公司以「内部测试」录制员工声音离职后发现声音被AI用于商业场景法院：知识产权约定不含人格权益判赔2万元并书面道歉配音演员集体维权(2026)2026年3月数十位配音演员发文边江/张磊(三石)/季冠霖等参与知乎等平台大量AI盗用声音视频2026上半年AI配音播放超1000亿次未经授权声音占比超60%法律依据与教学建议《民法典》第1023条：声音参照肖像权《AI生成合成内容标识办法》2025.9施行录音授权不等于声音AI授权可设置辩论：AI克隆声音用于个人娱乐是否需要标识？录音著作权授权不等于声音人格权授权——语音克隆必须获得声音主体明确授权03知识准备：音乐与视频音乐生成AIGC：从「随机拼接」到「懂情感的创作」核心概念如果语音合成解决的是「让机器像人一样说话」，那么音乐生成要解决的就是「让机器像人一样创作」。两者虽同属音频AIGC，但音乐在和声、曲式、情感表达上提出了更高要求。更重要的是，音乐生成提示词的复杂度远超语音——它不再只是「读一段文字」，而是「定义一套声学特征系统」。核心技术依赖：文本到特征的映射—理解「悲伤」并映射到低音区、慢BPM、小调和弦扩散模型与自回归模型—从随机噪声逐步「去噪」雕刻出旋律高保真人声合成—生成带呼吸声、转音、戏腔甚至颤音的逼真人声音乐生成=定义一套声学特征系统，而非简单「读一段文字」结构化音乐提示词设计（五维度）音乐三维度音乐流派GenrePop/Rock/国风/EDM情感基调MoodEpic/治愈/活力核心乐器Instruments木吉他/古筝/合成器节奏与人声节奏速度TempoSlow/Upbeat/BPM:120人声特征Vocal清澈女声/沙哑男声/合唱示例：ChineseStylePop,energetic,guzheng+synth,fasttempo,clearfemalevoice,epic歌词四维度主题立意逐梦/乡愁/遗憾押韵方式全押/ABAB/一韵到底段落结构主歌-副歌-桥段叙事视角+意象选择五维度提示词矩阵=音乐流派+情感基调+核心乐器+节奏速度+人声特征AI歌词生成与元标签控制元标签：给AI「发号施令」[Intro]前奏—歌曲开始前的纯音乐[Verse]主歌—故事铺垫，情绪平稳[Pre-Chorus]预副歌—情绪桥梁，积蓄力量[Chorus]副歌—高潮，旋律最上口[Bridge]桥段—旋律/节奏突变[InstrumentalSolo]乐器独奏[Outro]尾奏—情绪平息，走向结束歌词排版示范[Intro](悠扬的古筝独奏缓缓响起)[Verse]窗外的月光洒在旧琴弦思念像一缕轻烟飘散在心间[Chorus]哪怕时光流转岁月变迁我依然守候在原地不变元标签让AI精准控制歌曲走向——前奏、主歌、副歌、桥段、尾奏各有功能国产主流音乐生成大模型豆包App字节跳动出品，依托短视频生态迭代极快，「懂网感」节奏感极强，副歌具「爆款」潜质操作门槛极低适合：抖音BGM、卡点视频、洗脑神曲海绵音乐偏向「专业辅助创作」精细控制面板支持音轨分离、伴奏提取、MIDI转换适合：独立音乐人Demo制作适合：后期精细混音、编曲灵感探索MiniMax海螺AI音质纯净，情感细腻刻画支持超长文本处理及多语种演唱适合：跨国电商宣传曲适合：微电影原声带（OST）适合：高难度演唱技巧歌曲天工SkyMusic国内首批公开可用的大模型之一端到端音乐生成架构人声拟真度优异解决早期AI「吐字不清」痛点适合：流行歌曲、校园活动主题曲AI生成音乐版权归属尚无统一法律规定——商业使用前务必查阅平台授权协议AI音乐生成七十年：从算法作曲到智能创作19561980s20092016202020232024+ILLIACSuiteLejarenHiller在伊利诺伊大学用ILLIAC计算机生成首支算法音乐规则系统与MIDI基于音乐理论的专家系统，KemalEbcioglu开发Bach风格和声生成器DavidCopeEMIUCSC教授开发ExperimentsinMusicalIntelligence，模仿巴赫/莫扎特风格DeepBachGoogleMagenta项目发布，LSTM网络生成巴赫chorale逾45%听众无法分辨JukeboxOpenAI发布，原始音频建模+VQ-VAE压缩，首次生成含人声完整歌曲MusicLM/MusicGenGoogle/Meta分别发布，文本直接生成44.1kHz高保真音乐，30秒/5分钟SunoV3/UdioSunoV3发布后用户超1000万，AI音乐从研究走向大众消费级产品2024年SunoV3是分水岭：用户从研究者扩展到千万级普通用户，AI音乐进入消费级时代AI音乐生成技术原理：从符号到波形的飞跃三阶段技术演进符号主义阶段(1956-2009)基于音乐理论规则+马尔可夫链输出MIDI音符序列，需人工配器深度学习早期(2016-2020)LSTM/RNN建模音符序列模式Jukebox用VQ-VAE压缩原始音频大众化阶段(2023+)Transformer+扩散模型端到端生成文本直接生成44.1kHz完整音频核心架构对比MusicLM(Google)文本->语义token->声学token->音频两阶段Transformer级联，层次化生成MusicGen(Meta)EnCodec音频tokenizer+单Transformer延迟并行解码，速度更快SunoV3架构扩散模型+条件文本控制端到端生成歌词+旋律+人声+编曲AI音乐生成三阶段=符号主义(规则+MIDI)->深度学习(LSTM+VQ-VAE)->大众化(Transformer+扩散模型端到端)AI音乐版权争议：Suno/Udio诉讼与行业格局RIAA起诉Suno/Udio(2024)2024年6月美国唱片业协会(RIAA)起诉指控未经许可使用受版权保护录音制品训练涉及索尼/华纳/环球三大唱片公司Suno辩称训练数据属合理使用(FairUse)案件仍在审理中，将成AI音乐版权里程碑训练数据合法性争议Suno承认使用公开互联网音频数据但拒绝披露是否包含版权录音制品核心争议：TDM(文本与数据挖掘)例外条款欧盟DSM指令允许TDM但有opt-out机制美国FairUse四因素测试结果未明生成内容版权归属美国版权局2023年立场：纯AI生成不受保护需证明「足够人类创作贡献」方可登记2024年《DanceHall》案：AI编曲被拒中国《生成式AI服务管理办法》要求标识平台协议通常约定用户享有生成内容使用权国产平台版权策略海绵音乐：生成内容可用于非商业场景商业使用需购买平台授权许可天工SkyMusic：用户协议约定生成内容归用户但训练数据来源合法性未充分披露教学建议：引导学生讨论版权伦理AI音乐面临双重版权挑战：训练数据合法性+生成内容版权归属视频生成AIGC：从「动态图片」到「物理世界模拟」核心概念当AI已经能够独立生成声音与旋律，内容生产的最后一块拼图——动态影像——也被迅速补齐。视频生成并非「会动的图片」，而是对物理世界时空规律的模拟。这意味着角色定位需要从「提示词工程师」升级为「数字导演」——从描述静态画面转向调度时空叙事。底层架构演进：早期AI视频常如动态PPT，画面闪烁且缺乏逻辑直到DiT（DiffusionTransformer）架构出现，彻底改变现状Sora将Transformer与图像扩散模型结合，赋予AI理解三维空间和时间流逝的能力AI能遵循现实物理规律（重力、流体动力学、光线折射）生成动态画面视频生成=物理世界模拟；你的角色从「提示词工程师」升级为「数字导演」高阶视频提示词工程：六要素法则要素1-31.画质与格式8k、cinematic、16:92.主体描述具体明确，如「穿冲锋衣的20岁亚洲青年」3.主体动作清晰物理动作，如「快速奔跑、踩水坑溅起水花」要素4-54.环境背景交代时空，如“赛博朋克雨夜街道，霓虹闪烁”5.光影氛围体积光、黄金时刻【常见错误】同时要求“慢动作”和“快速奔跑”会导致模型逻辑冲突要素6：运镜6.运镜控制Panright/left向右/左平移Zoomin/out推/拉镜头FPV/Droneshot第一人称/航拍Slowmotion慢动作六要素不是简单堆砌，而需内在自洽先确认主体动作与运镜、节奏是否匹配六要素公式：主体+动作+环境+光影+镜头+画质——内在自洽是关键国产视频生成大模型矩阵可灵KlingAI快手推出擅长物理规律模拟流体、碰撞、光影支持超长视频生成与续写角色一致性与电影感强适合：微电影、品牌宣传片即梦Jimeng字节跳动旗下集成Seedream生图+Seedance视频引擎依托抖音生态「图生视频」高效流畅运镜控制和创意特效突出适合：电商与自媒体内容生产清影Ying智谱AI打造响应速度快对中国水墨、汉服等东方美学表现突出支持多视角运镜适于国风素材制作适合：高频次创意验证国产视频大模型已具备世界竞争力——对中文语义及中国文化元素有原生支持DiT架构原理深化：视频生成的扩散Transformer革命DiT核心架构DiT=DiffusionTransformerWilliamPeebles&SainingXie(2022)将扩散模型U-Net替换为Transformerpatch化：图像切分为2x2token块自适应LayerNorm(adaLN)注入条件缩放放缩因子实现条件控制Sora验证了DiT扩展律参数量增大，视频质量持续提升扩散模型生成流程前向过程：加噪逐步向数据添加高斯噪声T步后变为纯噪声分布反向过程：去噪DiT网络学习预测每步噪声从纯噪声逐步恢复清晰视频帧条件注入：文本提示词通过adaLN注入T5文本嵌入DiT=扩散模型+Transformer；Sora证明了视频生成遵循ScalingLaw——参数量越大，物理模拟越准确AI视频生成竞争格局：Sora事件与国产突围2022.04DALL-E2/Make-A-VideoOpenAI/Meta分别发布文生图/文生视频原型，视频仅2-4秒2023.04RunwayGen-2首个商业化AI视频工具，4秒片段，每月$15起2024.02Sora发布OpenAI发布60秒高清视频Demo，全球震动，DiT架构首次公开2024.06可灵发布快手推出，首批支持10秒1080p视频生成，物理模拟突出2024.09即梦/清影上线字节即梦Seedance引擎+智谱清影同期发布，国产三强格局形成2024.12Sora正式公测OpenAI向Plus用户开放，但中国区不可用，国产替代加速2025+可灵2.0/即梦2.0国产模型支持30秒+续写，电影级质量，部分指标超越Sora2024年2月Sora发布是AI视频的iPhone时刻——60秒高清视频让世界看到DiT架构的潜力六要素提示词认知科学基础：为什么是六个？主体+动作（MentalSimulation）认知科学：人类理解语言时自动模拟Barsalou(2008)知觉符号系统理论主体是模拟的对象，动作是模拟的过程缺失任一要素，模拟无法启动教学示例：只写「奔跑」→谁在跑？环境+光影（SceneSchema）Biederman(1981)场景图式理论人类以「场景」而非「物体」为单位记忆环境提供空间参照，光影提供时间参照缺光影=无法判断时间（白天/黄昏/夜晚）教学示例：教室+夕阳vs教室+荧光灯运镜（EmbodiedCognition）Lakoff&Johnson(1999)具身认知理论人类通过身体运动经验理解空间关系运镜词(Pan/Zoom/FPV)映射身体经验缺失运镜=AI无法确定观察者位置教学示例：俯瞰vs平视产生完全不同画面画质（TechnicalConstraint）不属于认知科学，属工程约束但影响生成结果的物理质感4K/60fps提供更高信息密度类比：人眼分辨率约5.76亿像素教学建议：画质置于提示词末尾六要素不是随意拼凑——每个要素对应人类认知的一个必要维度，缺一不可04任务5.1TTS与语音克隆任务5.1声入人心，语传真情任务导入在完成文本与图像AIGC项目后，正式跨入视听动态制作领域。在人类感官世界中，如果说视觉决定了信息的「广度」，那么听觉则决定了情感的「深度」。传统专业级声音制作的门槛：数万元搭建拥有极佳声学环境的录音棚购买昂贵的电容麦克风和独立声卡花重金聘请拥有专业播音主持资格证的配音员2026年伴随AGI技术井喷式发展，这一切都被AIGC彻底重构了。声音不再是少数专业人士的专属资产，而变成了人人皆可调用的「数字新质生产力」。声音=情感的深度；AIGC让专业级声音制作从「特权」变为「人人可调用」课堂讨论讨论议题议题1很多短视频解说声音听起来一模一样（如影视解说猴哥音色）。这种千篇一律的AI配音会让人产生听觉疲劳吗？在未来，该如何调配出具有人味儿和品牌辨识度的专属声音？议题2如果有人利用AI语音克隆技术，模仿你的声音给你父母打电话借钱，该如何防范这种新型的“视听伪造”诈骗？思考方向关于声音同质化：千篇一律确实会产生审美疲劳需要通过语音克隆技术打造品牌专属音色在音色、语速、情感间找到独特平衡关于声音安全：不能因噎废食，但必须建立全社会的「数字免疫系统」提高防范意识，设置家庭暗号推动技术层面的防伪标识立法拥抱技术的同时，必须建立全社会的「数字免疫系统」案例一：破冰哑巴英语案例背景大学英语四级（CET-4）是衡量大学生英语能力的重要标准。但许多学生面临「看得懂长句，却听不懂、说不出」的「哑巴英语」困境：害怕发音不准或犯语法错误被嘲笑的「开口羞耻症」令人望而却步的高昂真人外教费用缺乏真实语境的练习途径解决方案：利用「豆包」大模型平台围绕「向外国友人介绍中国传统节日」等话题开展文本转语音及零延迟的实时口语对练借助AI全天候专属「私教」力量，克服心理障碍AI全天候专属「私教」——打破「不敢开口」的心理障碍步骤1方法1：豆包APP基础TTS训练豆包APP聊天界面1.打开豆包APP，建立新对话2.进入聊天界面，在下方发消息处3.打字输入英语或直接说英语4.比如输入：Theweatherisreallynicetoday.5.豆包会用英语语音回复，同时英文文字出现6.可再用打字或语音方式继续对话7.来回反复练习口语的同时也练习了听力通过文字/语音输入英语，豆包用英语语音回复，形成听说闭环练习步骤1方法2：豆包APP翻译功能翻译1.打开豆包APP建立新对话2.从「按住说话」上方一排选项中找到翻译3.点击翻译，设置为简体中文转英语4.选择原声翻译模式5.点击「按住说话」或点最右侧输入文字6.输入完毕后自动输出英语并用英语朗读7.想多次听回复，点击回复下方的小喇叭8.可以多次反复听（练听力+跟读练口语）利用翻译功能，中文输入自动转英语朗读，可反复听练修改音色与克隆声音豆包APP修改读音的音色修改音色设置：1.点击左上角头像2.找到「声音」选项3.进入「音色设置」4.可调声音高低和语速克隆自己的声音：在音色设置中可以选择克隆自己的声音按提示朗读几句话即可建立声纹模型克隆好的声音可以直接使用音色可自定义——调整高低语速，甚至克隆自己的专属声音步骤2：豆包网页界面翻译与朗读豆包网页界面1.登录豆包网页版（电脑浏览器访问）2.在文本框底部找到翻译功能3.输入想要翻译的中文内容4.选择翻译为English5.点击发送按钮6.翻译结果自动显示7.点击翻译内容下面的小喇叭8.可以反复听英语朗读网页版优势：大屏操作更方便，适合长文本翻译与朗读练习豆包网页界面翻译效果豆包网页界面翻译翻译功能演示：输入中文内容后，豆包自动翻译为英文点击翻译内容下方的小喇叭图标系统会用标准英语朗读翻译结果练习建议：先听标准朗读，注意语调和连读再自己跟读，对比发音差异反复听读，形成肌肉记忆网页版翻译+朗读=标准输入+标准输出，适合精听精练步骤3：全双工实时语音通话（进阶）豆包APP打电话功能1.在豆包APP对话界面找到「电话」图标2.点击底部或右上角的电话图标3.进入全屏语音通话界面4.就像打电话一样，全程语音交互5.无需打字，实现你说我答6.你说中文AI答中文，你说英语AI答英语7.这是TTS与语音识别（ASR）技术深度融合8.拥有一个24小时陪伴的私人陪练全双工语音通话=TTS+ASR深度融合，创造真实对话场景全双工语音通话实操细节对话流程1.拨打AI电话点击底部或右上角「电话」图标2.自由对话示例学生：HiAlex,todayIwanttointroducetheMid-AutumnFestivaltoyou.AI：Thatsoundsfascinating!Whatdopeopleusuallydo?3.克服停顿可用well...youknow...letmethink...等语气词AI会耐心等待，不会轻易打断通话后复盘4.结束通话点击屏幕挂断电话5.查看通话记录点右上角「字」，自动生成中英文转写记录6.指令复盘纠错输入：请回顾刚才的电话记录，指出语法错误，将幼稚表达替换为3-5个四级高级句型7.二次巩固针对优化后的高级句子，点击喇叭听标准发音并大声朗读三遍闭环训练：听->说->读->纠->再听再读，形成肌肉记忆通话转文字记录通话转文字功能说明：挂断电话后，点击右上角的「字」聊天界面自动生成对话中英文语音转写的文字记录复盘指令示例：请回顾我们刚才的电话记录。指出我的语法错误，并将我表达幼稚的地方，替换为3-5个四级考试的高级句型。整理语料库（Corpus）：将AI纠正后的正确句子和推荐的高级词汇抄写笔记本通话转文字+AI复盘纠错=个性化口语诊断报告任务练习：微型广播剧《同心筑梦》任务要求任务名称：微型广播剧《同心筑梦》制作任务要求：利用你熟悉的AIGC工具（如MiniMax或豆包），为剧本所有角色配音角色配音要求：旁白需客观沉稳李明需年轻焦急达瓦大叔需沙哑坚定必须准确融入情感，并合成一段完整的音频剧本背景：1998年冬，青藏高原腹地扎曲村遭遇特大暴雪，一老一少、一藏一汉在风雪中抢修供电线路的感人故事。多角色多情感配音实践——检验语音克隆与情感控制能力05任务5.2AI音乐生成任务5.2旋律为魂，词风为韵任务导入校园文化节上，计算机网络技术专业李明同学负责制作班级风采展示短视频。视频剪辑完成后画面精美，但他却在背景音乐上犯了愁：使用网上热门歌曲->侵权被消音或下架风险千篇一律的配乐无法凸显班级拼搏精神请专业音乐团队->动辄数千甚至上万元核心问题：没有受过系统乐理训练、不懂五线谱的同学，能创作出属于自己的原创音乐吗？在AIGC时代，答案是肯定的！只需输入几句描述情感与风格的提示词，或编写几行简单歌词，AI就能在几十秒内完成作词、谱曲、编曲甚至高拟真度人声演唱。零基础也能创作原创音乐——AIGC让每个人都能成为音乐制作人课堂讨论音乐获取困境日常制作短视频、校园广播或筹备社团活动时：你通常如何获取音乐素材？是否遇到过「版权声明」或「侵权警告」？这些困扰如何影响了你的创作？音乐核心要素一首能打动人心的歌曲，最核心的要素是什么？优美的旋律直击人心的歌词演唱者投入的情感AI生成的音乐能否具备这些「人类特有」的情感要素？专业之歌创意如果让你用AI创作一首代表专业的「班歌」：你会选择什么音乐风格？流行/摇滚/国风/民谣赛博朋克电子乐为什么这种风格最能代表你的专业气质？讨论目的：让学生反思音乐获取困境、思考音乐本质、激发创作灵感子任务1：创作电商直播爆款BGM案例背景场景：市场营销专业「乡村振兴·助农带货」直播比赛推广产品：本地特色「麻辣小龙虾」痛点：普通背景音乐在直播环境中毫无存在感直接使用热门商业神曲面临版权侵权及比赛扣分风险目标：借助豆包大模型，量身创作一首约1分钟的原创助农专属曲目深度融合电音与欢快说唱风格节奏强劲、接地气，迅速引爆直播间火热抢购氛围用AI音乐创意切实为农产品销售赋能——零成本破解版权困境步骤1-2：文案构思与AI辅助作词步骤1文案构思提取小龙虾卖点词汇：红彤彤麻辣鲜香夜宵神话手慢无这些词汇将成为歌词的核心素材步骤2AI辅助作词在豆包对话框中输入提示词：你现在是一位擅长写抖音神曲的作词人。请为我的「麻辣小龙虾」助农直播间写一段约30秒的洗脑歌词，要押韵，有互动感，适合快节奏说唱，歌词控制在200字以内。同时选择音乐风格、情绪、音色歌词生成后不满意可人工修改准备用于音乐生成提示词设计要点：角色设定+内容要求+风格限制+字数控制AI辅助作词与风格选择界面AI辅助作词、选择风格等界面操作要点：1.在豆包对话框中输入提示词2.选择音乐风格（如电子、DJ）3.选择情绪氛围（如快乐、活力）4.选择人声类型（男声/女声）生成歌词示例：[Verse1]红彤彤的铠甲，夜宵界的王！麻辣鲜香入魂，一口就疯狂！[Chorus]买它！把小龙虾带回家！手慢无，拼手速，快乐直接拉满啦！AI作词+风格选择=为音乐生成做好全方位准备步骤3：提炼与标签化歌词歌词结构化处理将歌词按歌曲结构进行标签化处理：[Intro]（前奏，建议配合强烈电音节拍）[Verse1]（主歌，快节奏说唱）红彤彤的铠甲，夜宵界的王！麻辣鲜香入魂，一口就疯狂！[Chorus]（副歌，洗脑旋律，大合唱感）买买买！买它！把小龙虾带回家！手慢无，拼手速，快乐直接拉满啦！注意：结构标签并非豆包必填项，但有利于后续对BGM进行剪辑和版本迭代。豆包主要通过「风格+情绪+人声」等参数控制整体感觉，不强制要求在歌词中写标签。标签化歌词=方便后续剪辑和版本迭代的专业做法步骤4方法一：豆包APP端音乐生成豆包APP音乐生成1.在底部工具栏中点击「音乐生成」2.若未找到，左右滑动左下角框选区域3.在歌词输入框中粘贴步骤3整理好的歌词4.不满意可让AI继续优化歌词5.也可直接选择「帮我写歌词」6.音乐风格选择：电子或DJ7.情绪氛围选择：快乐或活力8.人声类型选择：男声9.歌曲时长选择：约1分钟APP端操作要点：找到音乐生成入口->粘贴歌词->选风格/情绪/音色->生成步骤4方法二：网页端创作BGM网页豆包界面1.电脑浏览器访问豆包官网2.登录豆包网页版3.在首页对话框中找到「音乐生成」入口4.若首页对话框未显示，可在「更多」中查找5.在歌词输入框中粘贴整理好的歌词6.若不满意让AI继续优化歌词7.也可「AI帮我写歌词」8.歌词字数不能超过200字9.音乐风格选择：电子或DJ网页端优势：大屏操作方便，适合精细调整参数网页端音乐生成界面网页豆包界面网页端操作流程：1.在歌词输入框中粘贴歌词2.不满意可让AI继续优化3.选择「AI帮我写歌词」也可4.音乐风格选择：电子或DJ5.情绪氛围选择：快乐或活力6.人声类型选择：男声需要更强节奏感时：可在歌词前附加说明：抖音神曲风格，快节奏电子舞曲，极具感染力的节拍。网页端提供更精细的参数控制——适合专业级BGM创作步骤5：迭代与测试生成与优化1.点击【生成】按钮等待片刻，豆包会生成1首约1分钟的歌曲2.在直播间环境中试听挑选节奏最「嗨」、最符合带货氛围的BGM如果节奏感仍不够强，可以调整风格和情绪后继续生成3.满意后导出在豆包APP可以下载或分享音频文件网页端只能分享生成的音乐用于直播背景音乐迭代优化：试听->调整参数->重新生成，直到满意为止子任务2：微电影片尾曲案例背景场景：计算机应用技术专业学生即将毕业几位同学拍摄了记录大学三年奋斗点滴的微电影《青春的最后一行代码》需求：一首能让情感升华的女声片尾曲技术痛点：常规AI音乐工具生成的音频常带有明显的「机器感」难以表现唱腔中细腻的呼吸感与转音技巧极易破坏电影温情感人的氛围解决方案：利用MiniMax语音的情感刻画能力生成高保真、高质感的深情片尾曲用极致的AI声线完美谢幕青春MiniMax的情感刻画能力——突破AI音乐「机器感」瓶颈步骤1-2：撰写歌词与生成步骤1撰写歌词自己撰写歌词，或利用AI工具生成在豆包或DeepSeek中输入提示词：计算机应用技术专业大三学生即将毕业，拍摄了一部记录大学三年生活的微电影《青春的最后一行代码》。请帮忙写一首电影片尾曲，要求情绪从低语到高亢的女声抒情曲升华主题的歌曲。豆包生成歌词的一个版本见下一页图片步骤2复制歌词将上面生成的歌词进行整理：1.复制歌名2.复制完整歌词3.复制音乐风格描述将上述内容分别粘贴到MiniMax语音页面对应位置：歌名->歌名输入框歌词->歌词输入框风格->风格选择区域歌词生成->整理复制->粘贴到MiniMax——跨平台协作流程豆包生成歌词效果豆包生成歌词豆包歌词生成特点：1.根据提示词自动生成完整歌词2.包含歌名、歌词正文、风格描述3.歌词结构完整（主歌-副歌-桥段）4.情绪从低语到高亢的递进设计注意事项：歌词字数控制在200字以内不满意可多次生成或人工修改选择最满意的版本用于音乐生成豆包歌词生成=歌名+歌词+风格一体化输出，可直接用于音乐生成步骤2：MiniMax复制歌词操作MiniMax复制歌词1.打开MiniMax语音（海螺AI）页面2.找到音乐生成入口3.将豆包生成的歌名粘贴到歌名输入框4.将歌词粘贴到歌词输入框5.将风格描述粘贴到风格选择区域6.确认各项参数设置正确7.准备生成音乐8.注意：MiniMax对复杂情感的细腻刻画是其核心优势跨平台协作：豆包生成歌词->MiniMax生成音乐，发挥各平台优势步骤3：生成体验与海绵音乐替代方案海绵音乐MiniMax生成体验：1.点击生成按钮，等待AI处理2.仔细聆听副歌部分人声的拉扯感3.感受高音的穿透力4.获取达到专业录音室级别的感动海绵音乐替代方案：上述案例也可利用海绵音乐进行生成海绵音乐提供更精细的控制面板支持音轨分离、伴奏提取、MIDI转换适合需要后期精细混音的专业项目多平台对比体验——MiniMax重情感，海绵音乐重专业控制任务练习：打造专业专属的「数字音乐名片」任务分工全班分为若干4人实训项目组项目经理：统筹与时间管理作词人：使用文本大模型打磨歌词AI音乐工程师：操作豆包/天工/MiniMax视听合成师：音乐与视频画面合成任务要求紧密结合所在专业的核心技能提炼「工匠精神」或「职业自豪感」关键词如新能源汽车检修、物联网、会计等跨模型比对：用两款不同AI大模型相同歌词生成两首不同风格歌曲交付成果每组提交两份MP3音频文件课堂上进行项目路演通过大屏幕播放视听生成作品进行「双盲试听」评比教师和同学共同打分评价维度歌词内容与专业契合度旋律优美度与记忆点人声表现力与情感传达音乐风格的一致性整体创意与完成度跨模型比对+双盲试听=科学客观的AI音乐评价体系06任务5.3视频生成任务5.3影映万象，镜运乾坤任务导入在当前数字化浪潮中，短视频已成为各行各业品牌传播、产品营销和文化出海的核心媒介。试想以下场景：旅游管理专业学生运营特色青年旅舍，急需电影质感宣传片电子商务专业学生做跨境电商，需要商品动态视觉海报传统模式的困境：需要昂贵的摄影设备需要专业的拍摄团队需要漫长的后期剪辑AIGC解决方案：输入一段文本或上传一张草图，视频生成大模型就能在几分钟内渲染出光影逼真、运镜流畅的动态画面。今天，你将跨越设备与预算的限制，化身AI时代的「数字导演」。从「提示词工程师」到「数字导演」——跨越设备与预算的限制课堂讨论行业痛点在你的专业领域（电商、数媒、艺术等）：制作宣传视频通常面临哪些困难？成本方面：设备租赁、人员费用、场地费技术方面：拍摄技巧、灯光布置、后期剪辑镜头语言电影拍摄中常用的运镜手法：推—Zoomin，镜头靠近主体拉—Zoomout，镜头远离主体摇—Pan，镜头水平/垂直旋转移—Tracking，镜头平行移动如何让AI听懂这些运镜指令？技术边界你是否刷到过「一眼假」的AI视频？常见露馅细节：人物多根手指物理规律崩塌（物体穿模）表情不自然、眨眼频率异常这给AI视频应用带来了什么启示？讨论目的：认识行业痛点、理解镜头语言、辨识AI视频技术边界案例一：民族文化数字纪录片片头案例背景团队组成：学前教育、数字媒体及计算机专业学子组成的跨学科团队项目：科普微视频《中华民族大融合》创作需求：需呈现茶马古道、盛唐长安市集等宏大历史场景体现古代多民族文化交流创作瓶颈：缺乏现成影视素材难以直观呈现解决方案：运用国产视频大模型，通过AI技术创作史诗感历史还原短片以数字科技赋能历史叙事，生动再现中华民族大融合的恢弘篇章数字科技赋能历史叙事——用AI讲好中华民族大融合故事步骤1：文生视频——茶马古道可灵生视频界面1.根据案例需求，借助AI工具提炼提示词2.聚焦「茶马古道」的马帮文化3.根据历史记载的真实情况提炼画面提示词4.登录可灵AI平台5.在可灵中粘贴第一步生成的提示词6.点击生成7.选择视频2.6模式8.可实现音画同步生成9.勾选音画同步，生成的画面配有声音文生视频核心：高质量提示词->粘贴到可灵->选择2.6模式->音画同步文生视频提示词详解：茶马古道六要素提示词范例【提示词】航拍中景（Aeriallongshottomediumshot），8K超高清，电影级黄金光影，16:9壮丽的横断山脉云海翻涌，青灰色茶马古道蜿蜒在崇山峻岭间一支身着纳西、藏族、白族传统民族服饰的马帮队伍，牵着骡马缓步前行马颈铜铃轻晃、骡马步伐沉稳道旁有古朴的茶马驿站，地面散落马蹄印与茶篓碎屑画面雄浑悲壮，细节拉满，物理动态自然，无画面畸变，史诗感拉满六要素对应：画质(8K/16:9)+主体(马帮队伍)+动作(缓步前行)+环境(横断山脉)+光影(黄金光影)+运镜(航拍中景)六要素公式实战：每个要素都在提示词中有对应——内在自洽是关键步骤2：图生视频——盛唐长安市集登录可灵生图界面1.提炼提示词：聚焦盛唐长安市集2.根据历史记载提炼画面提示词3.登录可灵，设置画面尺寸和画面风格4.在可灵中粘贴提示词生成图片5.点击生成图片6.根据满意的图片生成视频7.若想严格控制就加转场提示词8.选择视频2.6模式9.勾选音画同步，生成的画面配有声音图生视频流程：文生图(底图)->图生视频(动效)——精准控局技巧图生视频提示词详解：盛唐长安市集六要素提示词范例【提示词】全景（Mediumshottowideshot），8K超高清，唐式暖调光影，16:9盛唐长安朱雀大街东市市集全景青瓦朱红柱的唐风建筑错落市集里胡商、汉民、吐蕃、突厥客商往来穿梭胡姬舞姬轻旋、西域驼队驻足摊位摆满丝绸、茶叶、葡萄、胡饼孩童绕着驼铃奔跑，旗幡随风轻扬人物服饰还原唐制，民族特征鲜明且和谐物理动态自然，极致市井细节，氛围感拉满先文生图再图生视频——用固定底图实现精准控制与角色一致性可灵生图与图生视频界面登录可灵生图界面操作流程：1.在可灵中设置画面尺寸（16:9）2.设置画面风格（如国风、写实）3.粘贴提示词，点击生成图片4.选择满意的图片作为底图5.根据底图生成视频6.可添加转场或其他效果提示词为何不直接文生视频？先文生图再图生视频是精准控局技巧——固定人物特征解决角色一致性，降低算力试错成本。文生图+图生视频=精准控制+效率优化，是通往高质量成片的必由之路工作流策略：为何「文生图+图生视频」优于「直接文生视频」直接文生视频的问题画面构图不可控人物特征每次生成不同多镜头叙事角色不一致物理崩坏风险高算力试错成本高纯文字描述有局限文生图+图生视频的优势先定图后动效，精准把控构图光影像导演选景一样选择最佳底图固定人物特征解决角色一致性规避物理崩坏风险大幅降低算力试错成本突破纯文字描述的局限友情提示：遵循「实景优先」原则具备拍摄条件时优先用真实照片做底图「先定图后动效」=精准控制+效率优化——通往高质量成片的必由之路多模态融合：视听一体的创作闭环综合应用多模态融合生成的具有极高历史厚重感的视频：配合前期用AI生成的民族乐器配乐制作成科技教育实践案例大赛的惊艳开场视频生动诠释了民族融合与共同体意识完整工作流回顾：1.AI生成民族乐器配乐（任务5.2技能）2.文生视频/图生视频生成历史场景（任务5.3技能）3.AI语音生成纪录片旁白配音（任务5.1技能）4.多模态融合——视听一体合成最终作品语音+音乐+视频=多模态融合创作闭环，一个人就是一支影视摄制组案例二：运动防滑袜海外社交平台动态展示案例背景场景：电子商务专业学生开展跨境电商平台店铺运营产品：中国制造的运动防滑袜（GripSocks）推向海外市场痛点：静态白底图在海外短视频平台上转化率极低雇佣外籍模特进行实景拍摄成本高昂解决方案：利用即梦或可灵的「图生视频」功能将普通的产品静态图转化为极具视觉冲击力