24 句歌词,每句一个场景。主角是 Q 版小 Claude:橙色麻薯身体,头顶天线挂着 Claude 星芒,难过时天线会垂下来。画面全部用代码现画,没有用一张图片素材。歌词逐字变黄,动作卡在字上:唱到「房」房子一沉,唱到「诈」红章砸下来,唱到「难」整个人趴下。
需要 Node.js 22 LTS。ZIP 解压到纯英文路径,比如 D:\Projects\laolong-mv,不要放在 OneDrive 里。
约 90 MB,官方源失败会自动换国内镜像。会找本机的 Chrome 或 Edge,实测编码器,再渲一帧测试。1–3 分钟。
浏览器里带歌曲实时播放,能拖时间轴。空格播放/暂停,←/→ 逐帧。
得到 out\xiao-claude-mv.mp4 和封面 out\cover.jpg。云端 540p 只用了 36 秒,1080p 在笔记本上通常 2–5 分钟。
任何一步出错都会自动生成诊断报告,把 logs 里最新的 *-diagnose.txt 和 *.log 发给我就行。
时间是这句开唱的时刻,来自语音识别对齐,再按小节线校正。黄色的字是画面动作卡点的那个字。
你给的歌词是「我只求不被踩可退」,语音识别听到的也是「踩」,画面就做成了大皮鞋踩下来、小 Claude 闪开、跑向「退」字门。
如果原词其实是「裁」(裁员),只要把 src/timeline.js 第 19 句的那个字改掉,画面照样成立。
画面和代码都是原创的,歌是你给的。如果这首歌不是你自己的作品,更稳妥的做法是导出无声版:3-render.bat --no-audio --out out\xiao-claude-mv-silent.mp4,再在抖音发布页从曲库选这首歌,从开头配上(素材就是前 52 秒,从 0 秒起就能对上)。
歌词对齐。用 Whisper 分三种窗口(整段、两小节、单小节)各识别一遍,把识别出的字和你给的歌词逐字比对,取每个字的时间中位数;窗口开头被钳住的时间丢掉,再手工校正 6 句(比如两段副歌开头的长音「这」)。
节奏。频谱看出 17.2 秒、35.2 秒两处段落切换;节拍 110.5 BPM,每句正好一小节(约 2.17 秒)。只有「去搬砖送外卖 / 开网约车」两句挤在同一小节,「养老生病…买单」一句跨两小节,分镜按这个排。
画面。Canvas 2D 逐帧绘制:src/draw.js 是角色绑定(表情、手臂角度、走路、帽子、汗、泪、天线下垂),src/scenes-1/2/3.js 是 24 个场景,每个场景用 I.since('字') 把动作卡在字上。每句开唱前 0.12 秒切镜,每拍轻推 1.2%,段落交界白闪。
渲染。和「一句话生成视频」同一套工具链:无头浏览器逐帧截图,管道直送 ffmpeg,编完完整解码校验。字体是得意黑(SIL OFL 1.1,原文件未改动,许可证随包附带)。
改东西。错别字改 src/timeline.js 的 text;字数变了要同步改 chars(每个字的开唱秒数)。README 里写了每个文件管什么。