现有的AI视频生成模型虽然在短片上效果惊人，但面对一首完整的歌曲时往往束手无策——画面不连贯、人物换脸、甚至完全不理会歌词含 义。 近日，来自M-A-P、北京邮电大学、南京大学NJU-LINK实验室等机构的研究者们提出了 AutoMV 。 这是一个 无需训练的多智能体（Multi-Agent）系统 ，它像一个专业的摄制组，能根据音乐节拍、歌词和结构，自动生成长达数分钟、叙事 连贯且音画同步的完整MV。 AutoMV团队 投稿 量子位 | 公众号 QbitAI 对于独立音乐人来说，制作一支专业的MV往往意味着高昂的成本 （约1万美元） 和漫长的周期 （数十小时） 。 虽然Sora、Runway等视频生成模型层出不穷，但直接用它们生成MV面临三大挑战： 1.时长限制 ：大多数模型只能生成几秒钟的片段，无法覆盖整首歌。 2.音画割裂 ：生成的画面往往只跟提示词有关，忽略了音乐的节拍 （Beats） 、结构 （Intro/Chorus） 和歌词含义。 △ 《Lazy Song Demo》 △ 《Beliver Demo》 为什么做"全曲"MV这么难？ △ 《APT Demo》 3.一致性差 ：在长达几分钟的视频中，主 ...