开发者在V2EX分享了自己打造的AI说唱生成网站Rapvio，项目起因是希望上传照片后能生成包含自己和朋友的说唱视频。考虑到用户需求差异——有人还没有歌词，有人词已写好只想要歌不要视频——该站将流程拆分为多条可随时停下的路径：用户可以从一句话开始生成歌词，也可以跳过写词直接生成MP3，或进一步生成10至15秒的竖屏说唱视频片段。视频生成方面，作者实测了MiniMax、Seedance、Wan、Kling等多个模型，均可出片，其中MiniMax h3性价比最高。第一版提供了生日、battle、宠物、圣诞等八种画面风格，支持单人和双人生成。歌词生成是独立环节，词确认前不会开始做歌。作者表示技术上最麻烦的不是接入模型，而是让15秒左右的片段在节奏上站得住——太短不像说唱，太长则成本和废片率上升，这一环节仍在打磨中，歌词和MP3生成则已基本可用。该站明确暂不支持完整MV（仅单镜头、无分镜剪辑）和声音克隆。界面目前为英文，因早期用户多在海外，中文版已在规划中。此外网站还提供免费的艺名生成器，无需登录即可使用。作者希望通过用户反馈判断哪种用法更刚需：与朋友制作短视频，还是先写词、先出一首MP3。
事件分析
该项目的价值在于展示了AI多模态生成能力在垂直场景的落地路径。技术上有两个看点：一是多模型横向实测经验，MiniMax h3在性价比上胜出Seedance、Wan、Kling等竞品，为内容创作者提供了选型参考；二是节奏对齐问题——视频片段与说唱节拍的时间轴匹配是音乐视频生成的核心难点，涉及音频驱动视频生成的技术深水区，作者坦承此环节仍在打磨。从产业角度看，此类应用反映了AIGC从通用能力向细分场景渗透的趋势：写词、作曲、视频三条技术链被拆解为模块化工作流，用户可在任意节点介入或停止，这种流程设计本身就是一种产品化创新。后续走向上，若节奏对齐问题解决，单镜头向分镜MV演进、声音克隆接入都是自然延伸；但商用化仍需面对音乐版权与生成内容合规问题。
核心观点：AI应用已不缺模型，缺的是把节奏对齐、废片率与成本磨平的工程能力，这恰是独立开发者的机会所在。
原文链接：V2EX 分享发现
