30 секунд клипа с липсинком и синхронными словами — примерно за 17 минут на одном Mac. Такой процесс описал автор японского гайда: он делает MV для артистов своей ИИ-радиостанции. Можно вывести видео в 16:9 или вертикальном формате, а платные облачные генерации не нужны. Для независимых музыкантов это способ получить готовый фрагмент без двухнедельного ожидания подрядчика — но не замену клипу на всю песню.
Рабочая машина автора — Mac Studio с M4 Max и 128 ГБ памяти. Квантованная видеомодель занимает 34 ГБ, текстовый энкодер требует ещё десятки гигабайт. Потянет ли тот же процесс Mac mini с M5 Pro и максимум 64 ГБ, автор не проверял — так что повторить на любом Mac не обещает. На подготовку уходит около 36 секунд; ожидание ответа языковой модели может добавить до двух минут.
На вход нужны WAV, текст песни и обложка с одним человеком. Demucs отделяет вокал для липсинка, из обложки делают полный кадр и вырезку лица, а визуальная модель и LLM готовят описание и промпт. Затем Draw Things с MiniMax H3 и turbo LoRA генерирует два отрезка по 15 секунд — каждый занимает 6–7 минут. RealPLKSR увеличивает видео вдвое за 2,5 минуты, Qwen3-ForcedAligner размечает время слов, а Pillow и ffmpeg накладывают текст и собирают версии для двух форматов.
Есть ограничения: если на обложке нет человека или их несколько, этап с референсом лица не работает. Полную песню в 3–4 минуты автор не генерирует; с другой моделью удалось соединить до 40 секунд. Для сравнения, заказной клип с липсинком, по данным гайда, стоит 60–100 тысяч иен и занимает две недели. Автор отдельно предупреждает: равного качества не обещает. Но для короткого промо или теста визуального образа 17 минут звучат уже вполне рабоче — если Mac выдержит модель.
Источникnote #動画生成AI

