北京
两句提示词，一个MV。作者花叔用 Opus 5.5 配合 huashu-art-motion，把周杰伦的《七里香》做成了一支莫奈画风的音乐视频。
他给出的指令简单到近乎随意：用莫奈的绘画风格，给周杰伦的七里香做一个 MV，然后调用 /huashu-art-motion。没有分镜脚本，没有逐帧描述，画面意象、运镜和动效规划都由模型自己完成。
Agent 自己去把音频找来了
更值得注意的一步发生在素材获取环节。Claude Code 自主从 YouTube 检索并抓取了演唱会版本的音频，并在此基础上完成视听对齐。
这意味着输入并不是一份准备好的音频文件，而是一个需要 Agent 自行搜集、处理非标准输入的过程。抓取、对齐、生成，链条上的这几步没有靠人工搬运。
提示词里只提了两个约束：莫奈的绘画风格，以及契合歌曲节奏与运镜。风格和节奏是仅有的两个锚点，其余留给了模型判断。
两轮迭代，不到100万Token
成本数据是这次实践里最直接的一项。整个过程迭代了两个版本，整体消耗不到 100 万 Token。
对于长篇幅的视听内容生成来说，这个数字体现的是生成效率与成本控制的表现。作者自己的评价是"居然还挺省 token 的"。
把这件事拆开看，几个环节被压缩进了同一条流程：
- 极简提示词驱动复杂的视听协同生成
- Agent 自主搜集素材并处理非标输入
- 多模态长视频生成的 Token 消耗得到优化
三个环节原本各自需要不同的工具和人工介入，现在被两句提示词串了起来。作者记录下的这次尝试，展示的是工具在长篇幅视听内容生成上的成本与控制表现。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
