本地生成三分钟AI音乐视频工作流

Reddit 用户 ConcentrateDeepTrans 分享了一套在本地 RTX 5090 上生成完整 3 分钟 AI 音乐视频的工作流，并用闭源工具 Sync Labs sync-3 校准口型时间。该方案以 INT8 DiT、蒸馏 LoRA、8 步采样和 SageAttention 运行，将 T5 卸载至 CPU，先以 480p、25fps 生成，再后期放大。 按该用户称，Sync 3 输出平均比人声提前 63—87 毫秒，因此他用 SyncNet 逐镜头测量并偏移，最终将所有镜头与人声对齐至 3 毫秒以内；Sync 3 为闭源服务，每个片段约需 1 美元。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。