哎呀，好久没有写博客了，感觉最近一直在做歌曲视频。不过越做越顺，整个流程怎么跑已经清楚了。
而且现在属于是差什么来什么：
音频质量不好，YuE2 这个模型就出来给你增强音频；DeepSeek V4 涨价，就发布了 Qwen3.8 Flash；生成速度不够快，又来了 DeepSeek V4.1，价格也都降下去了。
感觉就像困了，有人递过来一个枕头。
这次做账号感觉比较顺利。虽然说还在很初步的阶段，但明显比之前做普法视频的时候好很多。特别是快手这种对新号很友好的平台，涨粉的数量、速度，包括平均播放量，都很不错。音乐水平提高之后，加上整个制作的精美程度也在提升——这其实跟制作的熟练度差不多，人的审美和对音乐水平的调教，还是得多用一用、多听一听、多看一看，这个能力就会上去一些。
目前技术上所有问题基本都已经解决了，所以又回到了所有做内容视频的人的起点问题：现在卡壳的部分是稿子。只要改编的歌词做得出来、有搞笑的段子给我，我就能把它做出来。而且现在制作的熟练度和速度也越来越快。
顺便一提，终于碰到了第一个被封的视频，是在抖音上，一个给猫猫绝育的歌曲。可能是碰到了医疗或者手术台的图片，还有"绝育"这种词，触发了抖音内部的机审封禁。实际上这个视频在前 10 个视频里，快手上的呈现量是最好的。这也就说明问题不在我。
好了，就随便写一点，记录一点心得，就这样。
更新工具链。这次更新算是微调，只是将绘图模型从Lite改用了Fast。Fast在大多数情况下画质并没有Lite好，但是在卡通场景下，效果大多数时候 Fast更好。
- CherryStudio — 主控台，所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Gemini 3.8 Flash - 重要节点参考LLM
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- Open Soren WebUI - 歌曲最后一步合成
- 豆包录音识别 - 获得歌词准确时间，便于分镜，主要使用此渠道
- Qwen ASR - 获得歌词准确时间，便于分镜【备用】
- SenseNova u1.5 Fast/Lite — 画面首帧生成/封面抽卡
- GPT Image 2.5 — 封面最终生成，优先使用1K，降本
- VOSR2 - 图片超分放大，对于GPT去噪效果极佳
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
- RTX Video Processor — 2x放大（1280p，缩小到85%出1080p视频），利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 官方订阅
- SenseNova 商汤官方
- GrsAI 第三方中转站
更新工具链，这算是一次重大升级，首先是刚刚发布一周的DeepSeek v4.1 Flash，在质量基本不变的情况下，5-8倍的速度，让我一天就把之前一周需要整理的结构全部搞定了。价格还很便宜，仿佛回到了那个DeepSeek 0731的时代。
其次，音乐生成方面基本没有版权风险了，YuE2的出台，让音乐效果可以追平Suno 5.5，并且基本没有在X Studio那漫长的调音过程了，也不需要云端支持，彻底独立出来了。释放了依赖云端制作重要步骤的风险。我感觉这就是我最后一块拼图。
第三，是个降本增效的图片处理。GPT Image 2.5的构图能力强，写字没问题，同时1K图只需要4分钱不到。再经过10秒的VOSR2放大，效果比直出2K、4K图还好，每一期的制图成本基本压缩到了3毛以内。
第四，重用Gemini 3.8 Flash，写稿子很有特点，虽然很多方面不如其他模型，但最重要的是有特点。这和踢足球一样，基础达标后，最重要的是有特点！这一步可能每期开销要5毛左右。
第五，ASR识别改用豆包，这点纯粹属于提高效率。豆包在语音识别上明显高于千问。而且这个步骤实际支出很低，由于豆包 还送了20小时体验包，目前属于0成本。
- CherryStudio — 主控台，所有智能体调度
- DeepSeek v4.1 Flash — 主力模型
- Gemini 3.8 Flash - 重要节点参考LLM
- YuE2 — 改词、改曲
- SoulX Singer — 改音色并润色
- Open Soren WebUI - 歌曲最后一步合成
- 豆包录音识别 - 获得歌词准确时间，便于分镜，主要使用此渠道
- Qwen ASR - 获得歌词准确时间，便于分镜【备用】
- SenseNova u1.5 Lite — 画面首帧生成，封面抽卡
- GPT Image 2.5 — 封面最终生成，优先使用1K，降本
- VOSR2 - 图片超分放大，对于GPT去噪效果极佳
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
- RTX Video Processor — 2x放大（1280p，缩小到85%出1080p视频），利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI 第三方中转站
最近发现一个 VOSR 技术，确切地说是 8 月 22 号开源的 VOSR2，主打视频高清放大。它和以往的超分方案不同：不需要任何文本引导，是一个纯视觉生成方案，对视频的高清放大效果极佳。9 月 8 号，ComfyUI 的适配版本也已经出来了。
在本地跑了一下，情况如下：
虽然不爆显存（整个模型 7~8G，运行起来也就11~12 G 显存），但运行效率很低。目前实测大概 6 秒的视频需要 18~20 分钟左右才能放大完。这应该还是稀疏矩阵运算的问题，还需要 turbo 或其他优化技术来提速。
效果极佳！实测把一段 640P 的视频超分到 1280，一点点都不违和，完全达到了预期水平。
对比下来，远超我之前用的星光模型等方案。它既克制又清楚，锐化得恰到好处，细节补充也一点也不突兀。
现在已经进入 ComfyUI 生态了，相信过段时间就能看到高速的产品。
持续关注中……
更新工具链，经测试，参考LLM模型改用GLM 5.3 Flash和Gemini 3.8 Flash，扩展第三方中转站服务商。
- CherryStudio — 主控台，所有智能体调度
- Qwen-3.8-Flash - 主力模型
- DeepSeek v4 Flash — 主力模型（备用）
- GLM 5.3 Flash
- Gemini 3.8 Flash
- 网易X Studio — 改词
- SoulX Singer — 改音色并润色
- ACE Step — 歌曲二次合成
- Open Soren WebUI - 歌曲最后一步合成
- Qwen ASR - 获得歌词准确时间，便于分镜
- SenseNova u1.5 Lite — 画面首帧生成，封面抽卡
- GPT Image 2 — 封面最终生成
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
- RTX Video Processor — 2x放大（1280p，缩小到85%出1080p视频），利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI、apilio、DMXAPI 等三方中转站
更新工具链，将超分放大改为RTX的视频实时超分技术，效果和Topaz差不多，但速度极大提升，且一键bat可超分完成。另外，主要稿件参考LLM模型，更新为Gemini 3.7 Flash
- CherryStudio — 主控台，所有智能体调度
- Qwen-3.8-Flash - 主力模型
- DeepSeek v4 Flash — 主力模型（备用）
- GPT-5.6-Terra
- Gemini 3.7 Flash
- 网易X Studio — 改词
- SoulX Singer — 改音色并润色
- ACE Step — 歌曲二次合成
- Open Soren WebUI - 歌曲最后一步合成
- Qwen ASR - 获得歌词准确时间，便于分镜
- SenseNova u1.5 Lite — 画面首帧生成，封面抽卡
- GPT Image 2 — 封面最终生成
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
- RTX Video Processor — 2x放大（1280p，缩小到85%出1080p视频），利用RTX Video SDK开发
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI 第三方
今天又更新了一下工具链，增加推理模型，增加网易X studio工作流程
- CherryStudio — 主控台，所有智能体调度
- Qwen-3.8-Flash - 主力模型
- DeepSeek v4 Flash — 主力模型（备用）
- Kimi K2.7 Code
- GPT-5.6-Terra
- 网易X Studio — 改词
- SoulX Singer — 改音色并润色
- ACE Step — 歌曲二次合成
- Open Soren WebUI - 歌曲最后一步合成
- Qwen ASR - 获得歌词准确时间，便于分镜
- SenseNova u1.5 Lite — 画面首帧生成，封面抽卡
- GPT Image 2 — 封面最终生成
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
- Topaz Video — 2x放大（1280p，缩小到85%出1080p视频）
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI 第三方
这两天更新了一下整体工具链上使用的工具。出图过程中使用了商汤刚刚发布的 1.5 模型，免费，可以大量反复测试出图。音频文件增加母带处理。MiniMax H3视频生成改为二次采样。（540p ➡️ 640p，并提升速度30%-50%）。超分改用Topaz Video。
- CherryStudio — 主控台，所有智能体调度
- DeepSeek — 主力模型
- Kimi K2.7 Code
- GPT-5.6-Terra
- SoulX Singer — 歌词合成
- ACE Step — 歌曲二次合成
- Open Soren WebUI - 歌曲最后一步合成
- Qwen ASR - 获得歌词准确时间，便于分镜
- SenseNova u1.5 Lite — 画面首帧生成，封面抽卡
- GPT Image 2 — 封面最终生成
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存），一次采样0.3M，二次采样0.7M（640p）
- Topaz Video — 2x放大（1280p，缩小到85%出1080p视频）
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI 第三方
有一个多月没更新博客了，原因是在准备开新视频号，最近一直在跑通流程。
事情大概是七月中旬，某天午觉醒来刷手机，看到两个广播主持人做改歌词的短视频，把《好汉歌》改成吐槽加班，挺有意思的。我突然就想到了「刚买的飞机」这个梗，意识到这种号其实挺好做，而且如果接广告，直接用 Suno 生成歌曲就行。念头一起，就决定换个赛道了。
法律赛道的搞笑动画还是不好做。前前后后做了 140 多个视频，有近 10 个在不同平台被下架过。加上法律类 AI 工具（Skill、MCP 之类的）越来越成熟，入门法律咨询看起来越来越像骗子了。靠法律渠道赚钱确实得心黑。而且从接触到的低学历人群来看，普法教育的意义也没那么大——很多人不愿意学，也教不会。算了，心累。
所以还是做娱乐向内容。
确定了改编歌词的赛道，就要解决一套流程和技术问题：
- 音频：SoulX Singer SvS + ACE Step 方案。Suno 效果虽好，但抽卡严重、可编辑性低，只用于商单曲目以避免侵权。
- 文生图：还是经典的 NanoBanana。
- 图生视频：本来准备用 SeeDance 2.0，但刚好 Minimax H3 发布了，还开源了，效果齐平 SD 2.0，而且免费，极大降低了生成成本。
主角就用我家两只小猫咪。猫猫唱歌——一个基本没有对手的赛道。但改歌词唱歌本身又是个满是对手的赛道，很神奇。
段子和素材也靠智能体自动检索加人工筛选搞定。整个流程中，人工介入的关键点只有三个：歌词改编、分镜设计、首帧设定。其他基本全自动。
目标：9 月 2 日，喵喵开始唱歌啦！
记录一下猫猫们唱歌这条线用到的工具链，从模型到生成一条龙。
- CherryStudio — 主控台，所有智能体调度
- DeepSeek — 主力模型
- Kimi K2.7 Code
- GPT-5.6-Terra
- SoulX Singer — 歌词合成
- ACE Step — 歌曲二次合成
- QwenASR — SRT生成
- NanoBanana2 — 画面生成
- GPT Image 2 — 封面生成
- MiniMax H3 — 视频生成主力（本地 16G 显存 + 64G 内存）
- Waifu2x — 2x放大
- DeepSeek 官方
- OpenCode Go 订阅
- GrsAI 第三方