100 美元 AI 音乐视频：Claude Fable 5 对决 GPT-5.6 Sol
Hacker News 摘要原标题：$100 AI Music Video: Claude Fable 5 vs. GPT-5.6 Sol
这篇文章来自 TryAI 博客，记录了一场让 AI 自主创作音乐视频的对决。实验者给 Claude Fable 5 和 GPT-5.6 Sol 提供了相同的歌曲（Bruno Mars 的 "Uptown Funk"）、预设预算、网页搜索权限以及本地 ffmpeg 工具，让它们自主担任导演制作音乐视频。
实验设置
每个模型都运行在一个自主工具调用循环中，拥有六种工具：
• plan：用于思考，无成本。
• web_search：研究视频生成模型及其 API，获取音乐视频信息。
• get_budget：查看剩余预算。
• generate_image 和 generate_video：唯一消耗预算的工具。模型可以自主选择 FAL 或 Replicate 上的任何模型并设置参数。
• run_command：使用本地 shell 运行 ffmpeg 或 ffprobe，用于分析音频、剪辑、合并片段及合成最终视频。
实验共进行了四次尝试，两个模型分别在 25 美元和 100 美元两种预算下运行。系统为它们提供了歌曲、简短文本描述和带有时间戳的歌词。
核心数据对比
所有四次运行都成功生成了完整的音乐视频：
• Claude Fable 5（25 美元预算）：耗时约 39 分钟，生成了 54 个视频片段，实际生成花费 24.30 美元，输出分辨率为 720p。
• GPT-5.6 Sol（25 美元预算）：耗时约 43 分钟，生成了 61 张图片和 46 个视频，实际生成花费 23.18 美元，输出分辨率为 720p。
• GPT-5.6 Sol（100 美元预算）：耗时约 50 分钟，生成了 70 个视频，实际生成花费 36.57 美元，输出分辨率为 720p。
• Claude Fable 5（100 美元预算）：耗时约 39 分钟，生成了 80 个视频，实际生成花费 48.60 美元，输出分辨率为 1080p。
创作策略差异
模型在工具选择上表现出明显的分歧：
1. 生成路径：除了 25 美元档位的 GPT-5.6 Sol 采用了“先生成关键帧图片再转视频”的模式，其他三次运行均直接采用“文本转视频”模式。
2. 模型偏好：Claude Fable 5 倾向于在单次运行中只使用一种模型（如 Wan 2.5 或 Seedance 1.0 Pro）。而 100 美元档位的 GPT-5.6 Sol 则混合使用了 Wan 2.5、Veo 3.1 Lite 和 Hailuo 2.3 Standard 三种不同的视频模型。
3. 编辑技巧：GPT-5.6 Sol 被认为是最有创意的剪辑师，它在 25 美元档位的尝试中加入了文字叠加和带视频效果的动画，而其他运行版本大多只是简单地拼接片段。
成本分析
总成本包含生成费用和模型本身的 token 费用。Claude Fable 5 的 token 成本非常高，在 100 美元预算运行中，token 费达到了 25.05 美元。相比之下，GPT-5.6 Sol 的 token 费用仅在 3 到 4 美元左右。
实验发现与不足
尽管模型能够独立完成任务，但结果仍存在明显短板：
• 一致性缺失：人物和故事情节在不同镜头间缺乏连贯性，角色形象经常发生漂移。
• 歌词理解过于字面化：例如歌词提到“让龙都想退休”，画面中就真的出现了一条龙，缺乏艺术处理。
• 节奏感不强：虽然剪辑点能对准节拍，但画面内的动作（如跳舞、相机移动）往往与歌曲节奏不匹配。
• 缺乏自我审查：模型通常在生成片段后直接合并，很少回头重新剪辑或因为质量问题重新生成。
• 预算利用率：即便给出了 100 美元预算，模型也没有完全花完，说明它们目前的策略还比较保守。
该项目的完整代码已在 GitHub 开源。TryAI 表示，虽然目前的视频水平还不算完美，但观察 AI 如何自主决策、研究工具并处理长程任务的过程非常有意义。
原文：https://www.tryai.dev/blog/ai-music-video-arena-claude-vs-gpt-5.6