$100 AI 音乐视频：Claude Fable 5 对比 GPT-5.6 Sol
所有帖子 视频对比 智能体 $100 AI 音乐视频：Claude Fable 5 对比 GPT-5.6 Sol 我们给 Claude Fable 5 和 GPT-5.6 Sol 同一首歌、一个预算、网络搜索和本地 ffmpeg，然后让它们各自自主导演一部音乐视频。 TryAI · 2026 年 7 月 16 日 · 8 分钟阅读
我们构建了一个小型智能体框架，任务只有一个：给模型一首歌、一个硬性美元预算和一套工具，然后不干预，让它自主制作完整的音乐视频。模型自行研究有哪些视频模型存在、生成片段、观看自己的素材、用 ffmpeg 剪辑，并组装出最终成片。
我们上次对决的几位读者表示，想看看模型之间工具使用方式的具体差异，因此我们给前沿模型分配了一个开放式、长周期任务，让每个模型自行决定研究什么、生成什么以及如何剪辑。我们记录了每一次工具调用，这样你就能看到每个模型的具体工作方式（完整日志见下文）。
我们运行了两个模型：Claude Fable 5 和 GPT-5.6 Sol，每个模型在两个预算档位（$25 和 $100）下各运行一次，共四次运行。每次运行都使用同一首歌（Bruno Mars 和 Mark Ronson 的《Uptown Funk》）、一段简短文字描述以及一份带时间戳的歌词文本。
设置
每个模型运行一个自主工具调用循环，包含六个工具：
- plan：用于思考的工具（无成本，无操作）。
- web_search：用于研究生成模型及其 API，并获取音乐视频相关信息（如有需要）。
- get_budget：用于检查剩余预算。
- generate_image 和 generate_video：唯一消耗预算的工具。模型可以选择任意 FAL 或 Replicate 模型，并传递自己的参数。
- run_command：本地 shell，提供 ffmpeg/ffprobe，用于分析音频、剪切和拼接片段，以及合成最终视频。
一旦预算归零，付费生成将被拒绝，但模型可以继续剪辑。每次模型消息、工具调用、扣费和错误都被记录下来。整个框架在 github.com/hershalb/music-video-arena 开源，因此你可以自行运行。
四个视频
以下每个片段都是模型最终自主生成的 output.mp4，完整长度并混入了原曲。
- Claude Fable 5 · $25
- GPT-5.6 Sol · $25
- Claude Fable 5 · $100
- GPT-5.6 Sol · $100
数据
所有四次运行均自主完成（未达到步骤或时间限制），并生成了有效的完整长度视频，混入了原曲。
| 模型 | 预算 ↕ | 实际耗时 ↕ | 步骤数 ↕ | 图片数 ↕ | 视频数 ↕ | 失败调用 ↕ | 生成花费 ↕ | 输出分辨率 ↕ | |------|--------|------------|----------|----------|----------|------------|------------|--------------| | Claude Fable 5 | $25 | 39分10秒 | 25 | 0 | 54 | 1 | $24.30 | 1280x720 | | GPT-5.6 Sol | $25 | 42分52秒 | 38 | 61 | 46 | 10 | $23.18 | 1280x720 | | GPT-5.6 Sol | $100 | 49分39秒 | 34 | 0 | 70 | 2 | $36.57 | 1280x720 | | Claude Fable 5 | $100 | 38分56秒 | 28 | 0 | 80 | 0 | $48.60 | 1920x1080 |
“生成花费”是计量的 FAL 成本，即预算上限。在 $25 预算下，两个模型几乎用尽。在 $100 预算下，它们分别花费了 $36.57（Sol）和 $48.60（Fable），因此更多预算确实转化为了更多素材。这不包括运行模型本身的成本，我们将在下方补充。
完成视频的时间
每个模型构建的内容
在自行选择工具的情况下，模型出现了分化。四次运行中有三次完全采用文本到视频方式。只有 GPT-5.6 Sol（$25 预算）使用了图像到视频流程（先生成静态图像，再将其动画化）。GPT-5.6 Sol（$100 预算）在一次运行中混合使用了三种不同的视频模型。
| 运行 | 图像模型 | 视频模型 | 方法 | |------|----------|----------|------| | Fable 5 · $25 | 无 | Wan 2.5 t2v（$0.05/秒） | 仅文本到视频 | | Sol · $25 | FLUX schnell（$0.003/张） | Wan 2.2-5b i2v（$0.10/秒） | 关键帧，然后图像到视频 | | Sol · $100 | 无 | Wan 2.5（$0.05/秒）、Veo 3.1 Lite（$0.10/秒）、Hailuo 2.3 Standard（$0.28/视频） | 文本到视频，混合模型 | | Fable 5 · $100 | 无 | Seedance 1.0 Pro t2v（~$0.12/秒，1080p） | 仅文本到视频 |
价格为 FAL 列出的费率，除非另有说明，否则按输出视频每秒显示。Hailuo 2.3 Standard 按视频计费（约 $0.28 每 6 秒片段），Seedance 1.0 Pro 按 token 计费（约 $0.62 每 5 秒 1080p 片段，以上显示为其有效每秒费率）。每次运行生成的独立片段数量从 46 到 80 不等。
工具使用情况
每次运行的工具调用次数（包括尝试，含失败的生成调用）。
- Claude Fable 5 · $25
- GPT-5.6 Sol · $25
- Claude Fable 5 · $100
- GPT-5.6 Sol · $100
每次运行的完整日志，包括每次计划、工具调用和命令，可在此查看：
- Fable 5 · $25
- Sol · $25
- Sol · $100
- Fable 5 · $100
过程中的错误
“失败调用”是指返回错误的生成请求（主要是提供商的临时网络故障）。这些请求未被收费，但模型花费了步骤进行重试。
Token 使用量
| 运行 | 输入 tokens | 输出 tokens | 推理 tokens | 缓存输入 tokens | |------|-------------|-------------|-------------|-----------------| | Fable 5 · $25 | 1,476,900 | 44,341 | 不适用 | 0 | | Sol · $25 | 2,956,270 | 33,220 | 9,656 | 2,558,029 | | Sol · $100 | 2,097,572 | 31,715 | 12,330 | 1,819,050 | | Fable 5 · $100 | 2,264,610 | 48,029 | 不适用 | 0 |
每次运行的总成本
预算仅计量生成（FAL）花费。加上 Claude Fable 5（输入 $10 / 输出 $50 每百万 tokens）和 GPT-5.6 Sol（输入 $5 / 输出 $30 每百万 tokens）的 LLM token 成本，得出每次运行的总成本。
| 运行 | 生成花费 | LLM token 成本 | 总成本 | |------|----------|----------------|--------| | Fable 5 · $25 | $24.30 | $16.99 | $41.29 | | Sol · $25 | $23.18 | $4.27 | $27.45 | | Sol · $100 | $36.57 | $3.25 | $39.82 | | Fable 5 · $100 | $48.60 | $25.05 | $73.65 |
对于 Claude Fable 5，仅 token 成本就达到 $16.99 到 $25.05，约占每次运行总成本的 30-40%。GPT-5.6 Sol 的 token 成本在类似 token 量下保持在 $3-4 左右。
方法说明
所有四次运行的输入相同：歌曲、一段简短文字描述以及一份带时间戳的歌词文本。每个模型自行选择 FAL 上的生成模型，并自行进行 ffmpeg 剪辑。实际耗时包括模型自身的重试以及等待提供商队列的时间。生成花费是基于每个模型价格表的最佳估算。
自行尝试
该框架是开源的：github.com/hershalb/music-video-arena。将其指向你自己的歌曲和预算，替换你想要对决的任意模型，看看它们能构建出什么。欢迎提交 Issue 和 PR，我们非常希望收到关于该设置的反馈。
我们的看法
这些音乐视频没有一个是出色的，但观察模型如何达成结果是相当有趣的。