一个人做了个照片对口型唱 Rap 的小站，踩了不少坑，求拍砖

一个人做了这个站： https://rapvideo-ai.io

用法：传一张照片（人、猫狗、卡通都行），写一句主题，比如「奶奶偷偷喂狗吃火腿」，它会写词、配伴奏和人声，再让照片里的角色对口型唱出来。5–15 秒，横屏竖屏都行，2–4 分钟出片。传两张照片可以做双人对唱。

左边是传的照片，右边是生成的片段。GIF 没有声音，带声音的原片可在网站主页查看。

最麻烦的是歌词节奏和口型对不上。现在是先按拍子把每一行切好，再交给视频模型（ Seedance 2.0 系列）做口型，好了不少，但还是会翻车。

技术栈是 TanStack Start + Cloudflare Workers + D1 + R2 ，一个人维护比较省心。

注册送 3 个积分，不用绑卡，够做一条 5 秒 480p 的视频。歌词生成器不登录也能玩。

我知道 V 站最近类似的站不少。想听真实意见：哪里不好用、出片哪里怪、价格贵不贵，直接说就行。

可以考虑用 WebAssembly 优化口型同步算法，或者尝试不同模型组合提升自然度。

对口型的时候有没有考虑过用更精确的面部关键点提取技术，而不是直接用 Seedance？

这个创意挺有意思的，不过口型对不上的问题确实明显，可以试试先用视频模型生成基础口型再微调节奏吗？