1. 从一个人做一部剧说起AI漫剧到底在解决什么问题传统短剧制作的门槛卡在三个地方剧本、分镜、成片。一个五分钟的短剧从创意到上线正常流程需要编剧、分镜师、美术、配音、剪辑至少五个角色协作周期少则两周多则一个月。如果要做系列化内容比如每周更新三集团队规模和成本会直接翻倍。这就是为什么大部分想做短剧的人卡在第一集就停了。AI漫剧这个方向本质上是在用生成式AI把这三个环节全部压缩。剧本可以用大语言模型辅助生成和迭代分镜可以用文生图工具快速出图成片可以用图生视频加配音合成。一个人、一台电脑、一套工作流就能跑通从创意到成片的完整链路。这不是AI替代创作者而是AI让一个人具备一个小团队的产能。我实测下来一条三分钟的AI漫剧从剧本到成片熟练之后可以控制在四到六小时。如果只做单集这个时间还能再压缩。关键在于工作流的搭建和工具链的配合而不是单个工具用得多花哨。这篇文章适合三类人看一是想做短剧但被制作成本劝退的个人创作者二是已经在做短视频、想拓展内容形态的运营者三是对生成式AI工作流感兴趣、想找一个完整项目练手的技术爱好者。不管你之前有没有接触过AI绘画或视频生成下面的内容都能直接抄作业。2. 剧本环节别让AI自由发挥给它搭好骨架2.1 为什么直接让AI写剧本大概率会翻车很多人第一步就错了打开对话框输入帮我写一个三分钟的短剧剧本然后期待AI吐出一个能用的本子。实测下来这种方式产出的剧本有三个通病节奏拖沓、对话空洞、场景描述模糊到没法做分镜。原因很简单。大语言模型的训练目标是生成合理的文本不是生成可拍摄的剧本。它不知道你的分镜工具能表现什么、不能表现什么也不知道三分钟短剧的节奏应该怎么控。你给它一个模糊的指令它就给你一个模糊的结果。正确的做法是你先定骨架AI填血肉。骨架包括什么核心冲突、人物关系、场景数量、每场戏的时长分配、关键转折点。这些你定好了AI的工作就变成了在给定框架内生成对话和动作描述质量会稳定很多。2.2 我用的剧本骨架模板下面这个模板是我跑了十几条短剧之后固定下来的直接可以用【剧集信息】 总时长180秒 场景数量4-6个 人物数量2-3人 【节奏分配】 0-15秒钩子冲突爆发或悬念抛出 15-60秒铺垫人物关系交代、矛盾升级 60-120秒转折关键信息揭露或意外事件 120-165秒高潮正面冲突或情感爆发 165-180秒收尾留悬念或情绪落点 【每场戏要求】 - 场景描述一句话说清地点、时间、氛围 - 人物动作具体可画的动作避免抽象心理描写 - 对话每句不超过20字总对话量控制在40句以内把这个模板和你的故事梗概一起丢给AI让它按格式输出。你会发现剧本的可拍性直接上了一个台阶。因为场景描述具体了分镜环节就不会卡壳对话短了配音和口型对齐的压力也小了。2.3 剧本阶段的三个避坑点第一个坑场景太多。新手容易写咖啡厅、街道、办公室、家里、公园五个场景每个场景都要重新生成背景图工作量直接爆炸。我的经验是三分钟短剧控制在四个场景以内其中至少两个场景可以复用同一张背景图的不同角度。第二个坑人物太多。每多一个人物就要多一套角色设定图还要保证不同场景下同一角色的形象一致性。两个人对话的戏比三个人吵架的戏好做十倍。建议从双人戏开始练手。第三个坑对话太长。AI默认生成的对话往往偏书面、偏长。你要在提示词里明确要求每句对话不超过15字口语化带情绪。短对话不仅好配音也好做口型同步——如果后面你要做动态口型的话。提示剧本定稿之前先自己读一遍掐表算时间。正常语速下每秒大约4到5个字。180秒的剧总台词量控制在700到800字比较合适。超过这个量要么删台词要么加时长。3. 分镜与视觉角色一致性是最大的拦路虎3.1 分镜的本质是把文字翻译成可执行的画面指令剧本定稿之后下一步是拆分镜。分镜不是简单地把剧本按句切分而是要决定每个镜头用什么景别、什么角度、画面里有什么、人物在什么位置。这些信息直接决定了你后面生成图片时的提示词怎么写。我的做法是做一个分镜表每一行是一个镜头包含以下字段字段说明示例镜号顺序编号S01场景对应剧本中的场景咖啡厅内景景别远景/中景/近景/特写中景画面描述一句话说清画面内容女主坐在窗边低头看手机情绪该镜头的情绪基调焦虑时长该镜头持续秒数3秒这个表看起来简单但它是后面所有工作的基础。图片生成工具需要画面描述来写提示词剪辑需要时长来排时间线配音需要情绪来调整语气。分镜表做细了后面每一步都顺。3.2 角色一致性三种方案的实际效果对比角色一致性是AI漫剧最大的技术难点。同一个角色在不同镜头里长得不一样观众一眼就能看出来直接出戏。我试过三种方案各有优劣方案一固定种子加详细描述。在文生图工具里固定随机种子然后用极其详细的角色描述发色、发型、脸型、服装、配饰来约束生成。优点是操作简单缺点是稳定性一般换个角度或表情就容易跑偏。方案二参考图加角色LoRA。先精修一张角色定妆图然后用这张图作为参考图配合角色LoRA模型来生成不同场景下的该角色。优点是一致性好缺点是需要训练LoRA有一定技术门槛而且每个角色都要单独训练。方案三图生图加局部重绘。先用一张基础图生成角色然后在不同场景中通过图生图加局部重绘来保持角色特征。优点是灵活缺点是对操作者的提示词功底要求高效率偏低。我目前的主力方案是方案二加方案三的组合核心角色训练轻量LoRA配角用参考图加局部重绘。实测下来主角的一致性可以做到九成以上配角也能达到七成左右观众基本不会出戏。3.3 背景生成的效率技巧背景图不需要每个镜头都重新生成。我的做法是每个场景生成一张主背景图然后通过裁剪、调色、加前景元素来复用。比如咖啡厅的场景生成一张全景图然后裁出窗边、吧台、门口三个区域分别用作不同镜头的背景。这样既保证了场景一致性又节省了大量生成时间。另外背景图的分辨率要留足余量。我一般生成2048宽度以上的图这样裁剪和后期调整的空间更大。如果生成工具支持尽量用横版16:9或竖版9:16的原生比例避免后期拉伸导致画质损失。注意生成背景图时提示词里要明确无人物或空场景。如果背景图里带了人物后期合成角色时会非常麻烦要么抠图要么重绘都是额外的工作量。4. 从静图到动态图生视频的实操参数与节奏控制4.1 哪些镜头值得做动态哪些用静图加运镜就够了不是所有镜头都需要图生视频。全部做动态一是耗时二是容易产生不可控的变形。我的经验是关键情绪镜头做动态过渡镜头用静图加运镜。具体来说以下三类镜头值得投入时间做图生视频人物表情变化明显的特写、有物理运动的中景比如走路、开门、倒水、需要氛围感的空镜比如雨滴、烟雾、光影变化。其他镜头比如对话中的反应镜头、场景交代镜头用静图加推拉摇移就够了观众根本不会注意到区别。这个策略可以把图生视频的工作量压缩到总镜头数的三成左右整体制作时间减少一半以上。4.2 图生视频的提示词怎么写才不崩图生视频的提示词和文生图不一样。文生图描述画面里有什么图生视频描述画面里什么在动、怎么动。我常用的提示词结构是[主体动作] [次要动作] [镜头运动] [氛围元素]举个例子一个角色坐在窗边喝咖啡的镜头提示词可以写成女孩缓缓举起咖啡杯轻轻抿了一口眼神望向窗外 镜头缓慢推进 窗外雨滴滑落室内暖光微微闪烁关键点是动作要少而具体。一条提示词里不要超过两个主体动作否则AI会不知道该动哪个。镜头运动也要明确是推、拉、摇、移还是固定写清楚。氛围元素是加分项但不要太多一两个就够。4.3 动态镜头的时长与节奏匹配图生视频工具通常生成固定时长的片段比如3秒、4秒或5秒。你需要根据分镜表里的时长来裁剪和拼接。我的做法是生成时统一用最长时长比如5秒然后在剪辑软件里按需裁剪。这样比生成短了再补要灵活得多。节奏控制方面三分钟短剧的镜头数量控制在40到60个之间比较合适。平均每个镜头3到4秒。情绪紧张的段落镜头可以短到1到2秒情绪舒缓的段落镜头可以长到5到6秒。这个节奏感需要你在剪辑时反复调整没有固定公式但多看几遍自己剪的片子手感自然就来了。5. 配音、音效与剪辑让成片活起来的最后一公里5.1 AI配音的选型与调参配音是很多AI漫剧最容易翻车的环节。声音太机械、情绪不对、语速不匹配都会让观众瞬间出戏。我试过多种AI配音方案目前比较稳定的是用支持多情绪参数的语音合成工具。选型时重点看三个指标是否支持情绪调节、是否支持语速微调、是否有多种音色可选。情绪调节是核心因为短剧的对话往往带有明显的情绪色彩平铺直叙的配音会让整个片子显得很假。调参方面我的经验是语速比正常说话稍快一点大约1.1到1.2倍速这样更符合短剧的节奏。情绪参数不要拉满拉到七成左右比较自然。另外不同角色的音色要有明显区分但不要选太夸张的音色否则会显得很刻意。5.2 音效和背景音乐的搭配逻辑音效和背景音乐是提升成片质感的关键但很多人忽略这一步。我的做法是分三层底层是背景音乐中层是环境音效顶层是动作音效。背景音乐根据情绪选紧张段落用节奏快的抒情段落用旋律性的。环境音效根据场景选咖啡厅有咖啡机声和低声交谈街道有车流声和脚步声。动作音效根据画面选开门有门轴声倒水有水声走路有脚步声。这三层的音量比例大概是背景音乐六成环境音效两成动作音效两成。动作音效可以稍微突出一点因为它和画面直接对应观众会下意识地关注。5.3 剪辑节奏的实战心得剪辑是最后一道关也是最考验手感的一步。我的剪辑流程是先铺画面再对配音然后加音效和音乐最后调色和加字幕。铺画面的时候先按分镜表的顺序把所有镜头排好然后根据配音的节奏来微调每个镜头的入点和出点。关键原则是对话镜头要跟着语音走语音开始前0.2秒切入语音结束后0.3秒切出。动作镜头要跟着动作走动作完成后再切。调色方面AI生成的图片和视频往往色调不统一需要统一调色。我一般用剪辑软件自带的调色工具先统一白平衡和曝光再根据场景氛围加一层风格化滤镜。字幕用简洁的无衬线字体字号不要太大放在画面下方安全区内。提示导出成片之前一定要在手机上看一遍。很多在电脑上看着没问题的画面在手机小屏幕上会暴露问题比如字幕太小、画面太暗、音效太轻。手机是短剧的主要观看设备以手机效果为准。6. 规模化生产从单集跑通到系列化更新6.1 把工作流拆成可复用的模块单集跑通之后下一步是规模化。规模化的核心不是做得更快而是把每个环节变成可复用的模块。我的做法是把整个工作流拆成五个模块剧本模板、角色资产库、场景资产库、配音参数预设、剪辑工程模板。剧本模板就是前面说的骨架模板每次只需要换故事梗概和人物设定。角色资产库包含每个角色的定妆图、LoRA模型、常用提示词。场景资产库包含每个场景的主背景图和复用规则。配音参数预设包含每个角色的音色、语速、情绪参数。剪辑工程模板包含时间线结构、音效库、调色预设。这五个模块建好之后新一集的制作就变成了填空把新故事填进剧本模板从资产库里调角色和场景用预设参数配音套剪辑模板输出。实测下来第二集之后的制作时间可以压缩到第一集的一半甚至更少。6.2 批量生成时的质量控制批量生成最大的风险是质量波动。同一套提示词不同批次生成的图片可能有明显差异。我的应对策略是每批次生成后先抽检抽检合格再批量输出。抽检的标准很简单角色形象是否一致、画面构图是否符合分镜要求、有没有明显的生成瑕疵比如多手指、面部扭曲、文字乱码。抽检比例我一般设两成如果两成里有一成以上不合格就调整提示词重新生成如果合格率超过九成就直接批量输出。另外批量生成时要注意工具的并发限制和额度消耗。有些工具对同时生成的数量有限制有些工具按生成次数计费。提前算好每集需要的生成次数做好预算。6.3 系列化更新的排期与库存管理系列化更新最怕的是断更。我的做法是保持至少两集的库存。也就是说当前正在更新第三集的时候第四集和第五集已经制作完成了。这样即使某一周因为各种原因没法制作也不会影响更新节奏。排期方面我建议每周更新一到两集固定时间发布。短剧的观众粘性靠的是追更的习惯更新时间不固定会流失观众。制作排期倒推如果每周五更新那么周三之前要完成成片周二之前要完成配音和剪辑周一之前要完成分镜和图片生成。把每个环节的时间节点定死执行起来就不会乱。注意系列化更新时每集结尾要留钩子。钩子不一定是大悬念可以是一个小问题、一个未解的动作、一句没说完的话。目的是让观众有动力看下一集。这个钩子最好在剧本阶段就设计好而不是剪辑时硬加。7. 我踩过的几个坑和对应的解决方案第一个坑角色形象在第三集突然变了。原因是LoRA模型训练时用的素材不够多导致模型对角色特征的学习不够稳定。解决方案是每个核心角色至少用15到20张不同角度、不同表情的素材来训练LoRA而且素材要统一画风。第二个坑图生视频生成的动作和配音对不上。原因是先做了视频再配音导致口型和语音不同步。解决方案是调整流程先定配音再根据配音的节奏来做图生视频。如果口型同步要求高可以用专门的口型同步工具做后期对齐。第三个坑批量生成时额度突然用完。原因是没算好每集的生成次数前几集大手大脚后面就不够了。解决方案是建立生成次数台账每集开始前先估算需要的生成次数留出两成的余量。第四个坑成片在手机上看着画面太暗。原因是电脑屏幕亮度比手机高在电脑上调色觉得刚好到手机上就偏暗了。解决方案是调色时把显示器亮度调到和手机接近的水平或者直接在手机上预览调色效果。第五个坑背景音乐版权问题。这个坑很多人忽略直到发布后被平台下架才反应过来。解决方案是只用明确标注可商用的音乐库或者用AI生成原创背景音乐。不要从视频平台直接扒音乐风险很大。8. 这套工作流的边界在哪里说了这么多实操层面的东西最后聊一下这套工作流的边界。AI漫剧目前能做的是风格化、节奏快、以对话和情绪驱动的短剧。它不适合做复杂的动作场面、精细的物理交互、或者需要大量群众演员的大场景。这些恰恰是AI生成目前的短板。另外AI漫剧的漫字很关键。它更适合漫画风、插画风、厚涂风这类风格化的视觉呈现而不是追求写实。写实风格对生成工具的要求高得多一致性和细节都更难控制。如果你刚开始做建议从漫画风入手容错率更高观众接受度也更好。我个人在实际操作中的体会是这套工作流的核心价值不在于省时间而在于让一个人能独立完成一部剧。省时间只是结果真正的改变是创作门槛的降低。以前你需要说服一个团队跟你干现在你只需要说服自己坐下来把第一集做完。