做AI漫剧这一年多我踩过的坑能排满一个硬盘。最翻车的一次是前期画了二十多张角色图自我感觉良好结果剪到第三集时主角的脸已经换了四张观众在评论区直接问这和前面是同一部剧吗。从那以后我才真正意识到AI漫剧制作全流程不是画图配音拼接三个动作的简单叠加而是一套必须按工序走的系统工程。今天这篇教程我把一场戏从剧本到成片要走的6道工序——拆剧本、锁角色、出底图、动起来、配声音、剪成片——全部掰开揉碎讲清楚每道工序配具体做法和踩坑提醒文末还会放一份我自己一直在用的生成参数表新手照着参数抄至少能把翻车率压下去一大半。1. 先把整套流程盘明白AI漫剧的底层逻辑与工序划分1.1 AI漫剧和传统动态漫画差在哪为什么值得做传统漫剧/动态漫画的路径是有漫画原稿然后用Photoshop分层、After Effects做镜头推拉摇移、配音剪辑。它最大的优势是画面稳定、风格统一但最大的劣势是门槛高——你得先有一部漫画还得会修图、会做动效一个三分钟的片头可能就要磨两周。AI漫剧把这条链路彻底换血了。它不再需要先有漫画面而是用大模型根据文字描述直接生成画面再用视频模型让画面动起来。这意味着什么一个没受过美术训练的人只要会写提示词、会挑参数就能产出视觉质量不低的剧集内容。我见过最快的一条成片从剧本到发布只用了两天放在传统流程里几乎不敢想。但这套模式也有它的命门最典型的就是一致性问题。传统漫画一个角色从第一话到第一百话形象永远是固定的因为原画师脑子里有完整设定AI漫剧里角色是生成出来的如果不做锁定每一帧都可能是一个新演员。所以我在前面强调AI漫剧的核心不是生成能力而是控制能力。1.2 六道工序的上下游关系与工具链选型我把一场戏的生产过程拆成了6道工序顺序不可乱剧本拆解与分镜脚本把剧情切成镜头明确每个镜头拍什么、拍多久、说什么。角色与场景一致性锁定定下主角、配角的长相服装和核心场景让所有镜头共用同一套人物设定。关键帧图片生成按照分镜逐镜头出底图。图生视频动态化让静态底图产生合理的运动变成数秒的动态片段。配音与声音设计给角色配音、补音效、铺背景音乐。剪辑合成与成片输出把视频、配音、字幕按节奏拼起来导出为成片。这道工序的先后顺序不是拍脑袋定的每一道工序的输出都直接决定下一道的质量。比如你不先锁角色就去生成关键帧后面所有镜头都要重画不先配音就剪辑你会发现画面节奏和台词节奏对不上剪了也得返工。我目前跑通的工具链是这样的2026年初仍在用后面会逐个展开剧本拆解与分镜主流大模型对话工具 Excel分镜表。角色场景设定Midjourney出三视图与参考图Stable DiffusionSD搭配IPAdapter做角色特征锁定。关键帧生成SD WebUI/ComfyUI为主Midjourney兜底抽风格。图生视频即梦、可灵、Runway轮流用按镜头复杂程度选。配音剪映配音、ElevenLabs做主力其它TTS做本地方言音色补充。剪辑剪映为主Premiere做精修。工具不固定关键是理解每道工序在解决什么问题换同类工具不会迷路。这套流程对新手最大的意义是它把一堆不知道从哪下手的模糊任务变成了六个可以逐个击破的具体环节。2. 工序一剧本拆解与分镜脚本一切混乱的源头2.1 一场戏到底怎么切成镜头附分镜表模板很多人觉得AI漫剧的剧本就是一页对话稿念完就能开工。真做起来你会发现没有分镜的剧本就是个故事大纲丢给AI模型根本不知道先画哪张图、后画哪张图。所以我做每个项目的第一步永远是先把一场戏拆成分镜表。分镜表的做法不复杂但有几个关键字段我一个都不会省镜头编号、景别、画面描述、角色状态、台词、预估时长。其中景别必须写清楚远景、中景、近景、特写这四类直接影响后续提示词里该怎么描述人物大小台词则决定配音的长度也间接决定这个镜头要留多少秒。我随手给一个实际项目中的分镜表示例这是一场两人对话戏的开头三个镜头镜号景别画面描述角色状态台词预估时长01全景城市天台黄昏主角站在栏杆前背影风吹动衣角旁白故事的开始总是这样4s02中景天台一角两人相对站立女主低头男主欲言又止你怎么不说话了3s03特写男主的脸光影打在侧脸眼神闪躲停顿没什么……3s这个表的意义有两层。对外它是给AI生成模型当提词器每个镜头对应一组提示词照着表生成就不会漏镜头对内它是串联所有工序的契约剪辑时哪怕素材多了一堆也能按镜号对号入座不至于拼错顺序。2.2 用大模型辅助拆分的提示词模板直接抄镜头多的时候手写分镜表太累了。我现在会把原始剧本扔给大模型对话工具让它先产出初版分镜我再人工微调。这个环节最重要的是把输出格式约束住否则它会给你一段小说而不是一张表。我用的提示词模板大致是这样可以直接复制改动你是一名AI漫剧分镜师。请把下面的故事情节拆解为适合AI漫画剧生成的分镜脚本。要求每个镜头一行按顺序编号每行包含镜号、景别远景/全景/中景/近景/特写、画面描述主体动作环境、角色情绪、台词、预估时长画面描述要具体到人物表情、动作、服装颜色、场景光线避免主角站在街上这种含糊描述一场5分钟的戏镜头数量控制在30-45个输出Markdown表格。故事情节如下……这里有几个容易被忽视的点。第一限定镜头时长之后AI会主动把长对话切成若干短镜头因为一个3秒的镜头根本装不下大段台词第二逼它写清服装颜色和光线是因为这两个信息会原样进入后面的绘画提示词写清了能省掉大量重画第三镜头数量必须用范围卡住否则AI默认给你一分钟一个镜头完全没法用。有人会觉得这步麻烦想跳过直接生成我劝你别省。所有的画面崩坏剧情接不上人物一会儿胖一会儿瘦八成都是因为分镜阶段偷了懒。我接过很多新手发来的半成品项目返工成本大多出自分镜不清要么镜头顺序乱要么描述太模糊到了剪辑台才对着几十张素材发呆。分镜看着费时间其实是在替后面五道工序买保险。慢就是快这句话在AI漫剧里再准确不过。3. 工序二角色与场景一致性锁定防止换脸灾难3.1 角色参考图与特征描述词怎么配合AI漫剧翻车率最高的环节就是角色一致性。我见过太多人第一镜画了个长发红裙女主第二镜直接变短发黑裙观众一眼就出戏。要解决这个问题光靠提示词是不够的必须给每个主要角色做一套角色档案。我的做法分三步第一步先用Midjourney或SD生成角色的基础三视图正面、侧面、背面外加两个包含丰富表情和动作变体的参考图。生成时我会反复用到同一组特征描述词比如24岁亚洲女性黑色长直发红色风衣左眼角有一颗小痣这套描述词在后面所有镜头里必须原封不动地复用。第二步把这套角色图作为参考图绑定到后续镜头的生成里。Midjourney支持用垫图或者角色参考参数来锁定角色特征SD则更灵活可以用IPAdapter把角色参考图作为一种图像条件注入生成也可以用角色Lora把某个脸彻底固化下来。第三步建立角色特征速查表。每个角色一行写上固定描述词、参考图编号、Lora名称/权重。这东西看起来多余但在长剧集里救过我好几次——更新到第10集时我翻表就能确认女主的服装细节不用靠记忆。你需要理解一个原理AI绘画模型不是记得你的角色而是从描述和条件中重新生成角色。所以你每次给它喂的信息不一致它每次生成的就不一致。角色档案的本质是让每次喂进去的信息完全一致。3.2 场景与道具的一致性很多人会忘记的坑角色锁定了场景容易翻车。同一场戏第一个镜头是在破旧的工业风咖啡馆第二个镜头AI给你画成明亮的北欧风咖啡馆观众同样会懵。场景一致性不需要像角色那样做参考图拉满但至少要有一个场景设定描述和一张场景基准图。我一般每场戏先出一张宽幅场景概念图把它当作背景参考后续镜头生成时在提示词里固定写背景同场景概念图破旧工业风咖啡馆墙角有老式黑胶唱机主光源是暖黄色顶灯同时用垫图约束。道具的一致性也不能小看特别是主角拿的手机、佩戴的项链、开的车这类反复出现的物件。方法同角色单独生成一张道具参考图每次需要它出现时在提示词里额外放一段固定的道具描述。这里分享一个实用技巧给每个场景/角色/道具编号。比如主角CH-01咖啡馆SC-03手机PR-07然后在生成提示词里直接用编号固定描述。看着机械但配合批量处理脚本非常省事后期要改某个设定时只改编号对应的描述词即可。4. 工序三关键帧图片生成提示词与参数怎么搭4.1 提示词的四段式结构主体、环境、画风、镜头分镜表拿到手之后就是关键帧图片生成。这一步输出的是整部剧最核心的视觉素材质量好坏直接决定观感。先讲提示词结构。我常年用的四段式结构是主体 环境 画风 镜头顺序固定。举例对应分镜表里的02镜主体24岁亚洲女性黑色长直发红色风衣左眼角小痣低头神情温柔环境破旧工业风咖啡馆墙角老式黑胶唱机暖黄色顶灯窗外黄昏画风日系赛璐璐漫画风格高饱和度干净线条光影通透镜头中景两人相对站立男主看向女主浅景深用Stable Diffusion生成时这四段之间用逗号分隔中英文混排没关系用Midjourney时同样的结构也能直接跑通。为什么我一定强调四段式因为很多新手只写主体和画风比如一个女孩在咖啡馆动漫风格结果环境被模型自由发挥几秒钟前锁好的场景设定直接失效。把环境、画风、镜头都写进提示词不是为了好看而是为了给模型明确边界减少随机性。4.2 生成参数表采样步数、CFG、分辨率怎么定提示词只是半边天另一半是参数。我给新手跑图一般固定一套参数先讲清楚每个参数在干什么。先明确分辨率漫剧发抖音/短视频平台以竖屏9:16为主发B站/YouTube横屏16:9。我建议在生成阶段就按发布比例出图别先出方图再裁裁图会损失构图信息。采样器和步数SD里我常用DPM 2M Karras配合25-30步这个组合在质量和速度上是综合最稳的。步数太低画面会脏出现色块和噪点超过40步纯属浪费时间画质不会明显提升。CFG提示词引导强度我一般锁在7-8这个区间。CFG太高画面会过度贴合提示词出现那种塑料感的过度锐化太低则模型容易自由发挥忽略你的关键设定。搞不清原理的时候就记住7.5是一个什么题材都能兜住的值。种子seed很多人忽略。同一个提示词改种子画面就会完全不同。我批量出图时会固定种子先出一批底图选中最满意的一张记住种子后面微调参数时种子不变只小幅改提示词这样可以保证画面在同一张的基础上优化而不是每次推倒重来。我把常用的生成参数表整理一下参数项推荐值说明分辨率竖屏1280x720(2:3) / 横屏1920x1080(16:9)按发布平台定采样器DPM 2M Karras / Euler a画风偏真实用前者偏手绘用后者采样步数25-30低于20噪点多高于40无增益CFG7.5剧情画面用7-8纯风景可降到5种子固定批量抽卡时先定种子Lora权重角色0.8-1.0 / 画风0.6-0.8权重过高会满屏一样的脸抽卡策略上我不建议每个镜头只生成一两张就选。正确姿势是先固定角色参考和种子每个镜头批量生成4-8张选一张最符合分镜意图的作为底图。选图的标准不是最好看而是最符合分镜描述 适配后续动画生成。很多新人在这一步栽跟头选了一张美得不行的大头照结果下一道工序视频生成时根本动不起来。5. 工序四图生视频让静态画面真正动起来5.1 图生视频的提示词重心动作幅度和镜头运动关键帧图片生成之后接下来要把静态画面变成动态片段。这步我一般用可灵、即梦这类图生视频工具把底图作为首帧上传再写一段运动提示词。注意图生视频的提示词和绘画提示词完全是两套逻辑。绘画提示词要求描述完整画面内容视频提示词要描述的是变化——什么物体在动、朝哪个方向动、镜头怎么运动。比如同一张咖啡馆双人对坐的底图绘画提示词描述两人相对而坐神情温柔视频提示词应该写女主缓缓抬头看向男主镜头缓慢推进背景有轻微光影闪烁。运动幅度这里有讲究。AI视频生成有一个普遍的规律运动越剧烈画面畸变风险越高。人物甩头发、快速旋转这种动作模型很容易把五官扭成一团。新手阶段建议把运动幅度控制在轻微到中度人物有小幅表情变化、衣摆飘动、镜头有推近或平移这类动作成功率最高。我会在提示词里同时给出正向和负向描述。正向写清主体动作 镜头运动负向写人物五官扭曲、面部变形、肢体异常、背景闪烁、高速运动。负向提示词不是越多越好但人物五官和肢体这两类属于必选项写进去就能避开最频繁的翻车场景至于背景闪烁这类问题不同模型表现差异大可以先跑两三个测试再决定要不要保留。5.2 视频生成参数与吃分段策略视频生成参数我给你一套保守且好用的默认值参数项推荐值说明单段时长4-6秒超过8秒模型内容容易漂移帧率24fps或30fps主流平台都能良好兼容分辨率与底图一致避免二次缩放损失画质运动幅度低-中新手默认低熟练后加中负向提示词人物五官畸变、肢体异常等固定一套即可单段时长我特别强调一下宁可多生几段短的也不要贪一段长的。原因很简单视频模型的自回归机制决定了生成时间越长误差累积越明显画面越往后越容易崩。一个四秒的动作片段如果前面两秒崩了重新生成的成本还能接受一段十二秒的长镜头崩到第8秒整段作废前面的时间全白花。还有一种实用手法我把它叫适配切分适合动作连续但跨度较大的镜头。比如主角从门口走到桌前再坐下这是一个完整动作但我不会让它一个镜头直出12秒我会拆成三段01推门进店4s02走向餐桌5s03坐下抬头4s。每段分别用底图或上一段的末帧作为起始帧生成后再剪成一个连续动作。这个方法初期稍微费点功夫但容错率高、画面稳是我现在的主力方案。底图选择上也有一句要提醒生成视频前尽量选人物相对完整、有足够身体余量的图。半身像或特写能动的空间很小复杂的肢体动作基本做不了。如果你分镜里确实需要全身动作在关键帧生成阶段就要预留构图空间不要把人物顶到画面边缘。6. 工序五配音与声音设计别让耳朵拖后腿6.1 台词配音选音色、调语速、对齐节奏画面再精致声音是干瘪的观感会断崖式下降。AI漫剧的配音环节我用TTS解决的问题分成三块台词语音、旁白解说、情绪爆发点。台词配音的选型目前主流是两类一类是剪辑软件内置的AI配音上手快中文自然度已经不错另一类是更高阶的独立TTS引擎支持多音色、语速、情感强度调节适合做主角的专属声线。我做长剧时会给每个主要角色固定一种音色和语速像锁角色形象一样把声音形象也锁住。配角可以适当混用但主角的声音一定不要一集一个样。语速设置有个经验值对白语速放在每分钟240-260字比较自然旁白可以再放慢到180-220字。情绪激动的地方可以调高语速、加大音量但不要全程高亢观众会累。说到这里有人可能会想用多个TTS去模拟多人对话我建议先把单人剧情的配音跑熟再尝试多角色对线因为多角色对线还要处理音色区分和应答节奏新手容易手忙脚乱。配音与画面节奏的关系我放在剪辑章节细说但这里先立一个原则配音先行。意思是配音的音频轨道先落位剪辑时让画面去配合配音的节奏而不是先剪出画面再硬生生塞台词。6.2 音效与背景音乐分层铺音量有讲究音效和BGM常被新手忽略但它们是片子是否高级的分水岭。一段戏加上细微的环境音风声、脚步声、杯子碰撞声质感立刻不一样。我的声音设计分三层环境底噪、单点音效、背景音乐。环境底噪是每一个场景都要铺的一层比如咖啡馆场景低音量的人声嘈杂和杯碟声音量控制在极低让人感觉到但不注意到单点音效对应画面里的具体动作比如开门声、脚步声、手机消息提示音需要按照动作时间点放进去背景音乐则挑选与情绪匹配的纯音乐音量压在环境音之上、人声之下。音量配比我给一个可参考的经验范围环境底噪 -24dB 到 -18dB单点音效 -12dB 到 -6dB背景音乐 -18dB 到 -12dB人声保持在 -6dB 到 -3dB。这里不是定死标准而是提供一个起点具体用耳朵微调。有个很简单的检验方法戴上耳机听一遍如果注意力被音乐带走而不是被台词带走就说明BGM高了需要往下降。需要特别小心的是BGM别盖过人声。新手最容易犯的毛病就是把音乐拉满结果台词听不清弹幕全是声音好吵。你要是拿不准就把背景音乐在混音时稍微提高一点点头但始终留出让台词钻出来的空间。7. 工序六剪辑合成最后一公里的门道7.1 先把音轨铺好再拼画面剪辑阶段我有自己固定的顺序先建序列→铺配音轨道→铺BGM和音效→再按台词节奏逐镜头摆放画面素材。跟很多人先把画面排好再配音的习惯相反这个顺序能省掉大量返工。原理很简单台词的时长是硬约束一段3秒的台词放不进一个1秒的镜头里。先把配音轨定好每个画面该占多长、何时切走就变成了对答案而不是猜答案。实际操作时我会先按分镜表的预估时长粗排一遍画面然后逐句听配音凡是画面时长跟台词节奏不匹配的该延长的延长、该拆分的拆分。字幕这块我建议用一句台词一条字幕的规则不要一句话拆两条也不要两句并一条。字幕出现的时间点在台词开口前约0.1-0.2秒收字在台词结束后0.3秒左右这样人读起来不会赶。卡点节奏上有明显笑点或情绪转折的地方我习惯在转折前留半秒静默给观众一个预期落差。镜头转场要克制。AI漫剧的画面本身信息量就足花哨转场会喧宾夺主。我常用的转场只有三种硬切大多数镜头、轻微推近情绪升华时、叠化回忆和梦境。其他在剪辑软件里一键生成的花哨转场除非剧情明确需要否则少用为妙。7.2 成片导出参数与多平台适配剪辑完成后的导出参数设置决定了发布后的画质表现。我固定用H.264编码、MP4封装这是兼容性最好的组合码率方面1080P的片子建议不低于8000kbps4K可以拉到15000kbps以上码率太低会在暗部出现色块。帧率按项目录制时定的来25或30帧都可以但不要渲染成60帧去假装流畅AI生成素材本身不是60帧强行插帧容易出果冻感。多平台发布时画面比例是不能再改的所以比例这步要提前在分镜阶段就定死。竖屏9:16发抖音、快手、视频号横屏16:9发B站、YouTube。封面图我一般从成片里挑一张信息量最大的画面在封面文字上点出这一集的核心钩子比如她到底发现了什么。导出前的最后检查清单我建议过一遍画面里有没有未修干净的崩图、字幕有没有错别字、结尾有没有留出一些平台要求的结束黑场有些平台建议视频末尾留1-2秒黑场避免最后一帧资讯被进度条遮挡。这套检查看着琐碎但恰恰是判断片子能不能发出去的门槛。崩图会直接劝退挑剔的观众错别字在弹幕里一定会被点名黑场则关系到平台播放末帧的体验。把这些检查项固定成一个模板每次导出前走一遍发布后的翻车概率能降一半。8. 常见问题与排查技巧实录8.1 高频问题速查表建议收藏我把实操里最常被问的问题整理成一张表问题常见原因解决办法同一角色每集长得不一样特征描述词不统一/未用参考图绑定建立角色档案固定描述词并垫参考图画面有塑料感、过度锐化CFG偏高、步数偏低CFG降到7-7.5步数提到25以上人物脸部扭曲、五官错位运动幅度过大或底图人物过小降低运动幅度改用局部特写底图镜头里的背景每张都不同缺场景参考图场景描述太弱每场戏出场景概念图并固定环境提示词字幕对不上说话节奏字幕时间轴没微调字幕提前0.1-0.2秒出现结束后延迟0.3秒视频片段之间不连贯没按分镜顺序做片段的起始帧衔接用上一段末帧作为下一段的起始帧导出画面模糊码率过低或分辨率被二次缩放1080P用8000kbps以上码率导出分辨率保持原始这张表不是标准答案库而是我踩坑后的排查路径。遇到问题时先对着表找最接近的一项如果对不上再回看分镜脚本——很多时候问题出在源头而不是最后一步。还有一个小观察AI漫剧新手最迷茫的时刻不是不会生成而是生成得太多、不知道怎么选。我的建议是建立素材管理习惯每个镜头素材按镜号版本状态命名比如02_终版_v3_选中.png后期检索会快很多。这个习惯一开始会觉得烦但做到第二部剧的时候你会感谢当时坚持了命名规范。素材一旦超过几百个文件没有命名的文件夹就是灾难现场光找一张图就能消耗十分钟。8.2 我的5条独家避坑心得最后分享五条压箱底的经验每一条都是真金白银买来的第一凡是涉及角色正脸的镜头生成时务必用角色参考图而不是光靠提示词。提示词锁得住气质锁不住长相参考图才是硬绑定。第二全身镜头在视频生成环节最容易崩。如果剧情需要全身动作建议先在中景或特写里建立人物视觉印象再切全景这样观众脑补出的连续性会更强。第三配音永远先于画面剪辑。把台词轨铺好再排画面节奏感会完全不一样。我见过太多人剪完画面再配音结果为了迁就画面把台词硬砍剧情逻辑伤得千疮百孔。第四不要一次性生成全部镜头再开始检查。我现在的习惯是每完成一场戏10-15个镜头就停下来看一遍连贯性有问题当场返工。全部成片后发现问题整改成本至少翻三倍。第五参数表只是起点不是圣旨。同一套参数换不同的底图和提示词效果可能天差地别。多做AB测试把什么参数配什么题材沉淀成自己的资料库这是别人拿不走的隐性资产。上面这些流程和参数是我带过不少新手项目后一点点磨出来的。你会发现我做事的习惯是先做减法能锁定的锁定角色、场景、参数该拆分的拆分镜头、片段、音轨最后才谈效率工具和花活。我个人最大的体会是AI漫剧制作全流程真正难的地方从来不在生成而在控制——控制一致性、控制节奏、控制返工成本。你照着这套6道工序走完一场戏大概率会比我当初顺畅很多。如果后面有人想聊长剧集的批量生产、多角色复杂调度我可以再单独写一篇把这一整套流程里的坑一次性补齐。
