去年秋天接了个活客户要十二集的竖屏短剧每集一分半题材是都市情感。前六集顺风顺水第七集审片的时候客户在群里甩了张截图问了一句让我当时头皮发麻的话“这个男的是谁前面那个呢”我点开画面一看脸型没变多少但下颌线窄了一圈眉骨的阴影方向反了加上换了场景肤色从暖调变成了冷调。单看每一帧都挺好看连着放就像临时换了演员。那次返工的代价是三个人四天几乎把后半程的利润全赔进去了。这篇笔记就是从那件事之后开始攒的。AI真人短剧这条线真正劝退人的不是画质不够真也不是模型不会做表情而是一致性和产能这两件事——脸要锁得住活要出得快最后还得有人愿意为它付钱。如果你刚摸到这一块或者已经出了几集成片但总在返工里打转下面这些从踩坑里抠出来的做法应该能省你不少时间。1. 把“真人感”拆开看卡住人的从来不是画质1.1 三层连续性脸、形、光很多人以为角色一致性就是“脸像不像”其实它至少是三层叠在一起的东西缺一层观众就出戏。第一层是面部结构包括骨相、眉眼间距、鼻梁走向、唇形。这一层决定了观众认不认得出“这是同一个人”。第二层是形体与造型身高比例、肩宽、发型走向、常穿的那几件衣服。第三层最容易被忽略是光影与色调也就是主光方向、色温、对比度、镜头焦段带来的透视差异。三层里第一层靠技术手段能锁得比较死第二层靠资产管理第三层几乎全靠人为规范。我见过的返工案例里真正因为脸崩而废掉的不到三成七成是换场景之后光变了、焦段变了人显得不是同一个人。一个很实用的自检方法把同一角色的十张不同场景截图缩到拇指大小排成一排。如果第一眼觉得“这是同一个人”说明三层都对上了如果要去辨认五官才能确认那第三层八成没管住。1.2 “抽卡”思维为什么做不出成片刚上手的人最容易犯的错是把生成当成抽卡写一段描述生成二十张挑一张好看的接着生成下一镜。单张看都很惊艳剪到一起就散架了。原因很朴素——抽卡的本质是每次都从零开始模型不知道你上一镜用了什么参数、什么参考、什么光照条件。你的“挑好看的”这个动作本身就在破坏连续性因为你挑的标准是单帧美感而不是跨镜一致性。成片的做法反过来先定标准再产素材。标准包括角色的固定描述、固定参考图、固定光照设定、固定镜头语言。宁可单帧平庸一点也要保证十镜放在一起是同一个人。我现在的习惯是一个角色的定妆资产没通过“缩略图测试”之前绝不进入正式分镜生产。1.3 一条可执行的质量底线给团队定标准的时候别定“要真实”这种没法验收的话。我给的是四条硬线验收项底线标准检查方式面部识别度同角色跨场景截图盲测三人中两人能认出同一人缩略图排列盲看肤色稳定同一场景内色温差不超过一档取面部中间调采样对比动作自然度关键动作无明显肢体穿模、手指畸变逐帧过一遍关键动作段口型同步台词段落误差在半字以内静音看一遍只听不看一遍这四条过不了就别往下走后面的剪辑、配音、调色都是在这四条之上做加法底子歪了加多少都白搭。2. 角色一致性一次建档、全片复用的做法2.1 角色卡里到底该写什么角色卡不是一张图是一份可复用的生产文档。我现在给每个主要角色建一份字段固定团队共用基础档案年龄段、性别、身高体型的量化描述、脸型、发型长度、分缝、卷直、有无配饰固定描述段一段经过反复验证、生成效果稳定的文字描述直接复制粘贴用不临时改写参考图组正面、四分之三侧、侧面、背面各一张高清再加表情组平静、微笑、惊讶、愤怒、悲伤五张光照设定主光方向、色温值、明暗对比倾向禁用词清单这个角色上容易引发漂移的词比如某些描述会触发模型自动加浓妆历史版本号每次调整参考图组都要升版本成片记录用哪一版那份“固定描述段”是最值钱的东西。它不是一次写成的是拿二三十次生成结果反推出来的——哪些词写进去角色就稳哪些词写进去就飘。写完之后冻结全片不改。想改就升版本别在原版上微调。2.2 参考图权重的调试手感用参考图去锁定角色时那个控制“多大程度参考原图”的强度参数是最关键的旋钮。参数太低锁不住脸太高动作和表情会僵。我实测下来比较稳的区间是这样的强度区间表现适用场景0.25 以下脸基本不锁只借个大概气质群演、远景、背影0.30 - 0.45五官轮廓稳定允许表情和角度变化常规对白镜头最常用0.45 - 0.60脸很稳但动作幅度受限容易“贴脸”特写、情绪定格镜头0.65 以上几乎复刻原图换角度就崩皮肤发塑料只在同角度同景别复用关键经验同一场戏里的不同景别强度要跟着调。全景用 0.30 左右中景 0.38特写 0.48这样既保证连贯又不会让远景里的角色糊成一张贴纸。全片用一个固定数值一定会出问题。另外参考图本身的质量决定上限。拿一张背景杂乱、侧光很硬的图当参考模型会把那些光影特征一起学进去换场景就露馅。参考图最好是正面、均匀柔光、纯色背景、无遮挡这是我试过最省事的组合。2.3 从一张定妆照到三十个可用角度只靠一张正面图是不够的你需要一组“角度库”。路径大概三步第一步用正面定妆照生成四分之三侧、侧面、背面。这一步不要追求完美能看出是同一个人就行。第二步把生成出来的侧面图再作为参考回生成正面形成闭环校验——如果回生成的正面和原图差太多说明侧面图不能用。第三步从通过校验的图里挑出六到八张作为核心参考组其余作为备用。表情组同理。表情不要一次生成一大张“表情九宫格”那样每格的脸都不一样。正确做法是固定参考图和强度一次只改表情描述词单独生成逐张校验。这个过程枯燥但它是后面所有情绪戏的地基。一个常被忽略的点手部。真人短剧里手部特写不少握手、递东西、翻手机。手部的一致性比脸更难因为它出现在不同姿态下。我的处理办法是减少手部特写用中景带过必要的特写单独建一份“手部参考卡”跟角色卡绑定。2.4 换装、换景、换光之后的复核清单每次角色跨场景我都会走一遍这个清单五分钟能过完能省下几小时返工新场景的参考图组是否已更新光照、色温角色描述段是否原样粘贴有没有手抖改了词参考强度是否按景别重新设过生成首帧后与角色卡正面图并排比对看下颌线、眉眼间距连续生成三帧看是否稳定三帧飘两帧就说明参数不对检查服装细节领口、袖口、纽扣数量、图案位置第 6 条听起来琐碎但它是观众最容易发现的问题。领口从圆领变 V 领、纽扣从两粒变三粒弹幕里一定有人指出来。3. 分镜翻译把剧本变成模型能听懂的镜头3.1 剧本拆到多少颗粒度才够用写惯传统剧本的人拿到 AI 制作会不适应因为传统剧本写的是“戏”AI 需要的是“镜头”。我的拆解颗粒度是一个镜头一行每行包含六项镜号、景别、时长、画面内容、角色状态、运镜方式。举个具体例子。剧本原文可能只有一句“她推开门看见他站在窗前”。拆成镜头是镜 12中景2.5 秒门被推开门框入画角色状态手扶门把固定机位镜 13全景3 秒她站在门口逆光剪影状态愣住肩膀微沉轻微前推镜 14近景2 秒他侧身站在窗前背对镜头状态肩膀绷紧固定镜 15特写1.5 秒她的手从门把上松开状态手指微颤固定拆到这个程度每个镜头才能对应一次独立的生成任务。我一般控制单镜头 2 到 4 秒太短剪起来碎太长生成失败率高、废片成本大。竖屏短剧一集 90 秒大概 28 到 35 个镜头这个量级一个人一天能跑完分镜生成。3.2 六段式提示词模板提示词别写成一段散文。我的模板固定六段顺序不变方便批处理和排查主体角色名 角色卡固定描述段原样粘贴动作与情绪一句话说清动词在前景别与机位近景/中景/全景平视/俯拍/仰拍环境地点、时间、天气、关键道具光照与色调主光方向、色温、对比度、整体调性画质与风格镜头质感、景深、颗粒、比例固定顺序的好处是出问题时能快速定位是哪一段写的词飘了。比如脸崩了先怀疑第一段有没有被改动光不对看第五段构图怪看第三段。乱序写的话每次排查都得从头读一遍。还有一个细节负面描述单独放。畸变、多余手指、文字水印、双人重影这些统一维护一份负面清单不往主提示词里塞保持主提示词的干净。3.3 首尾帧与运镜的可控边界图生视频这一环最实用的控制手段是首尾帧。首帧定人尾帧定动作落点中间让模型自己补。这个做法能解决大概七成的动作失控问题。具体操作先用图生成首帧和尾帧两张静帧两张都用同一套角色参数然后分别作为起止条件去生成视频片段。首尾帧的构图差异不要太大超过一定程度中间就容易糊。运镜方面我现在的原则是能用固定机位就用固定机位需要动的时候只做三种轻微前推、轻微横移、轻微升降。大幅度的环绕、甩镜、快速推拉失败率高到不值得试。短剧的节奏主要靠剪辑和景别切换撑不靠运镜炫技。一个省事技巧把“轻微”量化成具体幅度。前推就是画面主体从占画幅 60% 到 70%横移就是背景位移不超过画幅十分之一。描述里带上这个幅度比写“缓慢推进”稳定得多。3.4 废片率和重试策略废片率这事得认。我目前的实测数据常规对白镜头四次生成里能出一条可用的动作幅度大的镜头八到十次出一条带手部特写的十五次以上。这个比例直接决定了成本模型。重试不要盲目。我的策略是三次定生死同一个镜头生成三次如果三次都出现同类问题比如都是手指畸变说明是提示词或参考图的问题改参数再试如果三次问题各不相同说明是随机性继续抽。前者改参数后者加次数混在一起就是纯烧钱。另外把失败片段留下来。有些废片的脸是好的可以截帧当参考图用有些废片的背景很好可以抠出来做场景素材。我现在的场景库有一半是废片回收来的。4. 声音是第二张脸配音、口型、音效的处理顺序4.1 为什么我坚持配音先行早期我是先出画面再配音结果每次都出问题画面里人物说了三秒的话配音四秒二只能硬拉变速声音变形或者情绪对不上画面是平静表情配音在发火。改成配音先行之后顺畅多了。流程变成剧本 → 配音按角色分配音色→ 拿到音频的精确时长 → 按音频时长定镜头长度 → 生成画面 → 对口型。这样每个镜头的时长是音频决定的不会出现对不上的情况。配音环节有个容易被忽视的点语速。短剧的语速普遍比日常对话快但快到一定程度口型就对不上了。我实测下来中文每秒四到五个字是比较舒服的区间超过六个字口型驱动会开始糊。写台词的时候就可以按这个节奏估字数一行台词控制在十二到十八个字正好三到四秒。4.2 口型错位的三个来源口型不对观众三秒内就出戏。我排查下来错位基本来自三个地方第一是音频本身有停顿。演员配音时句中的呼吸停顿如果没剪掉口型驱动会把它当成音节处理嘴在动但没声音。处理办法是把音频里的静音段压掉保留极短的呼吸感就行。第二是画面里人物角度不适合驱动。侧脸超过四十五度、低头、手挡嘴这三种情况口型驱动基本失效。分镜阶段就要规避把说话镜头尽量安排成正脸或四分之三侧。第三是音频与画面的时间基准不一致。视频帧率和音频采样对不齐越往后误差越大。统一导出规格能解决大部分问题我习惯视频固定一个帧率、音频固定一个采样率全程不中途改。4.3 音效铺陈与音乐安全区短剧的氛围一半靠声音。我的铺陈顺序是人声 → 环境音 → 动作音效 → 音乐。环境音最容易被省但它是“真实感”的关键。室内戏加一点空调低频、电脑风扇、远处车流室外戏加风声、鸟叫、人声底噪。这些素材别随便从网上抓来源不明的音频是版权雷区。用可商用的素材库或者自己录——手机录一段办公室底噪处理一下就能用很久。音乐这块我的原则是只用明确可商用的曲库且保留授权凭证。商用授权要看清使用范围有些授权只管社交内容不管商业广告有些按播放量分档。这些细节在接单前就要问清楚别等交片了才发现音乐不能用。5. 从一集到一条产线产能是怎么翻上去的5.1 资产库与命名规范单人做一集靠手感做十集就得靠规范。我的资产库分四层角色库、场景库、道具库、片段库。每层下面按项目分文件夹。命名规范我吃过亏之后定得很死格式是项目代号_角色代号_镜号_版本_状态。比如P07_A_012_v3_ok。状态只有四种待生成、待检、可用、废弃。这个规范看着啰嗦但它解决了一个大问题——三天后你还认得出哪个文件是最终版。以前我用“最终版”“最终版2”“真的最终版”这种命名返工的时候找文件找半小时。现在打开文件夹按名字排序一眼就知道进度。5.2 排队、批处理与失败重跑生成任务是排队的最忌讳一个一个盯着跑。我的做法是把同类型任务批量提交先把所有对白镜头一次性提完再把所有空镜提完最后提动作镜头。同批任务参数接近出问题的原因也接近排查效率高。失败重跑要记录。我维护一张简单的表记录每个镜号的尝试次数、失败原因、最终用的参数。跑够三集之后这张表本身就成了经验库——你会发现自己反复在同样的地方摔跤比如某个角色的侧脸永远崩那就干脆不用侧脸。产能上的一个真实数字规范建立之前一集 90 秒的片子要两天半规范跑顺之后同样质量一天能出一集半到两集前提是剧本和配音已经就绪。5.3 单集成本拆解表成本得算清楚不然报价就是拍脑袋。我按 90 秒一集、30 个镜头拆成本项消耗量级说明图像生成约 90-120 次含定妆、分镜首尾帧、返工视频生成约 120-180 次按每次 3 秒片段计含废片口型驱动约 40 段按台词段落计配音约 25 条按角色段落计含重录人工工时8-12 小时分镜、生成、筛选、剪辑、调色真正吃钱的不是生成次数是人工筛选时间。所以优化方向永远是降低废片率而不是加快生成速度。把参考图组做扎实、把提示词模板冻结废片率能从一比八降到一比四成本直接砍一半。6. 变现这件事AI短剧的钱从哪来6.1 四种主流变现模型的真实回本周期这块我说点实在的。AI 短剧能赚钱但不是所有路子都适合个人。第一种接定制单。客户出剧本或出需求你出成片。这是最稳的路回本周期以周计缺点是有天花板本质是卖工时。适合有交付能力、能控质量的团队。第二种自运营账号。自己做内容靠内容本身的收益和后续合作。这条路上限高但回本周期以月甚至季度计且高度依赖选题和更新频率。个人做的话建议先跑三到五集测试数据别一上来就压二十集的量。第三种广告植入与商单。账号有一定粉丝基础后接品牌合作。这里的坑是AI 生成的人物做产品展示客户对真实感的要求会陡增产品细节包装、logo、材质的反光很容易露怯。接这类单之前先做一版测试。第四种卖方法。教程、模板、提示词包、角色卡模板。这条路门槛低但竞争激烈且需要持续更新因为工具迭代快半年前的方法可能已经失效。我的建议是第一和第二种并行定制单养现金流自运营账号养长期价值。只做前者会一直很累只做后者会一直很慌。6.2 定制单的报价怎么拆报价千万别按“一集多少钱”拍。我的拆法是四块策划与剧本费按集或按项目计这部分是脑力不该被生成成本稀释制作费按成片时长计含生成、配音、口型、剪辑、调色修改轮次明确写进合同比如含两轮修改第三轮起按次计费加急费工期压缩一半以上加收修改轮次这条必须写死。AI 制作的特点是“改一个字可能全片重跑”客户随口一句“男主换个发型”背后是几十个镜头的重做。把轮次写清楚双方都省心。还有一个报价技巧先出样片再报总价。拿剧本里的一个关键场景做三十秒样片客户看完对质量有预期报价就不会被拿去跟纯模板化的低价方案对比。6.3 交付物清单与验收标准交片的时候别只给一个成片文件给一套交付物内容用途成片竖屏/横屏双版本多码率直接投放字幕文件独立字幕含时间轴二次编辑封面图三张备选不同风格上架使用素材包主要角色卡、场景图后续续集复用工程文件剪辑工程标注素材来源修改依据授权说明音乐、字体、素材的授权凭证合规留档验收标准也要写清楚别用“效果好”这种词。我给客户的标准是角色跨集可辨识、口型与台词同步、无穿模畸变、字幕无错字、时长符合约定。写清楚之后扯皮少一大半。7. 合规红线与踩坑实录7.1 脸和声音的授权边界这条线千万不能踩。不要用可识别的真人面孔做角色哪怕只是“有点像”。观众认出来是一回事当事人追责是另一回事而且这类纠纷几乎没有胜算。操作上的具体做法角色卡的参考图全部用原创生成或明确授权的素材不拿网图、不拿明星照片、不拿网红截图。生成结果出来后如果觉得“这张脸好像某个熟人”立刻弃用重做。声音同理。克隆音色必须拿到授权商用更要白纸黑字。我现在的做法是配音全部用可商用的合成音色或者请真人配音并签授权书。7.2 生成内容标识与素材溯源AI 生成的内容要按规范做标识这是硬要求不是可选项。发布前检查平台的标识规则该加的加该填的填。素材溯源我建了个简单的台账记录每个音乐、字体、音效、贴图的来源和授权类型。出事的时候这份台账就是唯一的护身符。别嫌麻烦一次记录两分钟省的是未来的大麻烦。7.3 我踩过的最贵的一次坑说回开头那件事的根因。返工四天之后我复盘发现问题出在一个特别小的动作上第七集换了个新场景我在提示词里顺手把光照描述从“暖调柔光”改成了“冷调侧光”忘了同步更新角色参考图。结果模型把冷调侧光当成了角色的固有特征后面所有镜头都往冷调跑。这个坑的教训是角色卡里的光照设定必须和场景设定分离。角色卡锁的是人场景卡锁的是环境两张卡在生成时叠加使用改场景不能动角色卡。我现在把这两份文档分开维护改动任何一份都要在群里同步一句。另一个不算贵但很烦的坑口型驱动之后忘了重新检查时长。有次音频压了静音段变短了画面还是原长度导致最后两秒人物在“无声张嘴”。这种错误在静音预览的时候完全看不出来必须带声音完整过一遍。最后分享一个我自己一直在用的习惯每集成片之前关掉声音看一遍再闭上眼睛听一遍。关声音看的是画面连贯性和角色一致性闭眼睛听的是节奏和情绪。两遍都能过基本就不会有观众一眼看出的硬伤。这个检查花不了十分钟但救过我至少三次。
