1. 两小时做一部AI真人短剧这个流程到底怎么拆先说清楚这篇东西解决什么问题。我用一套组合拳——对话式文本大模型写本子和分镜、AI图像视频生成平台出画面、剪辑App收口成片——做出60到90秒的竖屏AI真人短剧从一句选题到能发布的成片熟练之后卡在2小时以内。这里说的真人短剧指的是角色看起来像真人、有对白、有剧情起承转合的竖屏内容而不是卡通动画或者纯风景剪辑。它适合三类人借鉴手里有选题但不会写剧本的、会写不会拍也找不到演员的、手里攥着一堆AI素材但拼不出成片的。我第一次跑这套流程花了将近5个小时其中一半时间在返工画面和重写提示词跑到第10条左右才压进2小时。所以我下面讲的不是理想状态的流程图是踩过坑之后稳定下来的版本包括哪一步该抠、哪一步该放、哪些环节坚决不能交给AI。标题里那三个工具我不点名按类型说文本大模型负责剧本、分镜、提示词、台词口播稿图像视频生成平台负责文生图定角色、图生视频做运动剪辑App负责拼镜头、对口型、加字幕音效BGM、调色导片。三者的职责边界必须划清楚否则最容易出现的情况是你在生成平台里反复抽卡想一次出片或者在剪辑软件里硬救一段本来就不该用的素材。AI短剧的效率瓶颈从来不在工具本身而在于你有没有在动手之前把要什么画面定义得足够死。定义得死一次生成就能用定义得虚抽二十次还在挑。1.1 三个环节的职责边界划分文本大模型在这个流程里干四件事定钩子、出三幕结构、写分镜表、生成每一镜的提示词。它不该干的是自由发挥剧情因为大模型默认写出来的东西四平八稳、没有钩子前三秒留不住人。我的做法是先自己用一句话把冲突写死比如外卖员送餐到前女友婚礼现场再让模型按这个骨架扩写。图像视频平台干两件事出定妆照锁角色、图生视频让画面动起来。它不该干的是改剧情——你给它的信息越少它越自由发挥角色就越容易变脸。剪辑App干的是节奏工程删掉每一镜的头尾废帧、把音画对齐、卡点、上字幕、压混音。这三者之间有一个隐形契约分镜表就是交付物。文本模型输出的分镜表字段必须能让生成平台直接读也能让剪辑台直接对。我在第一版流程里没有统一分镜表结果写到第8镜的时候发现角色服装从西装变成了夹克回头重做定妆照整个上午就没了。1.2 两小时的时间预算表时间预算必须写死超时就砍镜头不能无限抽卡。这是我稳定下来的一张表环节时间关键动作超时处理选题与一句话冲突5分钟定钩子、定结尾反转不许改改就重来剧本与分镜表15分钟三幕、22至28镜、台词到点就停删镜不补写角色定妆照20分钟三视图、锁锚点最多抽15张分镜出图25分钟按镜号批量出单镜最多3张图生视频30分钟每镜4至5秒单镜最多2次剪辑收口25分钟拼、对、字、色、声到点导出60到90秒的成片镜头数落在22到28个之间最舒服。算一下就明白平均每镜3秒25镜就是75秒符合竖屏短剧的注意力曲线。如果片子做到45秒以上还只有一个场景两个人在说话观众早划走了所以场景数控制在2到3个靠景别变化制造节奏。1.3 哪些活儿坚决不交给AI这条经验值钱情绪落点和反转设计必须人写。大模型写反转的套路是其实他是她失散多年的哥哥观众看到第三秒就猜到了。人的活儿是设计信息差——让观众知道而角色不知道或者反过来。另外三样也不交给AI台词的口语节奏AI写出来的台词太书面读出来像念课文、BGM的情绪点哪个镜头该进鼓点必须人判断、以及最后的取舍哪个镜头丑但叙事必需哪个镜头漂亮但拖节奏。生成环节里唯一可以放心全交给AI的是批量出图和图生视频的机械劳动。剪辑里的批量动作是加字幕、统一调色、统一响度这些交给软件的自动功能人只做二次微调。2. 剧本和分镜表让AI写出真正能拍的稿子大部分人卡在第一步给大模型一句帮我写个短剧剧本回车拿到一份三千字的、角色说话像客服的稿子然后不知道怎么办。问题不在模型在于你给的信息量。我的提示词里必须塞进六样东西人物设定年龄、职业、一句话性格、核心冲突、场景清单、时长上限、结尾反转方向、以及输出格式为分镜表这个硬约束。少一样输出就飘。这里最容易忽略的是时长上限——不写总时长不超过90秒、总台词不超过30句模型能给你写出一个三幕话剧。2.1 从一句话钩子到三幕结构的落地写法竖屏短剧的结构跟长视频不一样它是3秒钩子、15秒入戏、45秒升级、60秒反转。我给模型的指令大致是前3秒必须出现视觉冲突或一句反常识的台词第4到15秒交代人物关系中段用两次小升级把矛盾推高结尾用一个信息反转收掉反转必须在前文埋过至少一处伏笔。这套指令的好处是模型不用创作只需要填空稳定性大幅提升。举个实际用过的骨架开场外卖员在酒店门口认出新娘是前女友第一次升级是新娘让他当众送餐第二次升级是他发现新郎是自己曾经的债主反转是他把送餐记录甩到桌上——原来这场婚礼的场地款是他垫的。这种身份错位层层加码的结构模型填空就能填得挺像样。我习惯让模型一次输出两版选结构更紧的那版再把另一版的台词挑两三句挪过来。这一步只用5分钟但成片的口播质感差别很大。2.2 分镜表的字段设计这是整套流程的枢纽分镜表字段少一个后面就多返工一小时。我固定用八个字段字段作用填写规范镜号唯一标识S01至S28按播放顺序时长决定剪辑取舍2至4秒标实际使用值景别制造节奏变化特写、近景、中景、全景轮换画面内容只写看得见的禁止写心理活动角色动作给图生视频的指令单镜只写一个主要动作台词对口型依据单句不超过15字提示词直接粘进生成平台见下文模板运镜决定运动提示词推、拉、摇、移、固定画面内容只写看得见的这一条是我吃过亏才加上的。第一版分镜表里我写了他心里一沉生成平台完全无法理解出来的画面是一个人在原地发呆。改成他握着手机的手指收紧指节发白视线下移之后一次就出对了。同理她很生气要改成她抿嘴、眉头下压、下巴微抬。景别轮换也是硬规则。连续三个中景会让成片看起来像监控录像我强制自己每4到5镜插一个特写或一个全景。特写负责情绪全景负责交代空间中景负责叙事这三者的比例大概是 3:3:4。2.3 提示词模板一个能反复复用的骨架提示词写成自由发挥的形式是最浪费时间的做法。我固定一个结构主体外观锚点动作表情场景光线镜头画质词负面词。举个例子虚构示例仅示意结构一位28岁亚洲女性黑色齐肩直发、左侧眉尾有一道浅色小疤、 穿米白色针织开衫站在酒店宴会厅门口 右手扶门框、身体微微前倾表情是克制的惊讶 背景虚化的暖色吊灯与红毯 侧逆光、体积光落在发丝边缘 35mm镜头、浅景深、半身近景 写实摄影质感、皮肤有细微纹理、自然毛孔、电影级调色 负面塑料感、过度磨皮、多余手指、文字水印、卡通风格、畸变这个模板的每一段都对应一个可能翻车的点。外观锚点是给角色一致性用的必须每一镜都原样复制光线和镜头决定真人感负面词是保命的尤其是多余手指和过度磨皮不写就等着出六指和蜡像脸。提示词里最容易被忽略的是光线。写实感的八成来自光不是来自分辨率。顶光会让人脸出现眼窝阴影显得阴森正面平光会显得像证件照侧逆光加一点环境反射光最像实拍。我现在写提示词光线那一行占的分量比画质词还重。提示提示词先写成文档存好再批量粘。边写边粘的人十个里有八个写到第15镜就忘了前面的锚点怎么写的。3. 角色一致性出图阶段最难啃的一块AI短剧最容易露馅的地方不是画面不够美是同一个角色在不同镜头里长得不像同一个人。观众对这个极度敏感第二镜脸型一变代入感立刻断。解决思路不是让AI记住而是你给它足够多的钉子。我的做法是三步先出一张正脸定妆照用它当参考图生成三视图正面、侧面、半身把三视图作为后续所有镜头的角色参考同时把外观锚点写成一段固定文本每一镜的提示词里逐字复制最后统一风格词和比例参数不让任何单镜偏离。3.1 定妆照的三视图打法定妆照不要一上来就抽。先用最干净的描述出正面中性表情、正面平视、纯色背景、半身。这张图的目的是让模型先把脸定死表情和姿势留到分镜里再加。正面定妆照出来之后用它做参考图改描述为同一人侧脸45度和同一人正面全身生成另外两张。三张凑齐你的角色档案就有了底片。这一步的常见错误是定妆照就带情绪、带场景、带道具。带了之后后面所有镜头都会被这张图的姿势和光线污染你想让他坐着说话出来的永远是站在窗边。我定妆照一律纯灰背景、无道具、无强情绪。3.2 一致性锚点清单缺一个就变脸锚点不是随便写几个词要写到能当身份证用的程度。我的清单固定这几类发型发色长度、分缝位置、是否扎起、发梢形态面部脸型、眉形、眼型、鼻梁高低、唇形、有无痣或疤位置要具体年龄感写具体岁数不写年轻中年服装颜色、材质、领型、是否有配饰一套戏服对应一个场景体型高矮胖瘦、肩宽别写身材好服装这一项我吃过一次大亏。第一版没写服装锚点同一个人在五个镜头里换了四套衣服剪出来像是三个人演的。后来我按场景对应服装来管家里场景一套、公司场景一套、户外一套分镜表里每镜标注服装编号提示词里带编号对应的完整描述。3.3 写实感从哪来光线、镜头、皮肤这三样AI味这个词很虚拆开看是三件事皮肤太光滑、光线太平、景深太假。对应的解法也很具体。皮肤上提示词里加自然毛孔、细微肤色不均、T区有轻微油光负面词加磨皮、塑料感、蜡像光线上避免纯正面光加侧逆光、体积光、环境反射光景深上明确写浅景深、背景自然虚化不要写背景模糊会被理解成涂抹感。还有一个反直觉的经验分辨率不要一味拉高。有些平台在高分辨率下会做额外的锐化和美颜补偿反而更像CG。我通常在1080×1920这个档位出图画面比例9:16够用且稳定。出得太完美的画面观众反而觉得假我在提示词里会故意留一点点手持感和轻微噪点成片质感立刻落地。注意AI生成的角色形象、服装样式、场景设计要避开现实中的真人肖像和已有影视作品的标志性造型用完全虚构的外观设定避免不必要的麻烦。4. 图生视频把静态画面变成有戏的镜头静态图再漂亮在成片里停留超过两秒就是PPT。图生视频这一步的核心不是让它动而是让它按你要的方式动一点点。我的原则是单镜只给一个主要动作运动幅度宁小勿大。运动幅度一大脸部就开始扭曲、手指就开始增生、背景就开始融化。实际可用的运动类型就五种人物轻微转头、表情变化眨眼、抿嘴、抬眼、手部小幅度动作、身体轻微前后倾、以及镜头本身的推近或平移。这五种组合起来足够撑起一部短剧。4.1 运动提示词怎么写才不崩运动提示词要具体到幅度和方向。写她转身出来的可能是整个人转180度脸糊成一团写她头部向左缓慢转动约15度眼神跟随稳定得多。我常用的搭配是动作描述速度描述幅度描述保持不变的部分。最后那个保持不变是关键比如面部特征保持不变、发型保持不变、背景保持不变能把崩坏率压下去一大截。另一种稳的做法是让镜头动、人少动。人物保持基本静止加一个缓慢推近从半身推到近景观众感受到的是情绪加压而不是画面在动。我在情绪最重的那个反转镜头上几乎都用这个方法出片率高剪进成片也自然。4.2 首尾帧接力让连续动作不跳需要两个镜头表现同一个连续动作时用首尾帧接力。做法是把上一镜的末帧截出来作为下一镜的参考图再加上新的动作描述生成下一段。这样运动方向、光线、机位都能接上剪在一起几乎看不出断点。这个方法我用在走近→停下→开口这类三连镜上非常省事。接力也有代价每接一次画面细节会有一点点漂移皮肤质感变软、背景细节减少。所以我限制连续接力不超过两次超过两次就换机位、换景别用剪辑上的跳切来消化。跳切在短剧里是被允许的甚至能制造节奏感。4.3 台词、口型和配音的三方对齐台词是短剧的命门。我的流程是先定台词文本单句不超过15字一口气能说完再生成对应的画面人物开口说话的状态不必追求精确口型最后在剪辑里做配音和字幕。口型完全精确对齐在这个成本下不现实也没必要——观众看竖屏短剧的关注点在字幕和情绪口型对到大致张开、有节奏感就够了。配音我用两条路一是文本模型生成的口播稿自己念真人录音永远最自然用手机录安静房间离麦15厘米左右二是用语音合成。真人念的好处是情绪可控、断句自然坏处是要重录。我的经验是情绪戏一定自己念交代信息的旁白可以用合成。提示台词写完先自己念一遍。念着别扭的句子AI配音出来更别扭。凡是需要换气两次以上的句子一律拆成两句。5. 剪辑收口把碎片拼成有节奏的成片素材齐了之后剪辑决定的不是画面好不好看而是节奏对不对。竖屏短剧的节奏只有一条铁律任何一个镜头如果它不推进信息、不升级情绪、不制造期待就删。我剪第一遍的时候会狠心删掉三成素材第二遍再删一成。舍不得删是新手最大的问题25个镜头剪成18个节奏立刻起来。5.1 先声音后画面这个顺序不能反很多人是先拼画面再配音结果发现台词长度跟镜头长度对不上来回拉时长画面全变形。我的顺序固定先铺配音轨再按配音的呼吸点切画面。配音轨铺好之后每一句话的起止时间就固定了画面按这个时间点对齐削掉每一镜的头尾废帧AI生成的视频头尾通常有0.2到0.4秒的静止或抖动一个镜头刚好卡住一句台词。具体参数我习惯这样设序列1080×1920、30fps人声音量压到-6dB到-3dBBGM压到-24dB到-20dB人声出来的时候BGM再自动下压3dB音效开门、手机震动、脚步放在-12dB左右作为点缀不抢戏。5.2 节奏靠三种手法堆出来第一种是变速对话镜用1.0倍情绪镜放慢到0.8倍动作镜提到1.2倍。AI生成的视频普遍偏慢适当提速会让画面显得更真实。第二种是跳切同一个场景里机位不变但人物位置跳一下制造时间流逝感。第三种是空镜过渡两场戏之间插一个2秒的环境空镜雨滴、车流、窗帘晃动既交代时间又给观众喘气。卡点这件事不用追求每一刀都踩在鼓点上那样会显得机械。我只在两个地方卡开场3秒的钩子必须踩一个重音反转那一镜必须踩一个停顿BGM突然抽掉半拍留白。这两处做好观众的记忆点就有了。5.3 字幕、调色、封面这三件收尾活字幕在竖屏里不是辅助是主要阅读通道。我的设置字号在1080宽度下用60到72像素白色字半透明黑色描边或底色块位置放在画面下方但留出15%的安全区避免被平台UI遮挡单行不超过12个字超过就断行。关键词数字、反转词、身份词单独换色加粗观众的视线会被带着走。调色只做两件事统一白平衡和统一对比度。AI生成的镜头之间色温经常不一致用批量调色把整体拉到同一个暖调或冷调成片立刻有一部片子的感觉而不是一堆素材。别做花哨的滤镜短剧的调色目标是看不出调过。封面用反转那一镜的截图加一句不超过8个字的标题字号撑满画面宽度的三分之二。封面的作用是让人在信息流里停下来别放全景放脸。6. 踩坑实录这些毛病我几乎每条片子都遇到下面这张表是实打实用时间换来的遇到问题先查这里别急着重抽。6.1 高频问题速查表现象根因处理办法同一角色每镜脸不一样提示词锚点不统一或参考图没挂建角色档案锚点逐字复制每镜挂参考图手指出六指、手指粘连手部占比大且动作描述复杂减少手部特写手部改为自然垂放负面词加重画面整体发白、发灰光线描述缺失或被平台自动美颜补侧逆光描述负面词加过曝、磨皮人物动作幅度过大导致糊脸动作描述太笼统改写成缓慢小幅度方向保持不变的部分连续镜头跳得厉害机位、光线、景别同时变用首尾帧接力或改成跳切台词和画面对不上先拼画面后配音倒过来先配音轨再切画面成片像PPT单镜时长过长、景别单一单镜压到2至4秒强制景别轮换观众3秒划走开场是环境或旁白开场必须是冲突画面或反常识台词导出后画面发虚剪辑导出码率不足码率提到8到12Mbps避免二次压缩配音很AI语速均匀、无停顿手动插入停顿情绪句自己录6.2 几个不写在别处的经验第一条抽卡的次数要设上限。单镜最多两张图、两次视频出不来就换描述不要在同一句提示词上反复抽。我统计过同一句提示词抽到第五张还没满意的第十张也不会满意因为问题在描述而不是运气。换一个角度换个景别、换个机位、把人往画面左侧挪比死磕有效得多。第二条把最难的镜头提前做。一部片子里总有两三个镜头特别难多人同框、复杂动作、大特写先做这几个做不出来就改分镜绕开别等做到第20镜才发现搞不定那时候改剧本已经来不及了。第三条素材命名一定要带镜号。S01_定妆_正面、S07_酒店门口_中景导入剪辑软件之后按名字排序就是播放顺序能省掉大量找素材的时间。这是我压进2小时最关键的一步听起来很笨但真的有用。第四条导出前把手机竖起来看一遍。电脑上看没问题的构图到手机上经常发现字幕被挡住、人脸被裁掉一半。我固定用手机预览一遍改字幕位置和主体位置。最后一条也是最实在的前面几次做别追求2小时先追求做完。我前三条片子分别花了5小时、4小时、3小时第一条甚至剪到一半发现角色换了三次脸整个重做。等你对提示词的每一句都有肌肉记忆了2小时自然就到了。真正拖慢速度的从来不是工具慢是你在犹豫这个画面能不能用。给自己定一条规矩能表达清楚信息的画面就是能用的画面剩下的靠剪辑和节奏去救。这个流程往上还能长加第二角色做对话戏、加环境空镜做转场、把单集做成三集连载第一集留钩子第二集反转第三集收甚至同一套角色档案换场景复用做成一个固定人设的系列。角色档案一旦建好第二部的成本会掉到一小时以内这是我目前觉得最有意思的延展方向。
