“上午生成的男主角，下午在下一场戏里突然变成了另一个人”——这是绝大多数想靠AI短片接单的人，遇到的第一个、也是最致命的打击。画面能生成、视频能动、配音也会做，但整套流程串起来之后，角色像被附了身一样频繁换脸、变装、改气质，最后只能靠剪辑硬切来掩盖，成片质量一落千丈。
做AI短片，真正的分水岭不是“会不会用工具”，而是能不能把全流程稳定地串起来，并且在最关键的人物一致性环节站稳脚跟。工具决定你的下限，流程和一致性方案决定你的上限。这篇文章要讲的正是这件事：从剧本、分镜、静帧、视频生成，到配音、剪辑、字幕、成片交付，把AI短片从0到1的完整链路拆开，并且重点讲透人物一致性这个最卡脖子的技术问题。读完你可以照着做出一条成片，也能理解哪些环节决定接单报价，哪些坑会导致返工。
1. AI短片制作到底在解决什么问题
先建立一个共识：AI短片不是“随便生成几个视频片段再拼起来”。传统影视动画制作，从剧本到分镜到原画到建模到动画到配音到剪辑，每一环都需要不同工种和大量人力。一部几分钟的短片，小团队也要做好几周，成本从几万到几十万不等。AI短片的核心价值，是把这条链路压缩到一个人、一两天、几百块钱之内完成。
但这里有一个容易被忽略的事实：AI降低了“生成”的门槛，却没有降低“控制”的门槛。你可以在十分钟内生成一张质感不错的静帧，但要让连续十个镜头里同一个角色保持同一张脸、同一套服装、同一种光影氛围，这就从“生成问题”变成了“工程问题”。而工程问题恰恰是大多数教程最不爱讲、也最难讲清楚的部分。
所以这篇文章的实际目标不是教你“点哪个按钮”，而是帮你建立一套可复用的AI短片生产流程。说得直接一点：学完这套流程，你能独立完成一个可交付的短片项目；理解人物一致性方案之后，你才有底气面对真正的客户需求，而不是只能给自己做着玩。
什么样的人最应该读这篇文章？如果你已经会使用至少一种AI绘图或视频生成工具，但对“怎么做一个完整故事短片”没概念；如果你能生成好看的图片，但一进入多镜头叙事就发现角色留不住；如果你想用AI短片接单或做矩阵账号，但担心交付质量不稳定——这篇文章就是给你写的。
2. AI短片的完整生产链路与工具选型
一条完整的AI短片，从想法到成片，大致需要经历七个环节：剧本策划、分镜设计、静帧生成、视频生成、配音配乐、剪辑合成、成片质检。每个环节产出物不同，使用的工具也不同，但它们之间不是串行关系，而是一个需要不断回退迭代的闭环。
从项目管理的角度看，这些环节可以分成两个阶段。第一阶段是“视觉资产建立”，包括剧本、分镜、人物设定、静帧参考，它们的核心任务是在生成大量素材之前，先把世界观和角色的视觉规则定清楚。第二阶段是“动态化与合成”，把静态画面变成视频片段，再加上声音和剪辑。绝大多数翻车项目，问题都出在第一阶段没有做扎实，就急着进入第二阶段。
工具选型方面，目前的常见分工大致如下：
| 生产环节 | 常用工具方向 | 关键产出物 |
|---|---|---|
| 剧本策划 | ChatGPT、Claude等对话式AI | 故事大纲、分场剧本 |
| 分镜设计 | 手绘草图或AI绘图工具生成分镜图 | 分镜表、镜头描述 |
| 静帧生成 | Midjourney、即梦、Stable Diffusion系列 | 角色定妆图、场景参考图 |
| 视频生成 | 可灵、Runway、Pika、Vidu等图生视频工具 | 动态视频片段 |
| 配音配乐 | 各类AI配音工具、剪辑软件内置配音功能 | 配音文件、BGM |
| 剪辑合成 | 剪映、Premiere、DaVinci | 视频成片、字幕封面上传 |
这里要强调一点：具体工具版本迭代很快，本文不把某个工具的版本号写死，更推荐你根据自己项目预算和硬件条件选择。整体原则是：画面风格越统一，越依赖静帧阶段的控制能力；运动幅度越大，越依赖视频生成阶段对提示词和参数的理解。工具只是执行层，真正值钱的是你脑子里那套项目管理逻辑。
3. 环境准备与前置条件
开始实操之前，先检查自己的软硬件环境。AI短片制作对设备的要求分两档：本地优先方案和云端优先方案。
本地优先方案适合有一定显存配置的电脑。AI绘图和视频生成类模型，对显卡显存比较敏感，显存大小直接决定你能否在本地跑图、跑视频生成。一般来说，建议选择显存较大的NVIDIA独立显卡，同时内存建议保持在较高容量。需要注意的是，我发现很多初学者一开始就追求在本地部署大型视频模型，结果下载模型花费了大量时间，却忽视了真正卡瓶颈的其实是“素材管理”和“一致性方案”，所以如果你是第一次做，完全不必强求本地部署，直接用在线工具跑通流程更重要。
云端优先方案适合大多数入门者：电脑只需要能流畅运行剪辑软件，AI绘图和视频生成全部放到在线平台完成。现在各类AI创作平台基本都支持网页端操作，浏览器、稳定的网络环境下就能完成从文生图到图生视频的全部过程，对硬件的要求低很多。
除硬件外，更重要的前置条件是项目环境的搭建。
建议在硬盘上建立一个统一的目录结构，比如：
ai_short_film/ ├── 01_script/ ├── 02_storyboard/ ├── 03_character/ ├── 04_images/ │ ├── scene_01/ │ ├── scene_02/ │ └── scene_03/ ├── 05_video/ ├── 06_audio/ ├── 07_edit/ └── 08_output/这个目录看起来简单，但它是整个AI短片工程化的地基。AI创作过程中会产生大量中间文件，如果你把静帧、视频、配音、素材全部堆在一个文件夹里，后期找素材的时间会比生成素材的时间还长。
4. 从剧本到分镜：把文字变成镜头语言
很多人做AI短片，第一步就搞错了，他们直接开始写画面提示词，而不是先写剧本。但剧本才是整个项目的宪法。没有剧本，你不知道故事要讲什么；没有分镜，你不知道每个镜头里面要包含什么元素，生成再多画面也只是散沙。
剧本阶段，重点不是文采，而是“视觉可拍性”。AI无法理解隐晦的文学修辞，它需要的是具体的动作、环境、时间、情绪。我建议把剧本拆成分场格式，每场戏都写清楚“地点、时间、人物、动作、台词、情绪”，这比写一段平铺直叙的故事更能直接转化为分镜。
下面这个例子，是一个AI短片分镜表的JSON配置。它可以作为你组织镜头信息的数据模板：
{ "project": "ai_short_film_demo", "episode_title": "重生之门", "total_scenes": 3, "scenes": [ { "scene_id": "SC001", "shot_type": "wide", "shot_size": "远景", "location": "废弃工厂门外", "time": "黄昏", "action": "男主角站在工厂大门前，逆光，身体微微前倾", "dialogue": "三年前，我在这里失去了一切。", "emotion": "克制、隐忍", "camera_movement": "slow push in", "video_prompt": "黄昏下的废弃工厂大门，男主角背影，镜头缓慢推进，风沙扬起" }, { "scene_id": "SC002", "shot_type": "medium", "shot_size": "中景", "location": "厂房内部", "time": "夜晚", "action": "男主角打开手电筒，光照在墙上的旧照片上", "dialogue": "这段记忆，我不该再来碰它。", "emotion": "犹豫、紧张", "camera_movement": "handheld slight shake", "video_prompt": "旧厂房内部，手电筒光束照亮墙面旧照片，镜头带轻微晃动" }, { "scene_id": "SC003", "shot_type": "close", "shot_size": "特写", "location": "厂房内部", "time": "夜晚", "action": "男主角伸手拿起照片，指尖微微颤抖", "dialogue": "但这次，我没得选。", "emotion": "坚定", "camera_movement": "static, tiny zoom in", "video_prompt": "男主角手指拿起泛黄照片，手心特写，呼吸感明显，镜头极缓慢推进" } ] }这个分镜表的价值在于：把模糊的创意固化成结构化数据。有了它，后续每个环节——绘图、生成视频、配音、剪辑——都可以对着同一份镜头清单来执行，不需要反复回想“我当时想要什么”。
分镜设计阶段有一个常见误区：新手倾向于一个镜头里塞很多内容。比如“男主角走进工厂，看到桌上照片，想起过去，然后愤怒地砸桌子”——这种信息密度，真人电影里通常要拆成五六场戏，AI画面更是完全处理不了。正确做法是：一个镜头只交代一件事，一个动作，一个情绪点。生成AI视频时，描述过于复杂会导致画面元素打架，最终什么都生成不对。
从操作习惯来说，建议你在拿到剧本之后，先为每个场景生成3到5张静帧草图，把构图、机位、光影方向确定下来。不需要画得多精细，它只是给视频生成模型的“视觉锚点”。我经常看到有人直接拿一张图去生成视频，结果发现镜头也只能在固定构图里动；其实分镜阶段多花半小时调整构图，后面视频生成的返工率会大幅下降。
5. 人物一致性：AI短片中最难啃的技术点
人物一致性为什么难？要理解这个问题，先得知道扩散模型的工作原理。AI生成图片时，每次都会从一个随机噪声开始，逐步去噪得到最终画面。这个过程带有随机性，所以哪怕提示词写得完全一样，每次生成的五官细节、脸部轮廓也会有微妙差异。静帧阶段你可以通过多次抽卡选一张满意的，但视频生成时，场景变了、姿态变了、表情变了，模型就需要在保留角色特征和生成新动作之间找到平衡，矛盾马上就暴露出来。
要解决这个问题，需要一套组合策略，而不是依赖某一个按钮。目前业界和社区实践下来，比较有效的思路有四个。
第一个思路是固定角色描述词。在静帧生成阶段，把角色外貌特征写成一段完整、唯一的“角色描述词”，比如“25岁中国男性，黑色短发，剑眉，窄脸，穿深蓝色工装夹克”，之后每次生成任何镜头，都必须以这段描述词为主干，不允许随意增删改动。这个思路成本最低，但对复杂角色来说力度不够。
第二个思路是角色参考图。很多AI绘图工具都支持上传参考图，来约束角色长相。你可以先选一张最满意的角色定妆图，后续生成新镜头时把定妆图作为参考条件，配合描述词一起使用。这个方案是目前性价比最高的，也是我在实际项目中最常推荐的。
第三个思路是视频生成端的首尾帧或参考能力。在可灵这类图生视频平台上，可以通过第一帧图片来约束画面内容的起点，让视频在运动过程中尽量保真。实际操作里，可以给同一个角色生成多张不同角度、不同表情的静帧图，然后按分镜顺序把这些图作为首帧来生成视频，这样就能实现“每段视频里都是同一个人”。
第四个思路，是训练角色LoRA。这是进阶方案，适合有稳定接单需求的创作者。先用某个角色的定妆图集训练一个小模型，让模型学习这个人的脸部特征、服装风格，之后生成任何姿势、任何角度，角色长相都不会跑偏。这个方案前期准备时间长，但一旦跑通，效率和一致性会远远超过前几种。
还需要注意两个容易忽略的细节。第一，负面提示词很重要。很多人把精力全放在正面描述上，忽略了负面提示词，导致画面里频繁出现脸崩、多余肢体、文字水印等问题。通用负面提示词建议固定写成：
lowres, bad anatomy, bad hands, extra fingers, missing fingers, extra limbs, text, watermark, logo, blurry, jpeg artifacts, deformed face, disfigured, poorly drawn face, mutation, extra eyes, fused ears, bad proportions, oversaturated, low quality, worst quality第二，一致性不仅包括“脸”，还包括服装、光影、环境氛围。如果你的角色在这个镜头穿夹克、下一个镜头变卫衣，观众同样会觉得“不是一个人”。所以人物设定文件里，服装和标志性特征必须写得非常具体。
下面是一个人物设定文件的配置示例，你可以把它当成每个项目的标准配置来维护：
{ "character": { "id": "li_ming", "name": "李明", "gender": "male", "age": "25岁", "body": "偏瘦，身高178cm", "face": "黑色短发，剑眉，鼻梁高，窄脸，肤色偏黄", "clothing": "深蓝色工装夹克，内搭白色T恤，深灰色长裤，黑色运动鞋", "signature_features": "左眼角下方有一颗小痣，右手腕有黑色手绳", "voice_style": "低沉，语速偏慢，克制", "negative": "beard, glasses, hat, red hair, western face, female" } }这份文件在实际项目里就是你的“角色宪法”。每次生成静帧、生成视频、甚至配音时，都要先回看这个文件，确保没有跑出设定范围。
对于刚接触AI短片的人来说，我的建议是：先别急着训练LoRA。先把固定描述词和角色参考图这两套方案跑顺，等你有稳定的批量生成需求了，再上LoRA也不迟。原因是训练小模型需要显卡显存和数据集质量都比较高，而且半成品反而会拖慢项目进度。
6. 静帧生成与视频生成实操
把分镜表和角色设定准备好之后，就进入素材生产阶段。这一步的核心不是“生成图片”，而是“生成一张能用后续流程的图片”。
静帧生成的操作顺序建议如下：
第一步，先确定画面比例。短视频平台推荐9:16竖屏，中长视频平台推荐16:9横屏。比例在项目开始前就要确定，否则后期剪辑会被拉伸裁切，画质损失严重。
第二步，写分镜提示词。提示词不是把分镜动作翻译成英文罗列就好，它需要包含以下结构：主体描述、服装、场景环境、镜头景别、光线风格、氛围。下面是一个场景提示词示例：
25岁中国男性，黑色短发，穿深蓝色工装夹克，站在废弃工厂大门前， 黄昏光线，逆光，风沙扬起，远景，电影感构图，35mm镜头，浅景深， 暖色调，使命感氛围，胶片颗粒质感第三步，抽卡筛选。生成风格类AI画面的普遍规律是，同一个提示词生成4张图，可能只有一张构图、表情、氛围符合分镜要求。不要凑合，一个镜头不满意就继续抽，直到出现“一眼就觉得对了”的结果。
静帧定稿后，进入视频生成。目前主流的图生视频方案，是把静帧图片作为起始帧，然后补充运动描述。运动描述要关注“谁、做了什么动作、镜头怎么动”，而不是描述画面里有什么静态物体。以SC001为例，视频提示词可以写成：
男主角站在工厂门口，风沙吹动衣角，镜头缓慢向前推进，画面从远景过渡到中景，光线逐渐变暗比起写“废弃工厂黄昏氛围”之类的小清新描述，带运动动词的提示词，在视频生成模型里的成功率要高得多。
关于视频生成参数，不同平台界面差异很大，但共同关注的参数基本一致。下面是一个通用的图生视频配置示例，你可以对照自己使用的工具理解：
{ "task_type": "image_to_video", "input": { "first_frame": "04_images/scene_01/scene_01_character_v1.png", "last_frame": "", "prompt": "男主角从画面右侧缓步走向镜头，风沙扬起衣角，摄影机缓慢向前推进，情绪克制", "negative_prompt": "face distortion, character change, morphing, flickering, extra limbs", "motion_strength": 6, "frames_per_second": 24, "duration_seconds": 5, "camera": { "movement": "push_in", "intensity": 3 }, "seed": 20260411 } }这里想特别说一下seed值。很多工具允许固定随机种子，固定seed值的好处是：当你用同一张首帧、同一个提示词、同一个seed生成多次时，输出结果会保持一定的稳定性。这在不满意结果又不想全部推翻时很有用，也可以通过微调seed来小范围调整人物动作。
视频生成完成后，需要筛选可用片段。一个5秒钟的视频，实际生成过程中可能会出现形变、闪变、跳帧。我的经验是：先全片看一遍，再一帧一帧拖，确认没有明显畸变。如果角色脸部在第3秒崩了，这种片段应该直接放弃，不要想着剪辑掩盖，后期修复的成本远大于重新生成的成本。
7. 配音、配乐与剪辑合成
当所有视频素材都齐了，还差声音。声音是很多人忽略的重头戏。AI短片之所以“一眼假”，很多时候并不是画面问题，而是配音节奏和画面情绪对不上。
配音阶段，先把台词按分镜整理成配音稿，同时标注情绪和语速。比如上一章的SC001台词“三年前，我在这里失去了一切”，情绪要“克制、隐忍”，语速要慢；SC003“但这次，我没得选”，情绪要“坚定”，语速要干脆。不同情绪要求，建议在配音时分开录制，不要一锅炖。
常见的AI配音工具基本都能满足需求。选择音色时，要注意男主角的低沉度、语速范围，以及是否有情绪控制能力。如果配音工具支持你调整语气词和停顿位置，这比换音色更重要。还有一个实用的技巧：选择音色之后，先试听两三句再批量生成，不要一上来就生成全片，因为AI配音在不同句子上的重音、停连常常不一致，需要反复调整。
配乐和音效方面，优先确保BGM和画面情绪同步。悬疑场景适合低频铺垫加心跳感节奏，温暖回忆场景适合钢琴或弦乐。音效包括环境音和动作音：脚步声、开门声、风声、布料摩擦声。这些在剪辑时叠进去，成片观感会立刻升级。
剪辑合成阶段，这里推荐用剪映这类上手快的剪辑工具，因为它自带字幕识别、AI配音和素材管理，对独立创作者来说效率最高。剪辑的基本节奏是：先按分镜顺序把视频片段粗剪排好，然后加配音，再根据配音时长重新微调画面节奏，最后上字幕、调色、加转场。
字幕是AI短片的重要内容层。可以先用脚本生成SRT格式的字幕文件，再导入剪辑工具统一调整样式。下面是一个SRT格式示例：
1 00:00:01,000 --> 00:00:05,000 三年前，我在这里失去了一切。 2 00:00:06,500 --> 00:00:10,000 这段记忆，我不该再来碰它。 3 00:00:11,200 --> 00:00:15,000 但这次，我没得选。字幕文件生成后，建议统一设置字幕字体、字号、位置。短视频平台的核心观看区域是屏幕中间偏下，字幕不要压到安全区之外，背景可以加一层微透明遮罩提升可读性。
8. 常见问题与排查思路
AI短片制作过程中，问题千奇百怪，但有共性的就那几类。下面这份排查清单，是我在实践中反复遇到的，你可以直接收藏备用。
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| 角色五官在不同镜头间漂移 | 没有统一角色描述词；未使用角色参考图 | 回看所有静帧的角色面部特征 | 建立人物设定JSON，统一描述词；生成静帧时加参考图 |
| 视频生成后角色脸崩 | 视频提示词描述过于复杂；动作幅度过大 | 检查视频提示词中是否包含多余物体 | 简化提示词；增加负面提示词；降低motion强度 |
| 画面出现文字、水印 | 生成平台默认添加；提示词未禁用 | 检查生成设置和负面提示词 | 负面提示词加text、watermark、logo；部分平台通过设置关闭水印 |
| 视频片段闪烁严重 | 多个镜头亮度、色调不一致；转场生硬 | 逐段对比静帧光影方向 | 统一静帧阶段的光线描述；剪辑时加色彩校正；使用叠化转场 |
| 配音语气不符合情绪 | 音色选择错误；没有设置情绪参数 | 试听不同音色在目标句上的效果 | 先给每句台词标注情绪再配音；适当调整语速 |
| 成片清晰度低 | 素材分辨率不够；多次压缩 | 查看输出分辨率和码率设置 | 素材尽量高分辨率导出；剪辑输出选择高码率 |
| 生成结果随机性太强 | 没有固定seed；平台默认随机参数 | 检查生成参数中的seed值 | 固定seed；调整seed值进行局部再生成 |
这里特别强调一下“先生成静帧再生成视频”的排查逻辑。如果视频出问题，不要直接去改视频参数，先看看静帧哪里不对。静帧是根，视频是叶，根上出的问题，在叶子表面上修补是没有意义的。
9. 从自娱自乐到接单变现的工程化建议
把技术流程跑通之后，如果你真的打算用AI短片接单变现，那还需要建立一套“工程化”的工作习惯。这一点我认为是大多数人从爱好者走向变现的关键。
第一，项目必须结构化。每一个接单项目，从需求沟通开始就建立固定的目录结构，里面要有剧本、人物设定、分镜表、素材库、版本记录、交付清单。客户要修改时，你能够迅速定位到具体环节，而不是翻遍整个文件夹找“到底哪一版才是最新的”。
第二，交付清单要提前定好。接单之前必须和客户确认：交付几条成片？每条片子的时长？分辨率和画幅比？是否包含字幕和封面？是否要求修改次数以内的调整？这些如果不提前落到书面，后期非常容易出现需求蔓延，一个片子改十几版还不满意。
第三，关于修改次数，这也是接单新人最容易吃亏的地方。建议在合同或需求确认阶段明确修改范围和次数，超出的部分按新需求报价，这样既能保证合作质量，也能筛掉不够专业的客户。
第四，版本管理意识。AI生成的过程天然具有随机性，同一个镜头可能出现多个不同的“好版本”。你要给每个版本编号存档并写明参数，这既是交付时向客户展示工作量的记录，也是后续复用时最可靠的参考依据。我建议给每个版本的文件名加上日期和版本号，例如：scene_01_character_v1_20260312.png。
第五，不要低估版权风险。AI短片涉及的版权问题主要是两个方向：一是生成素材本身的合规性，二是交付给客户后的使用授权。建议你在发布或交付前了解清楚所用工具和素材平台的使用条款，确认生成内容是否可商用、是否可以二次修改、是否有授权区域限制。同时也要提醒客户，AI生成内容的版权规则仍在变化中，交付时需要双方对使用边界达成书面共识。
第六，建立自己的“提示词资产库”。每次你跑通一个满意的镜头风格、一组人物设定或一种转场方式，都把它保存成模板文件。时间一长，你会发现自己积累了一套可复用的提示词库和参数组合，新项目不再是从零开始，而是从模板库中快速组合，效率会明显提升。
最后，也是我觉得最重要的一点：每次开始生成新一批素材之前，先花三分钟检查“人物设定文件”有没有被动过。这个习惯，比掌握任何技巧都更能保证你的项目不会失控——它就是你AI短片生产的“宪法审查”。把这个动作变成肌肉记忆，你的交付稳定性和客户口碑，都会上一个台阶。
