这两年“AI漫剧”在短视频平台上是真火，一条条带剧情、带配音、带镜头切分的彩色动画短片，播放量动辄几十万上百万。我周围不少做内容的朋友都在问：这玩意儿到底怎么做的？是用AI一帧帧画的吗？成本高不高？普通人能不能入局？
实话说，门槛没有你想的那么高，但也绝对不是一个“关键词生成就完事”的活儿。这条赛道本质上是AI绘画 + 图生视频 + 影视视听语言三件事的交叉组合。你想做出那种“付费教程”里展示的效果，需要的不只是工具操作，还有一套从文案到分镜、从角色固化成片的全流程方法。
这篇内容我花了不少时间把整个链路拆开揉碎讲清楚。不管你是完全零基础的新手，还是已经会用SD或Midjourney画图、想往动态视频方向进阶的老手，都应该能从里面找到可以直接照抄的提示词模板、参数设置和避坑经验。
1. 从零到一：拆解AI漫剧的完整制作链路
1.1 漫剧到底是什么？为什么现在人人都能做
漫剧，你可以把它理解成“会动的漫画剧”。它不像传统动画那样需要逐帧手绘，也不用像3D动画那样搭建模型绑定骨骼。它的本质是：用AI生成一张张静态漫画图，再通过图生视频技术让关键画面动起来，最后用剪辑软件配上配音、音乐和音效，组合成一条有剧情逻辑的短片。
那为什么是现在？因为工具成熟度到了。2023年到2024年，图生视频技术经历了一轮爆发，过去需要专业AE特效师花几天做的镜头运动，现在输入一句提示词、等几十秒就能生成一段3到5秒的动态镜头。AI绘画的角色一致性也从“靠运气抽卡”进化到可以用参考图、LoRA、seed锁定等方式稳定控制。
这条路径最大的意义在于：它把“动画制作”从专业团队手里解放出来了，变成了一个人一台电脑就能完成的内容生产流程。以前做一个1分钟的flash动画，团队至少要一周；现在用AI漫剧的方式，一个熟手一天可以产出2到3条完整短片。这也是漫剧能在平台快速起量的核心原因。
1.2 一套适合新手的四步工作流
很多人一开始容易犯错，上来就打开AI工具，想“一步到位”生成一段完整剧情视频。这几乎是不可能的，至少在目前的工具能力下，AI还无法直接生成一个有连续角色、连贯动作、完整叙事的视频。真正可行的方案是拆解成四个阶段：
- 阶段一：文案与脚本。这一步不需要任何AI工具，先把你要讲的故事写清楚。三句话原则：主角是谁、想要什么、遇到了什么阻碍。漫剧通常单集时长在40秒到2分钟之间，脚本控制在150到400字左右。
- 阶段二：角色设定与静态分镜。用AI绘画工具把主角、配角、关键场景、道具的静态图全部画出来。这个环节要解决的核心问题是角色一致性，也就是同一个人物在不同镜头里看起来是同一个人。
- 阶段三：图生视频动态化。把上一阶段生成的关键静态帧，通过图生视频工具生成可控制的动态镜头。这里的关键是控制运动幅度、镜头运动方向和时长。
- 阶段四：剪辑合成与声音设计。把动态片段按分镜顺序导入剪辑软件，加字幕、配音、音效、背景音乐，做节奏裁剪。
这四个阶段是一个标准流水线。我个人强烈建议新手在第一部作品里严格按这个顺序走一遍，哪怕慢一点，也要把每个环节走通。走通一次，你就对整条链路有了整体认知，后续再想优化哪个环节，你自己就知道问题出在哪了。
2. AI绘画提示词：让角色“长”得稳定好看的核心技巧
2.1 提示词三段式结构，从“抽卡”到“稳定出图”
AI绘画提示词是这个领域的基石，因为没有好的静态图，后面的图生视频根本无从谈起。很多新手写提示词喜欢堆砌一堆形容词，比如“美丽的少女、华丽的衣服、梦幻的背景”，出来的图会非常随机。我给团队内部定的标准模板是三段式结构：
- 主体描述部分：角色外貌特征、服装、动作、神态，先写清楚“这个人是谁、在干什么”。
- 环境与氛围部分：场景、光线、天气、时间，再写清楚“人在什么地方、什么氛围”。
- 风格与画质部分：画风限定、镜头感、质量词，最后收束到“画面看起来是什么风格”。
举个例子，如果你要画一个古代侠客站在雨中的镜头，可以这样写：国漫风格，青年男性侠客，长发束冠，黑色劲装，手持长剑，目光坚毅，站在古街石桥上，暴雨倾盆，雨水打湿衣摆，青石板反光，冷色调，乌云密布，电影感光影，超高细节，8K画质。
这个三段式的好处是，AI对提示词的理解是有“权重侧重”的，跟我们平时说话的主谓宾一样。主体描述放在最前面，AI会优先保证主体元素。环境氛围居中，风格收尾。这样写十条提示词，出来的结果八九不离十。
2.2 角色一致性：从“凭运气”到“可控制”
漫剧是连续叙事，最核心的硬指标就是角色不能变脸。同一集里一个角色至少要出现十几次，如果你每次都用不同的随机种子生成，那观众看到的会是“每换一个镜头就换一个人”的灾难现场。解决一致性有几个层次，从简单到进阶：
第一层是最老套的固定seed加局部重绘。你在AI绘画工具里找到那张“最满意”的脸，锁定它的随机种子。之后要生成同一个角色的新动作时，用这张图做底图，配合局部重绘修改手、表情和姿态。这个方法快，但局限性大，适合出图量少的短作品。
第二层是做角色LoRA模型训练，这也是我目前的主力方案。你准备15到20张同一角色的不同角度、不同表情的图片，训练一个专属的LoRA模型。训练完成后，配合角色特征描述词，就可以在不同场景里稳定生成同一个角色。虽然训练过程要花一点时间，但一个角色的LoRA一旦成型，后续几集都可以一直用，边际成本极低。
第三层是用参考图功能。现在很多工局都支持上传角色图作为参考，后面再生成时AI会尽量向参考图靠拢。这个方案的优点是门槛低，缺点是对角度变化较大时稳定性会下降，可以作为LoRA的补充验证工具。
2.3 关于“无禁词”提示词网站的实操认知
现在很多平台流行所谓的“无禁词提示词网站”，好像搜到“无禁词”三个字就拿到了创作自由通行证。我想泼盆冷水：绝大多数正规绘画工具的“禁词机制”是针对“特定违规内容”的安全策略，而不是不让你写正常的创作词条。普通创作者根本不会碰到真正的“无禁词”需求场景。
那为什么大家还是热衷找这类资源？因为每次调参时被提示词过滤误伤很烦，比如你只是想画一个“受伤流血的战士”，有些工具直接就给你拦下来了。我的处理经验是：用电影感、做旧质感、深红色液体、戏剧化光影这类“间接描述”来代替直白的敏感词。这不叫钻空子，这叫图形学上常说的“语义等价表达”，效果往往比直白描述更好，出图也不会被误伤。
3. 图生视频实战：把静态画面“动起来”的关键操作
3.1 主流图生视频工具怎么选
图生视频工具是漫剧生产链路里技术含量最高、也是最能拉开差距的一环。目前市面上主流的选择无外乎几个方向，我整理了对比供你参考：
| 工具方向 | 代表工具 | 优点 | 短板 | 适合谁 |
|---|---|---|---|---|
| 云端商业工具 | 可灵、即梦、Runway等 | 效果稳定、上手快、镜头感强，有免费额度试用 | 收费或等待时间长，提示词自由度中等 | 内容生产者、新手快速出片 |
| 开源本地部署 | Stable Diffusion + AnimateDiff等 | 完全免费、可定制强、无内容限制 | 显存要求高、部署复杂、生成速度慢 | 有显卡、愿折腾的技术型创作者 |
| 短视频平台内置 | 抖音即创、剪映AI等 | 方便、和剪辑软件联动 | 模型单一、长度受限、质量上限较低 | 轻度尝试、快速测试灵感 |
我的个人建议是，新手不要一上来就折腾本地部署。虽然开源方案免费，但你要花大量时间调环境、学参数，对内容创作本身几乎没有正向增益。先用云端工具把整条流程跑通，确认漫剧这件事你确实能坚持做下去，再考虑用开源方案把成本压下来。
3.2 关键参数：运动幅度、生成时长与随机种子
图生视频工具的操作界面看起来复杂，实际上真正影响成片质量的参数就三样：运动幅度、生成时长、随机种子。
- 运动幅度：这个参数决定画面变化量的大小。我踩过最大的坑就在这里——新手容易把运动幅度拉得很高，觉得“动得越厉害越值钱”。结果生成出来的角色动作变形、脸部模糊成一团。做漫剧的镜头，运动幅度保持在中低档偏下是安全的。漫剧本身偏“静态叙事”，大量镜头是角色说话、转身、轻微动作，幅度低一点，画面干净很多。
- 生成时长：目前主流工具的单次生成时长都在3到5秒。超过这个长度，画面的连贯性和稳定性都会显著下降。不要想着一次性生成10秒，我的做法是用多段短镜头拼接。
- 随机种子：这个藏在高级设置里，很多人忽略。如果你对某一条视频的“动态感觉”特别满意，就把这组的种子号记下来。后续做相似镜头时可以复用，至少能保持运动风格的一致性。
3.3 图生视频的运镜控制与镜头指令写法
图生视频的另一种控制方式是写“镜头运动提示词”。简单说，就是你告诉AI，这3秒钟里镜头应该怎么动。漫剧里高频使用的运镜其实就几种：推近、拉远、上摇、下摇、平移、跟拍。
我平时写运镜提示词有一套固定句式，比如要表现角色突然意识到危险的紧张感，我会写：镜头快速推进，背景逐渐虚化，人物面部特写，眼神从迷茫到坚定，肩膀微微颤抖。这里面放了“快速推进”、“背景虚化”两个镜头指令，再用“眼神变化”“肩膀颤抖”引导人物表演。
有个细节要特别提醒：当前很多图生视频工具对提示词的理解是“逐词加权”的，你写的动词越多，每个动词分到的权重越低。所以一条提示词里镜头动作不要超过一个主运动加一个次运动。写“镜头从远景缓缓推近至中景，同时视角略向下压”往往比写一堆“推进+旋转+横移+拉远”要稳定得多。
4. AI视频提示词：把文字“翻译”成表演与镜头
4.1 动态提示词的写法：先写动作，再写情绪
很多时候，图生视频做出来像呆照，是因为你只告诉AI“画面里有什么”，没告诉它“画面里发生了什么”。AI视频提示词的核心逻辑和绘画提示词不一样，它是动态的，需要包含动作与表演指令。
我建议动态提示词遵守这样的顺序：主体状态 -> 关键动作 -> 情绪神态 -> 镜头运动 -> 环境互动。举一个我实际用过的例子：女主发现男主留下的信件。完整的视频提示词我写的是：女主站在窗边，身穿浅色长裙，手中拿着信纸，指尖微微颤抖，眼眶泛起泪光，嘴唇轻抿，缓慢抬头望向远方，微风拂动发梢，镜头缓慢推近至脸部，窗外黄昏光线柔和。
为什么要把“手中拿着信纸”放在动作前面？因为这定义了画面的“基础构图”，AI会先确保主体与道具的关系。接着是“指尖微微颤抖”“眼眶泛泪”，这是细微的表演，能让人物活起来。最后用“镜头缓慢推近”收尾。如果顺序反过来，先写情绪再写动作，画面容易变得抓不住重点。
4.2 用“表演提示”解决AI不会做表情的问题
做漫剧时最大的痛点之一，是AI角色要么面无表情、要么五官乱飞。经过大量测试，我发现AI对“情绪词”的直接响应很差，你说“他很愤怒”，画面上往往只是眉头皱了一下；但你说“他攥紧拳头，咬紧牙关，眉毛倒竖，脖子青筋暴起”，AI就能还原更真实的表情状态。
所以平时我有意把情绪做“动作化拆分”。悲伤拆成：低头、抿嘴、眼睛无神、缓慢转身；紧张拆成：吞咽口水、手指反复握紧、眼神游离、呼吸起伏明显；惊喜拆成：瞳孔放大、嘴角不自觉上扬、双手微抬。这种写法相当于给AI写“人物小传”，它不需要理解悲伤是什么，只需要执行具体动作。漫剧的镜头通常以中景和近景为主，人物占画面面积足够大，表情动作细节完全看得清，表演提示词这个功夫值得下。
4.3 分镜表的规划：把漫剧当“小动画”来生产
图生视频工具单次只能生成短暂的片段，所以你的脑子必须先有一个分镜表。很多新手直接凭感觉一段段生成，最后发现素材拼接不成故事，再回头补拍，效率损失极大。我现在制作漫剧前，都会在表格里先规划好每一集的镜头清单：
| 镜头序号 | 内容描述 | 景别 | 镜头运动 | 预计时长 | 配套台词/音效 |
|---|---|---|---|---|---|
| 01 | 城市俯瞰，晨光洒在屋顶 | 远景 | 缓慢拉远 | 3秒 | 环境音、鸟鸣 |
| 02 | 男主从床上惊醒 | 中景 | 固定 | 3秒 | 闹钟声、喘息 |
| 03 | 床头照片特写 | 特写 | 缓慢推近 | 3秒 | 回忆音乐起 |
| 04 | 女主背影走向门口 | 全景 | 跟随平移 | 5秒 | 脚步声 |
一份60秒的漫剧，镜头数量通常控制在15到20个。如果只用全剧一个镜头更少的“口播式讲述”，你就是在做“有声漫画”，不叫“漫剧”。分镜表的价值，在于让你提前看清哪些镜头可以共用素材、哪些镜头需要额外补图、哪些镜头动态幅度太大需要降级。它比任何参数调优都更能直接提升你的成片完整度。
5. 视听语言基础：漫剧“好看”的秘密不在AI，在镜头设计
5.1 景别与机位：学会用“大小远近”调动观众情绪
视听语言这门课，哪怕你不想系统学，几个核心概念也绕不开。第一个是景别。远景交代环境、全景展示动作、中景讲述对话、近景传递情绪、特写强调细节。漫剧里最常见的错误是：所有镜头都是同一个中近景，观众看两分钟就会疲劳。我自己的镜头分配习惯是：叙事铺垫多用全景与中景，情感冲突段落大量使用近景与特写，环境转换镜头用远景与航拍式镜头。节奏感一下子就出来了。
第二个是机位角度。平视镜头是客观中性视角，仰拍让角色显得强大有压迫感，俯拍让角色显得弱小或被动。AI图生视频工具普遍对“机位角度”的提示词响应很灵敏，我经常用“低角度仰拍视角”“高角度俯视镜头”这两句来控制叙事站位。举个例子：反派出场时我用低角度仰拍，主角出场再接一个平视镜头，观众潜意识里就会建立“反派占上风”的直觉，这比台词管用。
5.2 转场不靠特效，靠“动作衔接”和“声音衔接”
很多新手做漫剧，每两个镜头之间都用“交叉溶解”转场，满屏都是模糊扫描，看起来非常廉价。真正好的转场应该藏在内容里，主要有两个思路：
- 动作衔接转场：前一个镜头人物把门推开，下一个镜头直接切到门内景物。观众的大脑会自觉补全“走进门”的过程，转场顺滑又高级。图生视频生成时，我会特意让前一帧结束的动作包含“未完待续”的意味，比如手伸向镜头、转头看向画面外。
- 声音衔接转场：前一个镜头声音先响起，画面再切过去。比如回忆片段，先听到“别再回来了”的台词，画面才开始闪回到过去。AI漫剧的生成阶段是不包含声音的，所以这个操作要在剪辑阶段完成，但分镜设计时就要预留声音的“提前量”。
这里再补充一个剪辑心法：镜头之间的“呼吸感”，长短交替。我自己喜欢的节奏是“长—短—短—长”，比如一个5秒叙述镜头，接两个2秒特写，再接一个4秒全景。这个节奏接近短剧的观剧体感，也贴合漫剧的慢叙事特性。你可以直接照搬这个比例去组装你的片段。
5.3 配音、音效与配乐：让漫剧从“能看”到“能沉浸”
画面只是漫剧的一半，声音占另外一半。看很多新手作品画面其实不错，就是感觉很“干”，问题几乎都出在声音设计上。漫剧的声音至少有三层要处理：
配音是绝对核心。不要用剪辑软件自带的机器音朗读，那会把所有情绪全部磨平。我用的是AI语音合成工具里比较自然的音色，选角时要注意音色与角色设定匹配。配音语速上，漫剧比普通解说要慢一点，因为还要兼顾画面阅读。
音效是最容易被忽视又最提升质感的一层。角色走路要有脚步声、关门要有门声、衣服摩擦要有窸窣声。不要每段都找，可以直接从免费音效库里按场景下载一组常用声音素材，比如“室内环境音”“室外街道”“雷雨”“人群嘈杂”，做项目时批量导入使用。
背景音乐层面，我的经验是音乐的情绪要跟着剧情走。AI漫剧一集里情绪有起伏，纯用一首歌从头配到尾是最笨的做法。找一个带情绪起伏的纯音乐，在关键时刻把音量推上去，平静段落把音量降下来，观众的情绪就会被牵着走。
6. 新手常见问题排查实录与避坑总结
6.1 角色总是“换脸”怎么办
这个是最多数人遇到的问题，我把排查顺序列出来对照检查。首先确认你用的是不是同一张“定妆图”作为参考底图，如果每个镜头都是重新生成的图，项目类型就决定了它们天然会有差异。其次检查LoRA权重是否设置合理，权重过低角色特征保留不足，过高则容易导致面部僵硬。最后看提示词里是否有“混合”的属性词，比如“同时具备东方和西方特征”这类冲突词，会让AI在两种特征间摇摆。
6.2 画面动作僵硬、人物像木偶
动作僵硬十有八九是运动幅度参数设置得太低，低到AI只做了“局部微动”。你可以先单独测试一个镜头，逐步提高运动幅度，看在哪一个档位开始出现画面扭曲，然后用这个档位的偏下值作为基准。另外，给静态画面加“动态的前置状态”也很有帮助——在AI绘画阶段，就让画面里的人处于一个动作中间态，比如抬脚瞬间、转身到一半、手抬起未落，这样图生视频的运动起始点本身就带势能，动态自然更流畅。
6.3 视频模糊、闪烁，放大没法看
模糊与闪烁通常有三个来源：分辨率不足、工具压缩、镜头运动过快。从制作端就要注意，生成时尽量选最高的分辨率档位。另外不要过度依赖“后期锐化”，那是拿噪点换清晰度。最根本的办法是，在剪辑软件里把视频缩放控制在100%以内，不要做大幅裁剪。如果AI生成了4秒素材，你只想要其中1秒的完美部分，那就用这1秒，宁可重新生成也不要强行放大拉长。
6.4 素材管理混乱，做着做着就丢了
AI漫剧的生产过程会积攒大量素材：角色定妆图、每一集分镜、绘画配图、视频片段、配音文件。我见过很多做到第三集就找不到第一集角色原图的情况，这个项目基本就废了。我的做法是按剧集建目录，每个角色单独一个子文件夹。文件名用“集数_镜头序号_内容_版本”的格式，比如“E03_07_男主转身_v2”。虽然前期麻烦一点，但后面做系列化内容时，这套文件系统本身就是你的资产库。找素材节省下来的时间，远超当初多花的那几分钟整理成本。
6.5 常见问题速查表
| 症状 | 可能原因 | 解决方向 |
|---|---|---|
| 角色每段视频都不是同一个人 | 不是同一张底图，或LoRA权重过低 | 固定参考底图，权重调到0.6~0.8区间做测试 |
| 画面闪烁得像照片抖动 | 运动幅度过低+种子号不固定 | 提高幅度档位，锁定同一种子 |
| 人动起来身体扭曲 | 运动幅度过高 | 降幅度，或在绘画阶段先补全肢体 |
| 视频糊到没细节 | 输出分辨率低+二次压缩 | 生成用最高画质，剪辑避免大幅缩放 |
| 转场非常生硬 | 缺“动作衔接”或“声音衔接” | 按5.2的方法重排分镜与剪辑 |
做AI漫剧这件事，说实话一半是技术一半是审美。技术部分就是我在前面拆的这套流程，多跑几次工具就能熟练；审美部分却需要你持续拉片、看好的作品、研究镜头和声音的配合。两者都可以通过项目实战来磨。
我个人在实际制作中的体会是，AI漫剧的优势不是“快”，而是“允许你低成本试错”。我以前做传统视频，每个镜头反复拍会消耗大量时间经费，但AI漫剧里，一个镜头不满意，重新生成也就几分钟的事。这种条件下，你完全可以用“刷量”来换“质量”——同一段剧情生成多个版本，再挑出节奏和表演最到位的那个用上去。
后续如果你想往深处扩展，有几个方向值得研究：一是训练专属的角色LoRA大模型，形成属于你自己IP的角色宇宙；二是学习AE和关键帧补帧，把图生视频的片段做二次精修；三是研究分集脚本结构，从短剧叙事角度把漫剧做成真正有连续追剧体验的系列内容。每一个方向都是不错的进阶路径，挑你最有兴趣的往下走就行。
