简介：BigBanana AI Director 是一套面向短剧与漫剧创作者的工业级本地化 AI 制作平台，主打从故事构思到成片输出的一站式工作流，数据全程留在本机，兼顾隐私安全与知识产权归属。它整合剧本生成、角色设定、分镜设计、语音合成与画面渲染等能力，覆盖真人短剧与二次元漫剧两大形态，适合希望低成本搭建 AI 内容生产线的创作者与开发者。资源包共 261 个文件，约 17.97MB，以 tsx、ts 前端与逻辑代码、md 说明文档为主，辅以 png 素材、json 配置、css 样式及 Dockerfile、nginx.conf 等部署文件，目录结构清晰，便于二次开发与本地部署。目前已有 112 人学习下载。借助完整源码与配套文档，读者可快速理解模块化工作流设计、模型替换与推理加速思路，并在此基础上扩展题材风格包与自定义模板，具备较高的实践与改造价值。
1. 从灵感到成片：BigBanana AI Director 到底在解决哪一段工程问题
很多做 AI 短剧、AI 漫剧的团队，卡点从来不在“能不能生成一张好看的图”，而在“从一句灵感变成一集能看的片子”这条链路上。BigBanana AI Director 这个标题里最值钱的词不是“AI”，而是“Director”——它把 AI 短剧、AI 漫剧、AI 导演平台三件事收束成一个工业级一站式命题：剧本拆解、分镜生成、角色一致性、镜头调度、配音配乐、批量出片，这些环节原本散落在十几个工具里，靠人肉搬运。真正做过一集三分钟短剧的人都懂，最耗时的不是生成，而是对齐——角色脸对不上、场景跳变、分镜和台词错位，这些才是血泪经验堆出来的坑。这篇笔记面向的是想搭一套可复现 AI 漫剧工作流的创作者和工程师，我会把“一站式”拆成能落地的模块、参数和排错路径，而不是停在概念层。
2. 拆解一站式 AI 导演平台：从剧本到分镜的四个核心模块
2.1 为什么“导演层”比“生成层”更决定成片质量
先把一个反直觉结论摆出来：在 AI 短剧制作里，生成模型的能力差异，对最终成片的影响往往小于导演层的调度逻辑。原因很简单，单张图的画质已经卷到边际收益很低，但一集短剧是几十上百个镜头的序列，任何一个环节的漂移都会在成片里被放大。所谓导演层，本质是四件事的编排：剧本结构化、分镜切分、角色与场景锚定、镜头语言参数化。
剧本结构化是把自然语言灵感转成机器可调度的数据结构。常见做法是用大模型把一段故事拆成「场次 → 镜头 → 台词 → 动作描述」四层，每层带稳定 ID。这一步的产出不是给人看的，是给后续生成模块消费的，所以字段命名要克制，别塞太多自由文本。
分镜切分决定节奏。AI 漫剧和真人短剧的节奏逻辑不同，漫剧更依赖定格感和分镜切换，一个情绪点可能用三个连续特写而不是一个长镜头。这里我一般会把每个镜头的预估时长写进结构里，作为后续配音对齐的依据。
角色与场景锚定是整条链路最容易翻车的地方。角色一致性靠的是固定 seed、参考图 embedding、以及跨镜头复用的角色描述模板三件套。场景锚定则靠场景 ID 加风格标签，避免同一场戏里背景风格突变。
镜头语言参数化是把“推拉摇移”翻译成生成模型能吃的参数，比如景别、机位角度、焦段倾向。这部分不需要精确到电影级，但至少要能区分特写、中景、全景，否则成片会平得像 PPT。
2.2 用结构化 JSON 描述一集短剧的最小骨架
下面这段是我常用的分镜结构，可以直接抄去改。它把一集短剧拆成场次和镜头两级，每个镜头带生成所需的锚定字段。
{ "episode_id": "ep_001", "title": "雨夜重逢", "style_tag": "anime_cel_shading", "characters": [ { "char_id": "c_lin", "name": "林晚", "ref_image": "assets/lin_ref.png", "seed": 20240517, "prompt_template": "1girl, black long hair, trench coat, calm expression" } ], "scenes": [ { "scene_id": "s_01", "location": "rainy street at night", "shots": [ { "shot_id": "sh_01", "shot_type": "wide", "duration_sec": 3.5, "characters": ["c_lin"], "action": "walking slowly under umbrella", "dialogue": "" }, { "shot_id": "sh_02", "shot_type": "close_up", "duration_sec": 2.0, "characters": ["c_lin"], "action": "eyes slightly narrowed", "dialogue": "你还是来了。" } ] } ] }逻辑说明：characters里的seed和ref_image是角色一致性的双保险，seed 固定随机噪声，参考图固定外观特征，两者缺一不可。prompt_template只写稳定特征，不写情绪，情绪交给每个镜头的action字段，这样同一角色在不同镜头里既有辨识度又有表演变化。
参数说明：shot_type建议只用 wide / medium / close_up 三档，档位太多反而难维护；duration_sec要和后续 TTS 语速对齐，中文配音一般每秒 4 到 5 个字，超过这个密度的台词要拆镜头。style_tag是全局风格锚，一旦定下就不要在单镜头里覆盖，否则整集画风会飘。
2.3 分镜到画面的调度参数怎么设
从分镜结构到实际画面，中间隔着一层调度参数。我的习惯是把调度参数分成三类：一致性参数、构图参数、风格参数。一致性参数管角色和场景不漂移，构图参数管景别和机位，风格参数管整体色调和渲染倾向。
一致性参数里，角色 seed 必须跨镜头复用，场景则用「场景描述 + 固定光照词」来锚定，比如rainy street at night, neon reflection, wet asphalt这组词在每个该场景的镜头里都要出现。构图参数用景别词加机位词组合，比如close_up, eye level或wide, low angle。风格参数统一放在全局，单镜头只做微调。
这里有个容易忽略的点：AI 漫剧的镜头切换比真人短剧更依赖构图差异。如果连续三个镜头都是medium, eye level，观众会觉得画面没动。我的做法是强制相邻镜头景别不重复，这条规则写进调度脚本里自动校验。
3. 把 AI 漫剧工作流跑起来：角色一致性与批量出片的实操
3.1 角色一致性：seed、参考图与提示词模板的三重锚定
角色一致性是 AI 漫剧制作流程里最玄学的一环，也是决定成片能不能看的关键。我踩过的坑是：只固定 seed 不固定参考图，角色脸型会随镜头角度变化；只固定参考图不固定 seed，发色和服装细节会漂。正确做法是三重锚定同时上。
第一重是 seed，它控制生成噪声的初始状态，同一个 seed 加同一段提示词，出图基本稳定。第二重是参考图，用角色立绘做 embedding 或 IP-Adapter 注入，锁定五官和服装。第三重是提示词模板，把角色的稳定特征写成固定字符串，每个镜头都带上。
# 角色一致性调度伪代码，核心是三重锚定同时生效 def build_character_prompt(char, shot): base = char["prompt_template"] # 稳定特征，来自角色定义 action = shot["action"] # 镜头级动作，允许变化 shot_type = shot["shot_type"] # 景别，影响构图 prompt = f"{base}, {action}, {shot_type}, eye level" return { "prompt": prompt, "seed": char["seed"], # 跨镜头复用，禁止每镜头随机 "ref_image": char["ref_image"], # 参考图注入，锁定外观 "negative": "extra fingers, deformed face, style change" }逻辑说明：base保证角色辨识度，action提供表演变化，两者拼接顺序不能反，否则动作词会污染角色特征。seed从角色定义里取，不在这里重新生成，这是很多新手翻车的地方——他们在每个镜头里调用了随机 seed，结果角色每帧都在换脸。
参数说明：negative里一定要加style change，防止单镜头风格跑偏；参考图注入强度一般设在 0.6 到 0.8 之间，太高会锁死动作，太低会丢特征，这个区间是我试出来的经验值。
3.2 批量出片的队列设计与失败重试
一集三分钟的 AI 漫剧，按每个镜头 3 秒算，大概 60 个镜头，每个镜头生成 4 张候选，就是 240 次生成调用。这个量级靠手动点是不现实的，必须上队列。我的做法是把分镜 JSON 展开成任务列表，每个任务带镜头 ID、角色 ID、调度参数，然后丢进队列批量跑。
队列设计有三个要点：并发数控制、失败重试、结果落盘命名。并发数别拉满，生成服务通常有速率限制，拉满只会触发限流。失败重试要区分错误类型，网络超时重试三次，内容审核失败直接跳过并记录，不要无脑重试。结果落盘用episode_shot_variant.png的命名规则，方便后续按镜头挑图。
# 批量生成任务展开与提交，用简单脚本演示队列思路 python expand_shots.py --input ep_001.json --output tasks.jsonl python run_queue.py --tasks tasks.jsonl --concurrency 4 --retry 3 --outdir renders/ep_001逻辑说明：expand_shots.py把分镜结构展开成一行一个任务的 JSONL，方便流式消费；run_queue.py负责并发调度和重试。--concurrency 4是保守值，实测大多数生成服务在 4 到 6 并发下比较稳。
参数说明：--retry 3只对可恢复错误生效，脚本里要判断错误码；--outdir按集数分目录，避免多集混在一起。跑完之后按镜头 ID 分组挑图，挑图标准是角色一致性优先，画质其次，因为画质可以后期修，脸不对没法救。
3.3 配音、字幕与镜头时长的对齐
成片能不能看，配音对齐占一半。AI 短剧制作里最常见的翻车是台词念完了画面还在，或者画面切了台词还没说完。解决办法是把 TTS 生成的音频时长回写到分镜结构里，反过来调整镜头时长。
流程是这样：先用分镜里的dialogue字段批量生成配音，拿到每个音频的实际时长，然后和duration_sec比对。偏差超过 0.5 秒的镜头要调整，要么改语速，要么拆镜头。字幕则按音频时间轴生成，不要按镜头时长生成，否则字幕和声音会对不上。
# 配音时长回写与镜头时长校正 import json from mutagen.mp3 import MP3 def sync_duration(shot, audio_path): real = MP3(audio_path).info.length planned = shot["duration_sec"] if abs(real - planned) > 0.5: shot["duration_sec"] = round(real + 0.3, 2) # 留 0.3 秒呼吸感 shot["need_resplit"] = real > planned * 1.5 return shot逻辑说明：real + 0.3是给镜头留一点余量，避免台词卡在切镜瞬间。need_resplit标记那些台词远超计划的镜头，这些镜头通常需要拆成两个，否则画面会僵。
参数说明：0.5 秒是容忍阈值，低于这个值观众感知不到；1.5 倍是拆分阈值，超过说明台词密度和镜头设计不匹配，硬压语速会很难听。
4. AI 短剧制作避坑：五个真实翻车现场与排查路径
4.1 角色换脸：现象是同一角色在不同镜头脸型突变
现象：成片里主角第一个镜头是瓜子脸，第三个镜头变成圆脸，观众一眼看出不是同一个人。原因通常是 seed 没有跨镜头复用，或者参考图注入强度太低，被动作提示词覆盖了。解决：检查调度脚本里 seed 是否从角色定义读取，参考图注入强度调到 0.7 以上，并在 negative 里加different face。
4.2 场景跳变：现象是同一场戏背景风格突然变化
现象：雨夜街道的前两个镜头是冷色调霓虹，第三个镜头突然变成暖色调。原因是场景描述词没有在每个镜头里重复，模型自由发挥了。解决：把场景锚定词写进每个该场景镜头的 prompt 前缀，不要依赖全局风格标签，全局标签只做兜底。
4.3 台词与口型错位：现象是声音和画面动作对不上
现象：角色张嘴的动作和配音不同步，看起来像配音贴错了。原因是镜头时长和音频时长没对齐，或者动作描述和台词情绪不匹配。解决：跑一遍时长回写脚本，把偏差超过 0.5 秒的镜头全部校正，动作描述里加上和台词情绪一致的关键词，比如台词是惊讶，动作就写eyes wide open。
4.4 批量任务限流：现象是队列跑到一半大量失败
现象：前 50 个任务正常，后面开始大面积超时。原因是并发数超过服务速率限制，触发限流。解决：把并发降到 3 到 4，加指数退避重试，失败任务单独落盘，等限流窗口过了再补跑，不要在原队列里死等。
4.5 风格漂移：现象是整集画风前后不统一
现象：前半集是赛璐璐风格，后半集变成厚涂。原因是单镜头里覆盖了全局风格标签，或者不同批次用了不同的基础模型。解决：风格标签只在全局定义一次，单镜头禁止覆盖；整集必须用同一个基础模型和同一套 LoRA，换模型等于换画风。
5. 进阶技巧：用校验脚本把 AI 漫剧工作流变成可回归的流水线
到这一步，工作流能跑通了，但能不能稳定复现是另一回事。我的习惯是给整条链路加一层校验脚本，把「一致性」变成可量化、可回归的指标，而不是靠肉眼盯。这也是 AI 漫剧工作流从手工作坊走向工业级的关键一步。
校验分三层。第一层是结构校验，检查分镜 JSON 字段完整性，比如每个镜头必须有 shot_type、duration_sec、characters，缺字段直接报错，不让它进生成队列。第二层是一致性校验，对同一角色的所有出图做特征比对，可以用简单的感知哈希或者人脸 embedding 距离，超过阈值的镜头标记出来人工复核。第三层是时长校验，把所有镜头的音频时长和计划时长做偏差统计，输出一张偏差表。
# 三层校验的最小实现，跑在生成之后、剪辑之前 import json, imagehash from PIL import Image def validate_episode(episode, render_dir): report = {"structure": [], "consistency": [], "duration": []} for scene in episode["scenes"]: for shot in scene["shots"]: # 结构校验 for field in ["shot_type", "duration_sec", "characters"]: if field not in shot: report["structure"].append(f"{shot['shot_id']} missing {field}") # 一致性校验：同角色跨镜头哈希距离 for char_id in shot["characters"]: img_path = f"{render_dir}/{shot['shot_id']}_{char_id}.png" h = imagehash.phash(Image.open(img_path)) report["consistency"].append({"shot": shot["shot_id"], "hash": str(h)}) return report逻辑说明：结构校验放在最前面，脏数据不进队列能省大量重跑成本。一致性校验用感知哈希做粗筛，哈希距离大的镜头优先人工看，比全量肉眼盯效率高一个量级。时长校验独立跑，输出偏差表供剪辑参考。
参数说明：感知哈希阈值我一般设在 10 左右，超过就标记；这个值偏保守，宁可多标几个也别漏掉换脸镜头。校验脚本本身要能单独跑，不依赖生成流程，这样回归测试时可以直接对历史成片跑一遍。
我自己的习惯是每集出片前必跑一遍校验，跑完再进剪辑。这个习惯帮我省下的后悔药，比任何生成技巧都多。希望帮到你。
本文还有配套的精品资源，点击获取
