做AI漫剧这件事，我前前后后折腾了将近一年。从最早拿剧本丢给大模型直接让它出分集故事，到后面用图像生成模型一张张画角色、画场景，再到配音、配乐、剪辑一整套流程跑通，中间踩过的坑比写出来的代码还多。这篇内容我不打算讲空话，就把我们自己验证过的那套“从剧本到成片”的流程拆给你看，适合正在考虑用生成式AI做短剧的内容团队、MCN机构、独立创作者，也包括想搞清楚AI内容生产链条到底怎么落地的技术同学。
我们最终跑通、并且现在一直在用的方案，是“漫画/绘本风格”的短剧形态。单集时长1到3分钟，竖屏为主，每部作品四十集起。漫画风格的AI漫剧有天然优势：图像生成模型对漫画和插画风格的还原度极高，不需要实拍那样布景、组演员、调灯光，也不像三维动画那样建模、绑骨骼、刷动画。只要把角色、场景、分镜这些“资产”用合适的方式管好，一条一分钟短剧从脚本定稿到成片交付的周期能压得非常短。这篇文章就是把这条流水线掰开揉碎讲清楚，重点是哪些环节必须抠细节，哪些环节能省力，哪些你以为能省、实际上省不掉。
1. 先搞明白：AI漫剧为什么是“漫”而不是“真”
1.1 为什么漫画风格最适合AI规模化出片
我自己判断一个技术路线能不能规模化，就看三点：误差可不可控、素材能不能复用、流程是否标准化。实拍短剧这三条都不占优：演员档期、场地协调、灯光天气，任何一个变量出错都要重拍，误差不可控；素材拍完就只能留在那部剧里，没法低成本复用；标准化流程依赖现场执行能力，人多一乱就走样。传统三维动画呢，前期建模和绑定投入太高，只有长期系列IP才摊得回成本。
漫画风格的AI漫剧恰好把这三条都解决了。图像生成模型在漫画、插画这种风格上学习得很充分，你给出一套明确角色描述，它基本能稳定输出符合预期的角色图；场景、道具、服装这些元素一旦生成，就可以沉淀为反复调用的图片资产，下一部剧换换配色就能复用；整个流程里没有“真人”这个变量，所有环节都是数字文件，全链路都能用脚本和流程管理起来。所以选“漫”而不是“真”，不是单纯为了风格好看，是为了可规模化。
提示：漫画风格不是唯一的AI短剧路线，也有团队用写实风格生成图再加动态，但写实路线的角色一致性难度更高，对提示词和参考图的要求更苛刻。如果你刚开始做，建议先从画风夸张、角色辨识度高的漫画路线起步，先把流程跑通再谈风格升级。
1.2 一条完整的AI漫剧生产链长什么样
从剧本到成片，我们内部把流程分成六个环节：剧本、角色资产、分镜、画面生成、声音合成、剪辑交付。
- 剧本环节：AI辅助编剧生成故事梗概、分集大纲、对白台词。
- 角色资产：确定主角、配角的形象设计，包括神态、服装、标志性特征。
- 分镜：把剧本里的每一场戏拆成若干个镜头，写明景别、动作、情绪。
- 画面生成：用图像生成模型批量输出每个镜头的底图，再对需要的局部做运动化。
- 声音合成：对白配音、旁白、背景音乐、音效的生成和混音。
- 剪辑交付：按节奏把画面、声音、字幕切到一起，输出竖屏成片。
这六步听着不复杂，但每一步展开都有非常细的决策点。我后面会按这个顺序一条条讲，重点放在画面生成和声音合成上，因为这两个环节最花时间，也是AI漫剧最容易翻车的地方。
2. 剧本环节：AI的用武之地和不要碰的地方
2.1 把剧本拆成AI能理解的“字段结构”
拿一份剧本直接丢给AI让它“写个短剧”，是很多人最开始的做法。结果通常很惨：要么输出大段大段的文学描述，要么人物关系混乱，要么所有对话都一个腔调。问题不在模型能力，在于输入结构不对。
剧本对AI来说不是“能不能写”的问题，而是“怎么描述需求”的问题。我们摸索出来的办法，是先把剧本拆成字段化结构：剧名、题材、目标受众、核心设定、主角人设、配角人设、单集时长、总集数、每集要完成的剧情功能。把这几个字段填清楚，再让AI输出分集大纲，质量会稳定很多。
举个例子，我们做的一部都市情感短剧，设定的字段是这样的：
- 剧名：某都市情感题材短剧
- 题材：都市、情感、反转
- 目标受众：20到35岁、喜欢强情节和情感拉扯的用户
- 单集时长：约2分钟
- 总集数：60集
- 主角：一个28岁的设计师，表面冷静克制，内心敏感缺乏安全感
- 核心矛盾：她在事业上升期和多年好友之间发生利益冲突，同时卷入一段复杂的感情关系
- 每集剧情功能：上一集结尾留悬念，本集开头快速回顾，中段推进冲突，结尾再抛新钩子
把这些字段写清楚以后，AI输出的分集大纲基本不会再出现“前两集人设很稳，三十集突然崩掉”这类情况。注意，我这里说的AI剧本工具，就是业内常用的通用大模型，直接用对话式界面就能跑通，不需要额外搭什么系统。
2.2 一个可以直接抄的剧本提示词模板
下面这个模板是我反复调出来的，可以直接套用，后面我会解释每个字段为什么重要。
你是一名擅长短剧剧本创作的编剧。请根据以下字段输出一集短剧剧本。 题材：【此处填题材】 单集时长：约【数字】分钟的台词量 剧情阶段：本集处于全剧【阶段，例如第10集/共40集，是主线推进的关键节点】 上一集结尾钩子：上一集结束时观众看到【一句话描述悬念】 本集要完成的剧情任务：【例如：主角发现合伙人背叛自己的证据】 主角设定：【姓名/年龄/职业/性格关键词/说话习惯】 配角设定：【本集出场配角，注明与本集任务的关系】 结尾钩子：本集最后三秒必须留下一个新悬念，方向是【例如：反派身份浮出水面】 输出要求：只输出分场景的剧本，格式为场景序号+地点+角色+动作提示+对白。不要输出背景说明和文学性描写。这个模板里最关键的不是“编剧”这个身份，而是“结尾钩子”和“剧情任务”。短剧用户对节奏极其敏感，如果一集没有在开头三秒抓住人、结尾三秒留下悬念，完播率会很难看。AI默认生成的剧本往往四平八稳，毫无钩子意识，所以必须用字段把节奏要求写死，让它没有发挥空间。
2.3 剧本质检：哪些输出必须人工改
AI写的台词单独看能用，但放在整部剧里常有两个毛病：一是角色声音同质化，所有人说话都像同一个人的口吻；二是情节功能重复，配角经常为了推动剧情而说一些不像正常人会说的话。
我的经验是，AI生成的剧本至少要过三道人眼检查：
- 人设一致性检查：把主角每次发火的台词、示弱的台词、犹豫的台词挑出来，看语气是否符合设定。
- 钩子检查：每集结尾是不是真的有强悬念，如果有任何一集是“平稳过渡”，当场改掉。
- 逻辑漏洞检查：AI经常出现“前面说A后面又变成B”的情况，尤其一些细节道具，比如手机、信件、门牌号，容易出现前后对不上的问题。
我们团队的做法是，让AI先输出整部剧的分集大纲，人审一遍，确定没问题后，再逐集生成台词。逐集生生成听起来效率低，但相比一次性生成整部再返工，实际耗时反而更少，因为返工的成本是几何级数增加的。
3. 画面生产：角色、场景、分镜怎么一批批做出来
3.1 角色设计：先定锚点，再批量出图
如果说剧本是骨架，那角色就是血肉。AI漫剧里最怕的一件事，是角色前后长相不一致：第一集主角是黑发，第三集变成棕发，第七集连脸型都变了。观众虽然未必说得清哪里不对，但体验上就是觉得“怪”。所以角色设计阶段的目的很简单：把不可控的变量提前锁定，让后续批量出图时角色特征稳定。
我们的做法是“先定锚点”。所谓锚点，就是把角色最重要的几个视觉特征锁定下来，包括脸型、发型、发色、眼睛形状、瞳色、服装主色调、标志性配饰。选定一个角色后，先让图像生成模型生成几十张不同角度、不同表情的图，从中挑出最符合人设的几张作为“角色锚点图”。后续所有画面生成，都必须参考这些锚点图的特征描述。
善于用“统一描述前缀”也很重要。我们内部维护了一份角色描述库，每个角色有一段固定的描述前缀，不管在哪个镜头里生成画面，都会把这段前缀原样粘在提示词前面。比如某角色的固定前缀可以写成“男，30岁，短发，深色瞳孔，左眉有旧伤疤，穿深灰色西装，常戴黑色手表”。这些细节看起来琐碎，但正是它们决定了AI输出画面的稳定性。
注意：角色锚点图应当保留不同角度和不同表情的版本，因为AI图像生成模型对单张参考图的依赖度很高，如果只有一张正脸图，侧面和背面输出就容易翻车。
3.2 场景与道具：用独立图层把背景固定下来
场景和道具的处理逻辑跟角色类似，但更强调“分层”。我们不会让每个镜头都从零生成一张完整的画面，那样既慢又容易不一致。标准做法是：先单独生成场景空镜图，比如客厅、办公室、街道、停车场等；再单独生成带角色的画面，把角色放进场景里。
这里的关键是“底图复用”。我们有一个场景资产库，存放几百张已经生成的场景底图。某个镜头如果发生在“主角家客厅”，就直接从资产库里挑一张客厅底图，用局部重绘把角色放进画面中，再微调镜头语言。这样做的好处是，整部剧的场景风格高度统一，而且出图成本显著下降。
关于光源方向，我自己的经验是：生成场景底图时，尽量固定光源方向——比如统一用“左侧自然光+暖色调”，这样后续角色放进场景时，阴影和气氛都贴合。如果光源方向不统一，会出现角色和环境“两张皮”的感觉，观众一眼就能看出画面是拼出来的。
3.3 分镜生成：一秒一镜的拆解方法
分镜是AI漫剧生产中最容易被低估的一环。很多人觉得有剧本了，直接让AI生成画面不就行了。但实际上，没有分镜，AI根本不知道这一场戏里镜头该对准谁、该用什么景别、该拍什么动作。结果就是生成一堆好看的“插画”，拼不出一条有叙事节奏的视频。
我们内部的分镜模板，是以“一场戏”为单位，再细分成若干镜头，每个镜头记五个要素：镜头序号、景别、内容描述、角色状态、台词或旁白。所谓“一秒一镜”，不是每秒钟换一个镜头，而是强调一个镜头时长通常在1到3秒之间，画面信息量要足够，但不要让观众在同一画面上停留过久。
举个例子，一场“主角收到匿名信”的戏，分镜可能是这样：
- 镜头1：特写，一只手拆开信封，手指微微颤抖
- 镜头2：近景，主角面部特写，瞳孔收缩，嘴唇抿紧
- 镜头3：中景，主角站在窗边，手里拿着信纸，窗外下雨
- 镜头4：过肩，从主角背后看向窗外，隐约有一个黑影离开
这组四分镜能拼出强烈的情绪推进。AI生成时，每个镜头的提示词都要把视觉要素写清楚，包括人物位置、视线方向、情绪状态。分镜写得越具体，画面生成的成功率越高。
3.4 动起来：局部运动化和镜头运镜
静态图画好以后，真正到“做成片”还需要让它动起来。这里我们不追求复杂动画，而是做“局部运动化”：让角色眨眼、说话时嘴型变化、头发和衣角轻微飘动、镜头缓慢推拉摇移。这些动态效果足以撑起短剧的观感，而且生成成本低、周期短。
局部运动化有两种实现思路。一种是用基于扩散模型的视频生成工具对单张图做运动插值，给一个“运动描述”，比如“镜头缓慢推进，角色头发和衣角被风吹动”，工具会基于单张图和运动描述生成一小段视频。另一种是用图像编辑模型，先把角色的嘴部区域生成不同帧的嘴型图，再通过剪辑软件做逐帧替换。两种思路各有优劣，前者出片快但可控性弱，后者可控性强但费时间。我们实际生产中，大部分“动态”镜头用的是前者，关键演出镜头用后者。
这一块我建议你多试几套组合，因为不同工具对“运动描述”的响应差异很大，有的工具适合大幅度运动，有的只适合轻微运动，输入同样的描述，出来的效果可能南辕北辙。我的经验是，把常用的运动描述固定成一套“运动提示词库”，比如“轻微风吹发丝”“眼神向右移动”“镜头从远到近推进”，这样团队内部能统一风格，减少反复试错。
4. 配音、配乐与成片：把素材变成“剧”
4.1 配音不是念台词，是演
画面有了，但没有声音，观众看不了三秒就会划走。AI漫剧的配音，最容易翻车的不是音色不好听，而是“没有情绪”。很多AI语音合成模型生成的配音，单独听很清晰，放进剧情里就出戏，因为语气平淡，没有张弛。
我们做配音时，会先给配音系统一个“表演指令”，而不是直接把台词丢进去。所谓表演指令，就是标注这句台词的情绪状态、说话速度、是否有停顿、音量高低。比如“慌张，语速快，音量稍高，句尾带一点颤抖”。把表演指令和台词一起交给语音合成模型，出来的效果会好很多。
另外，AI短剧中旁白的使用也很关键。旁白不要太密，否则会把剧情节奏拖慢；但也不能没有，因为漫画风格画面的人物表情和动作细节有限，旁白有时承担了心理活动和外化情绪的重任。我们的做法是：每一集最多用1到2段旁白，每段不超过三句话，且要放在情绪转折的关键位置。
4.2 配乐与音效的分层思路
配乐对成片质感的提升是决定性的。同一个画面，配上紧张悬疑的BGM就变成悬疑片，配上温馨浪漫的BGM就变成甜宠片。AI漫剧最好用的配乐方式，是根据每集的情绪基调选择合适的“音乐风格标签”，比如悬疑、温柔、热血、悲伤，然后让AI音乐生成工具生成一条循环BGM，再用剪辑软件叠进成片。
音效也不能省。脚步声、开门声、电话铃声、雨声、风声，这些音效看着不起眼，但它们是让观众“信”这个虚构世界的关键。如果音效缺失或错位，画质再好也会显得很廉价。音效的获取有两种路径：一种是去免费音效库下载通用音效，另一种是用AI音效生成工具按描述生成，比如“雨滴打在玻璃上的声音，由远及近”。
还有一个经验：混音时，对白音量一定是主轨道，BGM音量要明显低一些，音效则要根据远近做音量变化。如果只把音轨叠进去不做混音，会出现BGM盖住对白的尴尬情况。用任何一款主流剪辑软件做简单的音量包络都能解决这个问题。
4.3 剪辑节奏和时长控制的经验
剪辑阶段，我的经验是“先粗剪声音，再对齐画面”。先把配音、旁白、BGM按时间轴铺好，形成一条“纯声音的时间线”，这一步就能感受到整集的节奏是否流畅。然后再把画面切进去，一个镜头对着一个声音段落。如果先剪画面再配音，往往会出现画面和台词对不上的情况。
短剧因为竖屏、单手观看的场景多，节奏要更快。我们通常把两秒以上的镜头控制在极少数，大部分镜头保持在1到2秒；对白密集的场景，镜头甚至可以切得更碎。字幕也要做得醒目一点，因为很多用户是静音刷视频的，字幕是获取剧情的主要通道。
时长控制上，我建议单集尽量控制在1.5到3分钟之间。太短了剧情展不开，观众还没进入状态就结束；太长了完播率会掉。以我们自己的数据看，2分钟左右是最稳的区间，前5秒必须有冲突或悬念，最后3秒必须留个钩子。
5. 可规模化：从一条到一百条的流程化管理
5.1 工业化流水线的岗位分工
前面讲的都是单条内容的做法。但“可规模化”才是这个项目里最重的词。如果只是偶尔做几条AI短剧，一套流程就够了。可一旦要做几十集、上百集，就必须把流程变成流水线。
我们团队的岗位分工大致是这样：一个剧本统筹，负责用AI生成分集大纲和审改台词；一个角色资产师，负责维护角色锚点图和场景资产库；两个分镜师，负责把每集剧本拆成镜头脚本；两个画面生成师，负责用AI批量出图和做局部运动化；一个声音编辑，负责配音、配乐和混音；一个剪辑，负责最终成片。算下来，一个完整项目大概需要5到6个人，这已经是很精简的配置了。
比你想象中更重要的是“交接物规范”。比如剧本统筹输出给分镜师的，必须是统一格式的分镜表格；分镜师输出给画面生成师的，必须包含完整的镜头提示词。每一项交接都像一个接口协议，一旦某个环节输出格式不统一，后面所有环节都要返工。我们最早因为分镜表格格式不统一，导致画面生成师拿到以后要重新整理，一集多花了一两个小时。
5.2 任务拆解与排期
规模化生产的核心是任务拆解。我们不会按“集”来分配任务，而是按“批次”来分配。比如这个星期要完成第1到10集的画面生成，那么具体拆法是：第1天做角色和场景准备，第2到4天按分镜生成所有底图，第5天做局部运动化，第6天配音混音，第7天剪辑和质检。这样一周可以稳定产出10集左右的量，而且质量波动很小。
排期里还要留出“缓冲集”。我们通常会在正式排期之外多产出两三集备用，因为平台排播经常会遇到临时调整，手头有备用集就能从容应对。这也是AI漫剧规模化的一条重要经验：生产速度上去了，掌控节奏的能力也要跟着上去，否则一旦某集出了质量问题需要返工，整个排期都会被拖垮。
5.3 成本、速度与质量怎么平衡
任何内容生产都要面对“质量-速度-成本”这个三角。AI漫剧的优势，在于可以让“速度”这个维度获得极大提升，但代价是质量上限不如传统的实拍或高精度动画。你做内容的时候，要先想清楚自己这个阶段到底想优先哪个维度。
如果是验证市场，就优先速度，每天稳定出一到两条，内容不必过度打磨；如果是跑品牌调性，就适当放慢，把画面一致性、配音情绪这些细节抠到位。对我们来说，成本核算的核心项有四个：AI生成API的调用费用、人工审改时间、软件订阅成本、平台分发成本。前两项是大头，尤其人工审改，占了整个项目成本的50%以上。这也是为什么我一直强调用字段化模板和标准化接口——它们能显著降低人工时间。
规模化还有一个容易被忽略的点：数据回收。每条视频发布后，要把完播率、跳出点、评论关键词回收到流程里。比如我们发现某一类“结尾悬念”的完播率明显高，那就让剧本统筹在之后的剧集里更多使用这类悬念。这样一来，AI漫剧的生产流程就变成了一个能持续自我优化的系统。
6. 高频翻车现场与排查方案速查表
下面这些坑，基本都是我们自己踩过、或者跟同行交流后确认的高频问题。按问题、原因、对策列在下面，方便你排查时对照。
| 问题现象 | 常见原因 | 排查思路与对策 |
|---|---|---|
| 人物长相前后不一致 | 角色锚点描述没有固定，或参考图不足 | 统一描述前缀，维护多角度锚点图，生成前检查提示词是否被改动 |
| 同一场景灯光风格突变 | 场景底图未统一光源方向 | 建立场景资产库，固定光源方向描述，新场景先跑通小样本再量产 |
| 画面出现多余手脚或变形 | 图像生成模型对复杂动作支持有限 | 避免高难度姿势，优先用半身或坐姿构图，复杂动作拆解为多个镜头 |
| 配音语气平淡出戏 | 没有加表演指令 | 在台词前标注情绪、语速、音量，人耳试听后再定稿 |
| 字幕与台词不完全对应 | 自动字幕生成错误 | 使用精确字幕工具，二次人检查，对白以成片音频为准 |
| BGM盖过对白 | 混音层级未处理 | 对白为主轨，BGM音量压低，关键对白处做闪避处理 |
| 条集之间剧情接不上 | 分集大纲过粗 | 用字段化大纲锁定人物状态和事件因果，生成下一集前先人工确认 |
| 画风前后统一度下降 | 模型版本跨度过大 | 尽量固定模型版本，必要时批量重训风格描述 |
6.1 人物长相前后不一致，主角换脸
这个问题是AI漫剧里最磨人的。你前20集主角都好好的，第21集突然长得跟换了演员似的，观众评论区立刻炸锅。排查时，先看提示词前缀有没有被改动；再看角色锚点图有没有被别的人物参考图干扰；最后看是不是因为这一集换了个发型或换了一套衣服，导致模型判断失误。
对策上，我建议每个角色至少维护三张锚点图：正面、侧面、四分之三角度。出图时尽量选择同一时间段生成的批次，不要跨了太久、换了新模型版本以后还沿用旧提示词，因为模型版本升级往往意味着画风微调，这类变化累积起来，观众就会觉得“画风变了”。
6.2 剧情连续性和情绪曲线断档
AI剧本经常会犯一个毛病：单集看还行，连起来看人物关系和情绪推进是乱的。比如上一集主角还很愤怒，这一集开场突然就跟没事人一样。这个问题必须在剧本阶段解决，而不是等到成片阶段。
我们的办法是“每集开头用一句话人审确认上一集的人物状态情绪，再让AI生成后续”。具体操作方式是，把整部剧的主线逻辑、关键事件序列、每集中间的人物状态写成一个“剧情状态表”，AI生成每一集之前都先查询这个状态表，从源头杜绝断档。听起来很繁琐，但一旦建好状态表，后续生成效率和稳定度都会大幅提升。
6.3 字幕、语音台本、画面台词对不上
对白台词在剧本阶段、配音阶段、字幕阶段可能各有一个版本，三版之间极易出现小差异。尤其在AI短剧里，语音合成时因为停顿和语速调整，台词会被读得和文本不完全一致，这就导致字幕对不上语音。
解决方法是统一台词数据源。我们从剧本阶段开始，就用一个“台词版本表”，配音脚本、字幕脚本、画面分镜中的台词都从这个表引用。配音完成后，再重新生成一次字幕，并做一遍人工对比。词序可以微调，但核心语义不能变。
6.4 审核与分发相关的注意点
AI内容上线前，一定要做敏感词自查和画面自查。画面方面，要留意AI生成时容易出现的异常元素，比如多余的手指、奇怪的文字、变形的建筑、路标上面有乱码文字等，这些都会影响观感，也可能引发平台的自动审核机制。
另外要特别提醒的是：分发到不同平台时，同一个内容可能需要不同尺寸、不同标题格式、不同封面。这些“分发资产”最好也在生产流程里一并产出，否则内容做出来了，上架阶段反而成了瓶颈。我们每个项目会提前确认目标平台的素材规格，出片时同步生成对应版本的横版封面和竖版海报。
最后，回到我开头说的那句话：AI漫剧的门槛，不在于“会用AI”，而在于“怎么把AI纳进一条可重复的流程”。你可能觉得把剧本丢给AI生成出来、再让AI画点图、配音配乐，这就叫AI漫剧了。但真正做到可规模化，你缺的是流程、是资产库、是状态表、是一套统一的交接规范。这些东西花时间，但是值得。
我个人在做这个项目的过程中最大的体会是，AI漫剧不是一个“作品”项目，而是一个“系统”项目。你每花一小时去建设角色资产库、场景库、模板提示词，后面就能省下十小时甚至几十小时的产出时间。
最后再分享一个实用的小技巧：当你做出一部AI漫剧后，哪怕是最粗糙的版本，也一定要拿给身边不看漫画、不懂AI的普通观众看，让他们用最直觉的方式告诉你“哪里出戏”。他们说的每一个“怪”，都对应着你流程里一个需要修掉的bug。把“怪”修完，你的AI漫剧流水线，才算真正站住了。
：信号机制与进程间通信——异步事件与协作基石》)
