AI 短剧工程实践：从剧本到成片的全流程

一个有技术背景、没有影视制作经验的人，可以从什么规模开始做 AI 短剧？我的建议是先完成一个人物少、场景少、动作目标明确的短片，把剧本、角色、声音和剪辑真正接起来，再扩大镜头数量。

AI 降低了生成素材的门槛，但不会替创作者判断一个镜头是否推进了故事。本文沿着《最后一条消息》的制作思路，从剧本走到发布，重点说明各环节交付什么、怎样复用上游结果，以及哪里值得停下来重新设计。工具名称用于说明角色，具体型号和价格应在制作时核对。

一、先做能剪出来的故事

传统拍摄与 AIGC 制作有共同的叙事工作，主要差别在于画面如何得到。

“一人剧组”意味着这些工作可以由一个人组织，不意味着人力归零，也不能据此承诺成本下降多少倍。预算应包含失败生成、软件订阅、计算、素材授权和自己的时间。

第一轮可以只制作 20–30 秒的样片，验证同一角色在两个镜头里的身份、台词时长和剪辑接续。样片通过后，再估计整部 3 分钟作品的工时，避免先做完全部角色资产才发现所选镜头无法稳定生成。

二、从故事梗概到可执行分镜

2.1 让 LLM 帮助发散，再由人收敛

故事可以从一个明确冲突开始：女程序员林晓在深夜收到已故同事张鹏的消息，随后发现这条消息来自一段预先安排的线索。办公室里的物件、手机消息和人物反应承担叙事，不必依赖连续打斗来推进剧情。

用于发散的 Prompt 可以这样写：

请为一个 3 分钟都市悬疑短片提出 5 个梗概。
主要角色不超过 3 人，场景不超过 4 个。
每个梗概写清：
- 一句话冲突
- 主角为什么必须行动
- 观众先后获得哪些线索
- 结尾如何回应开场

优先使用少量角色、明确动作和可拆分镜头。
复杂接触动作可以提出，但请同时给出替代拍法。

少角色与少场景是控制首个项目复杂度的选择，不是“多人互动必然无法生成”的技术定律。复杂动作是否值得做，取决于具体模型、参考条件和允许的重试成本。

2.2 先安排叙事段落，再确定镜头数量

3 分钟可以先划成建置、调查和揭示三个段落，但段落不等于单个生成镜头。若选择平均 5 秒的可用片段，180 秒约需要 36 段；若包含长镜头、静帧、旁白和反应镜头，数量会不同。

原方案中“约 10 个镜头”和“每次生成 5–10 秒”的口径不能直接拼成 3 分钟。应把 10 个主要叙事单元继续拆成可生成的片段，或者明确哪些单元使用延长、多个机位和剪辑补足时长。

写台词时先读出来，再用临时配音检查时长。每句话限制为 15 个字可以是练习约束，不能为了数字截掉必要含义。

2.3 分镜必须能定位到具体产物

LLM 输出的 JSON 要先做结构与内容检查，再进入工作流：镜号唯一、引用资产存在、时长有效、台词有对应角色。visual_prompt_en 可以作为中间描述，但 Midjourney、FLUX 和视频服务的输入要求不同，不能把同一段文字和参数直接当作所有模型的可执行配置。

三、角色与场景先形成资产，再生成镜头

3.1 定义林晓的稳定特征

为角色建立简洁的视觉基准：短黑发、深蓝外套、白衬衫，以及选定的脸型与体态。服装变化单独记录，避免模型把“换场景”理解成“换一个人”。

角色参考图可以包含正面、侧面和不同表情，但每张都要核对身份。提示词 character reference sheet 只能提出意图，不能保证生成的多视图属于同一张脸；有错误的参考图不应继续进入训练或镜头制作。

记录选中的参考图、模型版本、Prompt 和可用的随机种子。固定 seed 有助于在相同环境下复查生成条件，不是跨 Prompt、模型和版本保持身份的办法。

3.2 不把所有一致性工具叠成必选项

第一轮先验证模型原生参考能力或一个兼容的身份条件方案。只有当固定角色需要大量重复生成，且参考方式不足以满足目标时，再考虑角色 LoRA。

Face Swap 可以修正部分面部外观，不能修复发型、服装、身体动作和剧情连续性；它也可能在侧脸或遮挡处引入新问题。没有必要把换脸设为每个镜头的最后一道必经流程。不同方法的分工见人物一致性与技术选型。

姿态、深度和边缘条件解决的是空间或构图约束。需要确认底模与 ControlNet、LoRA、参考图适配器兼容，不能把针对 SDXL 的权重直接放入 FLUX 工作流。完整的资产组织方式见角色生产流水线。

3.3 场景变化需要新的空间依据

办公室场景要记录白板、门、窗和桌子的相对位置。正面镜头与反打镜头可以分别建立参考，不必假设一张基准图能够推导所有视角。

Depth、Canny 或 img2img 可以帮助保留部分结构，但降低重绘强度不会自动得到几何正确的新视角。需要较大机位变化时，可以准备新的布局草图、3D 预演或独立审核过的参考图，而不是持续调整同一个强度数字。

四、图像与视频生成围绕镜头目的选型

4.1 用同一个镜头比较候选方案

概念设计工具用于快速探索，工作流工具用于组合节点和保存配置，底层模型负责实际生成。ComfyUI 是工作流工具，不能与图像模型并列成同一类模型。

本地部署是否省钱，取决于利用率、显存、运行时间和维护成本。开源权重不等于零成本，拥有一张高端显卡也不意味着能运行任意分辨率和模型。

可以从一个明确镜头开始比较：林晓站在白板前，听到提示音后转向手机。分别检查身份、动作完成、背景稳定和可剪辑长度，并统计所有尝试，不能只对比各家挑出的最佳结果。

4.2 描述可观察的画面

示例 Prompt：

A woman with short black hair, wearing a dark blue blazer and white shirt,
stands beside a whiteboard in a dim office at night.
A desk lamp lights the left side of her face.
She hears a notification and slowly turns toward the phone on the desk.
Medium shot, static camera, restrained expression, film noir lighting.

这里优先描述主体、空间、光线、动作和镜头。8K 等词不会改变服务实际输出的分辨率。负面提示词也不是通用能力：只有支持该输入的模型与工作流才会按相应机制使用它。

4.3 图生视频提供起点，不保证全程不漂移

起始帧能把角色和场景的初始条件交给模型，后续运动仍需要检查。空镜头也要遵守同一场景的时间、光照和空间关系，不能因为没有人物就忽略连续性。

模型规格需要落实到具体变体。例如 Wan2.2 官方仓库区分 A14B 文生/图生视频模型和 TI2V-5B；其中 TI2V-5B 支持 720p、24 fps。不能把 Wan2.1 的 1.3B 规格写成 Wan2.2 的 MoE 小模型，也不能将仓库里某个条件下的显存占用泛化到所有变体。

具体模型的比较方法见视频生成模型选型与实战。本篇不固定价格和星级排行，避免流程教程随单个产品套餐变化而失效。

4.4 运镜术语要和物理变化对应

Tilt 与 Crane 不能当成同义词。自然语言提示也不保证精确轨迹；若工作流提供路径或运动参考，应按对应版本的接口使用。Runway 的 Motion Brush 是 Gen-2 的功能，官方说明明确它不适用于后续模型，不能按 Gen-3 通用功能介绍。

五、先解决表演与声音，再做必要的修复

对白镜头应先准备台词音频或临时配音，确认实际时长，再决定视频长度与口型同步流程。旁白、物件特写和反应镜头可以减少正面对口型的工作，但不能以远景为理由放任明显不同步。

声音克隆要区分参考音频推理和模型训练。某些 TTS 支持参考音频直接生成，并不要求先训练一套“声纹模型”；具体语言、样本和授权条件以使用的版本为准。已有视频的翻译配音则是另一条流程，见自动化配音流水线。

后处理应对准问题，而不是固定叠加所有工具：

RIFE主要解决视频插帧，不是通用去闪烁算法。增加帧数不能修复角色突然换脸、物件消失或光照跳变。

配乐与音效要服务叙事：环境声形成连续底层，动作声对应画面事件，重点音效强调线索。音乐即使由 AI 生成，也要检查商业使用条件；输入 no vocals 是生成意图，输出仍需试听，不能据此假定一定没有人声。

六、把素材组织成可以回溯的剪辑工程

按镜号记录版本，比按工具散放文件更容易定位返工范围：

例如 S01-C03_v2.mp4 表示第一场第三镜的第二版。最终采用哪个版本、为什么替换，也写回镜头记录。某次生成的参考图、模型、节点版本与参数应保留；只记录一个 seed 不足以保证复现。

剪辑工具优先使用自己能够完成时间轴、音频、字幕和导出的工具。自动字幕仍要校对专有名词与断句；不能在没有来源的情况下断言某个商业剪辑软件内部使用了 Whisper。

镜头之间可以硬切，也可以用环境音和对白跨切延续节奏。统一调色能够拉近观感，但不能修复空间位置矛盾。先粗剪验证故事，再花时间做超分和局部修复，能够避免精修最终会删掉的镜头。

七、《最后一条消息》的制作记录

原稿保留了一组作者制作记录：2 个角色、3 个主要场景，目标成片约 3 分钟。下表记录当时各环节的耗时与观察，不是不同工具之间的性能测试，也不能据此推导所有新手都能在相同时间完成。

记录中的“10 镜头”不足以说明 180 秒成片的具体组成，尤其不能等同于 10 段 5–10 秒的生成视频；最终时长与补充素材应以剪辑时间轴核对。按表内项目相加为 29.5 小时，但其中既有人工操作，也有机器跑批；缺少统一计时口径，不能把它直接当成总人工工时或连续交付时长。

这组记录值得保留的经验是：等待生成之外，选择和返工也消耗时间；角色、场景和声音如果没有提前确定，后面更容易反复替换。可以为镜头设定一次尝试预算，达到预算后改用反应镜头、物件特写或更清楚的分镜，而不是无上限重试。

判断是否继续精修的依据，是错误会不会影响观众理解。线索看不清、台词听不懂、角色身份混乱，需要修；不承担叙事作用的次要纹理，不一定值得占用同样多时间。

八、发布前检查成片与使用条件

先按完整时间轴看一遍，再按目标终端看一遍。检查角色、手部和物件连续性，字幕可读性，台词是否完整，音乐是否盖过对白，以及导出后有没有缺帧和音画偏移。目标平台的画幅、文件大小和时长限制需要按实际账号与发布入口确认，不能用一张长期不变的表格概括所有平台。

对于国内发布，《人工智能生成合成内容标识办法》自 2025 年 9 月 1 日施行，第十条要求用户发布生成合成内容时主动声明，并使用平台提供的标识功能。不能把这项要求一概写成“建议标注”。

商业使用许可与作品是否获得著作权保护是不同问题。例如 Suno 的说明将商业使用权和版权保护分开解释。应保留所用计划、生成时间和素材许可记录，不能把购买订阅理解成对所有权利问题的统一保证。

著作权判断还取决于法域与人的具体创作贡献。美国版权局的 AI 专题讨论了人类创作、选择编排和修改的保护范围；这不能直接推广为“全球纯 AI 内容都无版权”或“人类导演参与就自动获得整部作品的全部权利”。

做第一部短片，最值得积累的是可复用的判断：怎样把一个故事拆成可以制作的镜头，怎样发现问题发生在哪个环节，怎样用有限预算交付完整作品。工具会迭代，镜头记录、资产版本和清楚的取舍能让下一次制作少走一轮弯路。