为什么想把 AI 短剧的链路摸透
最近花了一周时间，我为了搞清楚「AI 短剧」到底是怎么做出来的，翻了不少资料、对比了各种工具，最后整理出一条能完整跑通的制作流程。这篇文章把每一步的做法和经验都摊开讲，尽量让你少踩坑。
整个流程可以概括成四步：
- 拆分镜脚本 —— 用豆包把故事拆成一个个镜头；
- 生成分镜图 —— 按镜头批量出静态画面；
- 图生视频 —— 让分镜图动起来；
- 对口型 + 音效 —— 收尾，让角色开口、配上声音。
下面一步步展开。
第一步：用 AI 拆分镜脚本
起点是分镜脚本。打开豆包，把一套「分镜脚本」提示词框架喂给它。这套提示词会把 AI 变成一个资深影视编剧：先吃透你的故事，再按镜头拆解，最后为每个镜头输出文生图提示词和图生视频提示词。
它的核心规则我提炼成几条：
- 强制拆分：单个镜头时长不能超过 10 秒，超了必须拆成多个镜头；
- 中文输出：文生图和图生视频的提示词都用中文；
- 角色一致性：每个镜头的提示词都要完整重复主角的外貌描述（年龄、性别、服装、发型），保证跨镜头不崩；
- 视角一致：自拍、第一人称、第三人称要区分清楚，别混用；
- 首帧静态：文生图描述的是「瞬间画面」，不是持续动作。
把剧本梗概或写好的剧本贴进去，它就会一次性输出每个镜头的时长、场景描述、文生图提示词、图生视频提示词和台词。
这一步解决了两个问题：一是你完全没思路时，AI 能给灵感；二是你有剧本但不知道怎么拆分镜时，AI 能帮你拆。不过要提醒一句，情绪、节奏、剧情这些「感觉」层面的东西，还是得靠人来把关——但作为从 0 到 1 的冷启动，这个效果已经很好了。
这套提示词我在 DeepSeek、ChatGPT、Claude、Gemini 上都试过，都能用，但个人觉得 Claude 在剧情和分镜拆解上思路最接近真人编剧。
第二步：生成分镜图
脚本有了，接着生成分镜图。继续跟豆包对话，让它按文生图提示词一次性批量出图，就能得到一整套和脚本一一对应的镜头画面。
豆包的文生图底模和即梦 3.0 同源，优点是门槛低、对中文理解好。如果追求更写实、风格化更强或人物一致性更好，可以上 Midjourney V7 或 Flux Kontext。但无论用哪家，文生图提示词才是关键。
文生图提示词的 4 个技巧
1. 符合物理现实。 画面不能违背生活常识。比如写「低角度仰拍茶几上的手机屏幕」——现实中你不可能既仰拍、又看清朝上的屏幕，AI 只能强行把手机竖起来，看着很怪。
把描述改成「茶几上平放着手机」，画面立刻就自然了。
2. 第一帧永远是静态的。 很多人会误以为「既然要做视频，文生图就该写动作」。其实文生图描述的是某个静止瞬间。把「慢慢前行、回头看灯、灯忽明忽暗」这类动态词删掉，画面几乎没差别——因为分镜图只定格一帧，动作是后面图生视频的事。
3. 相邻镜头组要换场景。 这是为了避免空间布局冲突。想让同一场景里角色不变、道具不飘、机位连贯，得靠 ComfyUI 多 ControlNet + IPAdapter + InstantID 那一套，对新手太复杂。所以错开场景是更省事的方案。
4. 适度语义模糊。 这点有点反直觉，但很好用。比如写「男主坐起身按掉桌上响起的手机闹铃」，AI 会真的在手机旁边生成一个闹钟，很出戏。
把「闹铃」删掉，只写「男主伸手按向手机」，画面就精准了。
所以当 AI 老理解错时，退一步、用更宽泛的措辞，反而能更精准地控制画面。
第三步：分镜图转视频
打开即梦进入生成页，先选「视频生成」。
然后选模型（我用的是视频 3.0），上传首帧分镜图，把脚本里的图生视频提示词贴进去，还可以加负面提示词（比如不要毁容、面部扭曲、肢体变形），再按镜头需求选 5 秒或 10 秒，点生成即可。
整体效果不错，但画面偶尔不稳定，只能靠优化提示词或多抽几次卡。
这里有个关键认知：文生图和图生视频的提示词逻辑完全不同。 一是「静与动」——文生图只定格第一帧的构图，图生视频则从第一帧向后延伸出连续动作和镜头切换。二是「动作链要清晰」——用「然后 → 立刻 → 紧接着」这类连接词把动作串成有因果的行为链，节奏和内容才更可控，也能减少抽卡次数。
为什么「减少抽卡」这么重要
因为 AI 生成视频太贵了。以即梦 3.0 Pro 为例，一条 10 秒视频要 100 积分，约 10 块钱；可灵 2.1 大师版 10 秒要 200 灵感值，约 20 块。这还只是单次价格——熟手平均也要抽 5 次才能出一条满意的，成片率约 20%；新手可能要抽 10 次以上，成片率掉到 1%~5%。
按一条 3 分钟的短剧算，仅视频生成环节，熟手就要花 1800~2000 元，还没算营销设计、字幕这些后期。所以写好提示词、降低抽卡次数，既是出片质量，也是直接省钱。
第四步：对口型和音效
视频出来后，最后一步是让角色开口说话、配上音效。
对口型我用即梦：选中素材，在右侧画面设置区找到「对口型」，选音色（可以创建角色、上传自己的声音克隆，适合做数字人；也可以用内置音色，快捷但效果一般），系统会自动同步嘴型。
音效我用剪映：左上角「音频 → 音效库」选合适的音效。
剪映的 AI 对口型和 AI 音效现在也够应付大部分场景，怎么方便怎么来。
总结
整个 AI 短剧链路就是四步：豆包拆分镜 → 豆包/MJ/即梦生成分镜图 → 可灵/即梦图生视频 → 剪映对口型和音效。每个环节都有技巧，核心就是前面那些要点。多练几次，第一条视频很快就能出来。