AIGC短剧制作全流程实战指南：从剧本到成片的一人剧组
一、全景概览：AIGC短剧制作的完整Pipeline
传统流程 vs AIGC流程
先看一张对比表，理解AIGC到底改变了什么：
| 环节 | 传统短剧 | AIGC短剧 | 变化本质 |
|---|---|---|---|
| 编剧 | 编剧团队讨论、多轮改稿 | LLM辅助构思、快速迭代 | 效率提升，但审美判断仍靠人 |
| 分镜 | 分镜师手绘或用分镜软件 | LLM生成结构化分镜表 | 从手工到自动化 |
| 选角 | 海选演员、试镜 | 生成角色概念图、训练LoRA | 成本从万元级降到百元级 |
| 置景 | 搭建实景或找场地 | 扩散模型生成场景 | 物理空间约束消失 |
| 拍摄 | 导演组+摄像组现场拍摄 | AI视频生成模型渲染 | 最颠覆的环节，人力归零 |
| 表演 | 演员排练、实拍多条 | 动作引导+口型同步 | 可控性下降，但成本暴跌 |
| 配音 | 配音演员录音 | TTS + 声音克隆 | 速度快10倍，但情感表达受限 |
| 配乐 | 作曲/买版权音乐 | AI作曲（Suno/Udio） | 版权问题简化 |
| 剪辑 | 剪辑师精剪+调色+包装 | 半自动拼接+人工精调 | 仍然高度依赖人的审美 |
| 周期 | 2-4周（极简短剧） | 3-7天 | 缩短但不是一键生成 |
| 团队 | 最少5-10人 | 1人可完成 | 最大卖点 |
| 成本 | 数万-数十万 | 数百-数千元 | 两个数量级的差距 |
一人剧组的现实预期
在开始之前，需要给你打一个预防针。"一人剧组"不意味着一键出片。它的意思是：一个人能完成过去需要一个团队才能完成的全部环节，但每个环节仍然需要你的判断、选择和调整。
对于一个有技术背景但没有影视经验的人，第一部3分钟短剧的合理预期是：
- 时间：5-7天（全职投入），其中大量时间花在重复生成和筛选上
- 成本：500-2000元（主要是视频生成模型的API调用费用）
- 质量：中等偏上的AI短剧水平，不会像真人实拍，但能讲清一个故事
- 最难的环节：不是技术，是审美——什么镜头好看、节奏怎么卡、哪个画面该留
端到端流程总览
整个Pipeline长这样：
剧本构思 → 分镜脚本 → 角色设计 → 场景生成 → 视频合成 → 素材修复 → 配音配乐 → 剪辑成片 → 发布分发
│ │ │ │ │ │ │ │ │
LLM LLM+人工 扩散模型 扩散模型 视频模型 超分/修复 TTS/AI音乐 剪辑软件 平台适配
每个环节不是线性一次通过的。实际制作中你会在各个环节之间反复跳转——生成的视频不满意就回去调Prompt，角色跑偏了就重新生成再做Face Swap，某个镜头的运镜有问题就换一个模型试。这是正常的，不是你的问题。
下面逐个环节拆解。
二、编剧阶段：用LLM构建剧本
2.1 故事构思与世界观设定
作为技术人员，你可能觉得"编剧"是最不需要AI帮忙的环节。恰恰相反，对于没有编剧经验的人来说，LLM是一个极好的brainstorming伙伴。
第一步：确定类型和受众。 短剧的核心是"短"——3分钟要讲完一个有起承转合的故事。最适合AI短剧的题材类型是：
| 题材 | 适合AI短剧的原因 | 不适合的原因 |
|---|---|---|
| 都市悬疑 | 场景少、人物少、靠剧情驱动 | — |
| 古风奇幻 | AI擅长生成视觉冲击力强的奇幻场景 | 服装细节一致性难控制 |
| 科幻 | 非现实场景对AI的"不够真实"更宽容 | 硬科幻场景的物理合理性难保证 |
| 情感/治愈 | 对动作复杂度要求低，靠氛围和台词 | — |
| 日常喜剧 | 真实感要求太高，AI容易暴露"不真实" | 不推荐作为第一个项目 |
| 动作片 | 复杂交互和打斗场景远超当前AI能力 | 不推荐 |
第二步：用LLM做brainstorming。 给ChatGPT或Claude一个方向，让它帮你发散。一个好用的Prompt模板：
我想写一个3分钟的AI短剧剧本，题材是[都市悬疑]。
目标观众是[18-35岁、喜欢悬疑推理的短视频用户]。
请帮我生成5个故事梗概，每个梗概包含：
1. 一句话核心冲突
2. 主要角色（不超过3个）
3. 场景数量（不超过4个）
4. 反转点设计
注意：因为是AI生成视频，请避免：多人同框互动、复杂动作戏、需要精确物理交互的场景。
最后那个约束条件很关键。你需要从一开始就让剧本适应AI的能力边界。多人同框是当前视频模型的灾难，复杂的肢体交互（比如两个人握手、打斗）几乎必然穿帮。
第三步：角色设定。 短剧角色少，但每个角色的设定要足够清晰，因为后续的视觉生成和配音都需要明确的角色信息。用LLM生成角色小传：
请为以下角色生成详细设定：
- 姓名：林晓
- 角色定位：女主角，悬疑短剧中的侦探
请输出：
1. 外貌特征（具体到发型、肤色、体型、穿衣风格）
2. 性格标签（3-5个关键词）
3. 说话风格（语速、用词习惯、口头禅）
4. 在剧中的核心诉求和行为逻辑
这些设定不是"创意作业"——它们是后续所有环节的输入参数。角色外貌直接决定视觉生成的Prompt，说话风格决定TTS的参数配置。
2.2 剧本撰写
从梗概到完整剧本，推荐用Chain of Thought的方式分步生成：
Step 1：故事大纲 → 把三幕结构（建置、对抗、解决）填进3分钟的时间框架：
第一幕（0:00-0:45）：建置
- 镜头1-3：展示场景、引入主角、抛出谜题
第二幕（0:45-2:15）：对抗
- 镜头4-8：主角调查、发现线索、遭遇阻碍、真相浮现
第三幕（2:15-3:00）：解决
- 镜头9-10：反转揭示、情感落点
3分钟短剧大约能容纳8-12个镜头，每个镜头15-25秒。这个密度需要非常紧凑的叙事。
Step 2：分场剧本 → 每一场写清楚：场景、时间、在场角色、发生了什么、关键台词。
Step 3：对话润色 → 这一步最好人工介入。LLM写的对话容易偏书面语，短剧需要口语化、有节奏感的台词。一个技巧是让LLM先写，然后你自己读出来——读起来别扭的地方就是需要改的地方。
对话风格调控Prompt：
请将以下对话改写为更口语化的版本，要求：
1. 每句话不超过15个字（短视频节奏）
2. 加入适当的语气词和停顿
3. 体现角色性格（林晓：干练、直接；张鹏：紧张、闪躲）
4. 情绪从冷静逐步升温到质问
2.3 分镜脚本生成
分镜是编剧和视觉制作之间的桥梁。它把文字剧本翻译成一个个具体的镜头描述，是后续所有图像和视频生成的直接输入。
每个镜头需要定义的要素：
| 要素 | 说明 | 示例 |
|---|---|---|
| 镜号 | 全局唯一编号 | S01-C03 |
| 景别 | 远景/全景/中景/近景/特写 | 中景（腰部以上） |
| 角度 | 平视/俯视/仰视/过肩 | 略微仰视 |
| 运镜 | 固定/推/拉/摇/移/跟 | 缓慢推进 |
| 场景 | 具体环境描述 | 昏暗的办公室，窗外是城市夜景 |
| 角色 | 在画角色及其动作 | 林晓站在白板前，转身看向镜头 |
| 情绪 | 当前镜头的情绪基调 | 紧张、压抑 |
| 台词/旁白 | 这个镜头里的声音内容 | 林晓："这个时间线不对。" |
| 时长 | 预估秒数 | 4秒 |
让LLM输出结构化分镜表：
请将以下剧本片段转换为分镜脚本，以JSON格式输出。
每个镜头包含以下字段：
- shot_id: 镜号（格式：S场次-C镜号）
- scene: 场景描述（用于图像生成Prompt）
- characters: 在场角色列表
- action: 角色动作描述
- framing: 景别（wide/medium/close-up/extreme-close-up）
- angle: 镜头角度（eye-level/low-angle/high-angle/over-shoulder）
- camera_move: 运镜方式（static/push-in/pull-out/pan/tilt/tracking）
- mood: 情绪标签
- dialogue: 台词（如有）
- duration_sec: 预估时长
- visual_prompt_en: 适合直接输入AI图像/视频模型的英文描述
注意：visual_prompt_en是最关键的字段，
它需要是一个完整的、可直接用于Midjourney/FLUX的画面描述。
输出的JSON可以直接作为后续Pipeline的数据源，省去人工翻译的步骤。visual_prompt_en这个字段特别重要——它相当于把导演的视觉意图直接翻译成了AI能理解的语言。
三、角色设计：建立视觉一致性
角色设计是AI短剧里最需要耐心的环节。不是因为技术难——而是因为你需要反复生成、筛选、调整，直到找到一个"对的"角色形象，然后想尽办法在后续几十个镜头里保持这个形象不跑偏。
3.1 角色形象设计
工具选型：
| 工具 | 适合场景 | 优势 | 劣势 |
|---|---|---|---|
| Midjourney | 快速概念设计 | 审美好、出图快 | 可控性差，不好精调 |
| FLUX | 需要精细控制的写实角色 | Prompt遵从度高、生态丰富 | 需要本地部署或用API |
| Stable Diffusion XL | 预算有限的本地方案 | 免费、可深度定制 | 出图质量不如FLUX |
Prompt技巧——角色概念图：
生成角色概念图时，目标不是出一张好看的图，而是出一组能精确定义角色视觉特征的图。推荐的Prompt结构：
A [age]-year-old [gender] [ethnicity], [body type],
[hair description: length, color, style],
[face features: shape, distinctive marks],
wearing [outfit description],
[expression],
[pose],
portrait photography, studio lighting, neutral background,
multiple angles, character reference sheet
关键词character reference sheet和multiple angles会引导模型生成类似角色设定图的多角度视图，这对后续训练LoRA或做参考图非常有用。
实操建议：
- 一次生成20-30张，从中选3-5张最满意的作为角色基准
- 选定后立即记录这批图的Prompt和Seed（如果工具支持），方便后续微调
- 如果角色有多套服装，每套服装单独生成一组参考图
- 用同一个Prompt框架生成所有角色，只替换角色特征部分，这样整体风格更统一
3.2 角色一致性方案
这是AI短剧制作的核心难点。详细的技术路径分析可以参考本系列的《AIGC人物一致性：技术路径与工程选型》，这里给出面向一人剧组的实操选择建议。
方案对比：
| 方案 | 一致性 | 灵活性 | 上手难度 | 成本 | 一人剧组推荐度 |
|---|---|---|---|---|---|
| IP-Adapter + 人脸参考 | ★★★ | ★★★★★ | ★★ | 低 | ⭐ 快速原型 |
| LoRA微调 | ★★★★ | ★★★★ | ★★★ | 中 | ⭐⭐ 正式制作 |
| InstantID / PuLID | ★★★★ | ★★★ | ★★ | 低 | ⭐ 零样本快速 |
| Face Swap后处理 | ★★★★★ | ★★★★★ | ★★ | 低 | ⭐⭐⭐ 最推荐 |
| LoRA + Face Swap组合 | ★★★★★ | ★★★★ | ★★★ | 中 | ⭐⭐⭐ 最佳效果 |
一人剧组的推荐策略：
对于第一个项目，建议用**"粗生成 + Face Swap精修"**的策略：
- 用IP-Adapter或InstantID做粗生成，保证角色大致像
- 所有视频片段生成完毕后，统一用FaceFusion做面部替换
- 这样你不需要花时间训练LoRA，就能快速跑通整个流程
对于正式项目，建议升级为LoRA + Face Swap双保险：
- 为主要角色训练LoRA，生成时角色就比较像了
- Face Swap在后处理阶段修正剩余的不一致
- 这个组合是当前AI短剧行业最主流的方案
3.3 角色表情与姿态控制
画面中角色的姿势和表情不能全靠Prompt碰运气。ControlNet是解决这个问题的核心工具。
ControlNet的常用引导模式：
| 模式 | 输入 | 控制内容 | 适用场景 |
|---|---|---|---|
| OpenPose / DWPose | 骨骼姿态图 | 全身姿势 | 角色站姿、坐姿、手势 |
| Depth | 深度图 | 空间关系 | 保持场景布局一致 |
| Canny | 边缘线稿 | 轮廓形状 | 精确控制画面构图 |
| Reference | 参考图片 | 风格和内容 | 保持画面风格统一 |
实操流程：
- 在网上找一张符合你想要的姿势的真人照片（或者自己拍一张）
- 用DWPose提取骨骼姿态图
- 把姿态图作为ControlNet的引导输入，配合角色的Prompt和LoRA进行生成
- 这样生成的图片会保持你指定的姿势，同时呈现角色的外貌特征
表情控制：表情比姿势更难精确控制。实际操作中，建议在Prompt里明确描述情绪（如angry expression, furrowed brows, clenched jaw），然后多次生成挑选最合适的。不要期望一次命中，这是一个"批量生成-筛选"的过程。
四、场景与画面生成：扩散模型实战
4.1 扩散模型选型
对于一人剧组，不需要也不应该只用一个工具。不同环节用不同工具是正常的：
| 工具 | 最佳用途 | 价格 | 上手难度 |
|---|---|---|---|
| Midjourney | 快速概念验证、场景气氛参考 | $10/月起 | 低 |
| FLUX（通过ComfyUI） | 正式生产的图像生成主力 | 本地免费/API按量 | 中高 |
| Stable Diffusion XL | 预算有限时的本地方案 | 免费 | 中 |
| ComfyUI | 串联LoRA+ControlNet+后处理的工作流 | 免费 | 高 |
本地部署 vs 云端API：
- 如果你有RTX 4090或更好的显卡：优先本地部署，省钱且灵活
- 如果没有高端显卡：用云端API（如Replicate、Fal.ai）或者云GPU（AutoDL、恒源云）
- 混合方案：概念验证用Midjourney（快），正式制作用本地ComfyUI（省）
4.2 Prompt Engineering for 视觉生成
给扩散模型写Prompt和给LLM写Prompt完全是两回事。视觉Prompt更像是在填一个结构化描述表。
画面描述的结构化公式：
[主体描述] + [场景环境] + [光影氛围] + [视觉风格] + [镜头语言] + [技术参数]
示例（对应分镜：林晓站在昏暗办公室的白板前）：
A 28-year-old Chinese woman with short black hair,
wearing a dark blue blazer and white shirt,
standing in front of a whiteboard covered with notes and red strings,
in a dimly lit office at night,
city skyline visible through large windows behind her,
warm desk lamp casting dramatic side lighting,
cinematic color grading, film noir atmosphere,
medium shot, slightly low angle,
photorealistic, 8K, sharp focus
负面提示词（Negative Prompt）：
负面提示词是告诉模型"不要生成什么"。一个通用的基础模板：
deformed, bad anatomy, extra limbs, extra fingers, mutated hands,
blurry, low quality, watermark, text, logo,
oversaturated, cartoon, anime, 3d render,
duplicate, cropped, out of frame
不需要每次从头写。保存一个基础模板，根据具体场景增减即可。比如生成室内场景时加上window reflection artifacts，生成人物时加上cross-eyed, asymmetric face。
风格一致性：
整部短剧的视觉风格必须统一。实现方式有三种，可以叠加使用：
- 固定Prompt前缀：把风格描述（如
cinematic, film noir, warm color palette, shallow depth of field）作为固定前缀加到每个Prompt里 - 固定Seed：生成场景时用相同的Seed值可以获得风格更接近的结果（但内容会变化）
- 风格LoRA：加载一个统一的风格LoRA，强制所有画面呈现一致的视觉风格
4.3 场景一致性维护
角色一致性之外，场景一致性也很重要——同一个办公室在不同镜头里不能长得不一样。
策略一：基准图 + ControlNet
- 先生成一张满意的场景基准图
- 用ControlNet的Depth或Canny模式提取空间结构
- 后续生成同场景不同角度时，先手动调整结构图（或找参考），再用ControlNet引导
策略二：Image-to-Image
- 以场景基准图为起点，用img2img做变体（换角度、换时间段）
- 调低denoising strength（0.3-0.5），保留更多原图信息
策略三：ComfyUI工作流串联
把角色LoRA + 场景ControlNet + 风格LoRA + Face Swap后处理串成一条自动化工作流。前期搭建需要时间，但一旦跑通，后续每个镜头的生成只需要改Prompt和姿态参考图。这是正式生产的推荐方式。
五、从静态到动态：AI视频生成
这是整个Pipeline中变化最快的环节。2024-2025年视频生成模型的能力经历了数轮跳跃式升级，工具格局每隔几个月就会洗牌。以下是截至2026年初的主流选型。
5.1 主流视频生成模型
图生视频（Image-to-Video）——这是AI短剧的主力模式，因为你可以先用扩散模型精心生成一张起始帧（角色、场景都对），然后让视频模型从这张图"动起来"：
| 模型 | 单次时长 | 分辨率 | 运动幅度 | 可控性 | 价格 | 推荐度 |
|---|---|---|---|---|---|---|
| Kling（可灵） | 5-10秒 | 1080p | 高 | 中高 | 按量付费 | ⭐⭐⭐ |
| Runway Gen-3 | 5-10秒 | 1080p | 中 | 高 | $12/月起 | ⭐⭐ |
| Vidu | 4-8秒 | 1080p | 中高 | 中 | 按量付费 | ⭐⭐ |
| Hailuo（海螺） | 5-6秒 | 1080p | 中 | 中 | 免费额度+付费 | ⭐⭐ |
| Pika | 3-5秒 | 1080p | 中 | 中 | $8/月起 | ⭐ |
文生视频（Text-to-Video）——直接从文字描述生成视频，不需要起始帧。灵活但可控性差，角色一致性难保证：
| 模型 | 特点 | 适用场景 |
|---|---|---|
| Sora | 画质高、运动自然，但排队久 | 不需要角色一致性的空镜头、过场 |
| Veo 2 | Google出品，物理合理性好 | 风景、环境镜头 |
| 可灵文生视频 | 中文Prompt支持好 | 快速验证想法 |
一人剧组的推荐策略：
- 主力用图生视频（img2v），因为可以精确控制起始帧
- 空镜头和过场可以用文生视频，这些镜头不涉及角色一致性
- 不要迷信单一模型，不同镜头用不同模型是正常的
- 每个镜头生成3-5个版本，挑最好的那个
5.2 镜头语言与运镜控制
这是技术人员最容易忽略的部分。好的镜头语言能让你的短剧从"AI Demo"变成"有质感的作品"。
常用镜头术语速查：
| 中文 | 英文 | 效果 | 短剧常用场景 |
|---|---|---|---|
| 推 | Push in / Dolly in | 逐渐靠近，制造紧张感 | 悬疑揭秘、角色发现关键线索 |
| 拉 | Pull out / Dolly out | 逐渐远离，揭示全貌 | 开场建立场景、结尾情绪释放 |
| 摇 | Pan | 水平转动，展示空间 | 展示场景全貌、跟随角色视线 |
| 移 | Tracking | 跟随主体移动 | 角色行走、追逐 |
| 升 | Crane up / Tilt up | 向上运动，壮阔感 | 仰望建筑、角色起身 |
| 降 | Crane down / Tilt down | 向下运动，压迫感 | 俯瞰场景、角色倒下 |
| 固定 | Static | 不动，稳定感 | 对话、特写、情绪沉浸 |
在Prompt中描述运镜（中英文对照）：
# 缓慢推进 → 特写
"slow dolly in towards the character's face, starting from medium shot to close-up"
# 水平摇镜展示场景
"slow pan from left to right, revealing the entire room"
# 从高处降下
"camera slowly descends from bird's eye view to eye level"
# 固定镜头，角色走入画面
"static camera, character walks into frame from the left side"
运镜参数控制：
不同视频模型提供了不同程度的运镜控制：
- Runway Gen-3：Motion Brush功能，可以在画面上标记哪些区域动、哪些不动，以及运动方向
- 可灵：Camera Control面板，可以选择预设运镜模式（推、拉、摇等），也可以自定义运动轨迹
- 文本控制：所有模型都支持在Prompt里描述运镜，但执行精度不一
5.3 动作与表演控制
角色动作引导有两种方式：
- 文本描述：在Prompt中详细描述动作。简单动作（走路、转身、点头）效果还行，复杂动作（打斗、舞蹈）基本不可控
- 参考视频驱动：有些模型支持上传一段参考视频，让生成的视频模仿参考视频中的动作。可灵的"参考运动"功能就是这个思路
**口型同步（Lip Sync）**是让角色"说话"的关键技术。因为视频模型生成的角色不会真的说话，你需要在后处理阶段让角色的嘴型和配音对上。
主流方案：
| 工具 | 原理 | 效果 | 适用场景 |
|---|---|---|---|
| MuseTalk | 音频驱动面部下半部分 | 较自然 | 正面和小角度侧面 |
| SadTalker | 音频+3DMM驱动头部和面部 | 头部有动作 | 半身以上镜头 |
| Wav2Lip | 直接替换嘴型区域 | 嘴型准但可能有贴图感 | 快速处理 |
| LivePortrait | 表情系数驱动 | 最自然但需调参 | 高质量特写 |
一人剧组建议：口型同步是耗时大户。两个省时策略——第一，尽量用旁白代替对话（旁白不需要口型同步）；第二，对话镜头优先用中景和远景，嘴型不那么明显。只有关键的特写对话才需要做精确的Lip Sync。
六、素材修复与后处理
这是大纲里新补充的环节，但实际制作中它占的时间可能比你想象的多。AI生成的素材几乎从不是"拿来就能用"的——需要修、需要补、需要提升。
6.1 常见问题与修复方案
| 问题 | 出现频率 | 修复工具 | 修复方式 |
|---|---|---|---|
| 分辨率不足 | 非常频繁 | Real-ESRGAN / Topaz Video AI | 超分辨率放大 |
| 画面闪烁 | 视频帧间不一致 | RIFE / Flowframes | 帧插值平滑 |
| 角色面部崩坏 | 偶发 | FaceFusion / 局部重绘 | Face Swap或Inpainting |
| 手部畸形 | 非常频繁 | Inpainting手动修复 | 局部重绘或裁剪规避 |
| 物理穿帮 | 偶发 | 无好的自动方案 | 换镜头角度规避 |
| 运动不自然 | 频繁 | 调整生成参数重新生成 | 选择最好的版本 |
6.2 超分辨率
视频生成模型的原生分辨率往往不够用。短视频平台需要1080p，但很多模型生成的是720p甚至更低。超分辨率是必经步骤。
推荐工具：
- Topaz Video AI：效果最好的商业方案，支持视频超分+补帧+去噪一站式处理。价格$199买断。如果预算允许，这是最省心的选择
- Real-ESRGAN：开源的图像超分模型，对视频需要逐帧处理。效果好，但慢
- 在线API：部分视频生成平台（如可灵）内置了超分选项
6.3 帧间一致性修复
AI生成的视频最常见的问题是帧间闪烁（flickering）——前一帧和后一帧的颜色、光影突然跳变。这在多个片段拼接时尤其明显。
修复思路：
- 帧插值：用RIFE（Real-Time Intermediate Flow Estimation）在关键帧之间插入过渡帧，平滑跳变
- 去闪烁滤镜：DaVinci Resolve的Deflicker效果、After Effects的闪烁消除
- 预防优于修复：生成视频时降低运动幅度参数，帧间一致性通常更好
七、配音与音效：声音的AIGC
没有声音的短剧不是短剧。声音是AI短剧中经常被低估但对观感影响巨大的环节。
7.1 AI配音
TTS工具选型：
| 工具 | 语言支持 | 音色质量 | 情感表达 | 声音克隆 | 价格 |
|---|---|---|---|---|---|
| ChatTTS | 中文为主 | 高 | 中 | 不支持 | 免费开源 |
| Fish Audio | 中英文 | 高 | 中高 | 支持（少样本） | 按量付费 |
| ElevenLabs | 多语言 | 极高 | 高 | 支持 | $5/月起 |
| 火山语音合成 | 中文 | 高 | 中 | 支持 | 按量付费 |
| GPT-SoVITS | 中文为主 | 高 | 中高 | 支持（3-10秒样本） | 免费开源 |
声音克隆实操：
用3-10秒的音频样本就能克隆出一个角色的专属音色。这意味着你可以让所有角色都有独特的声音。
操作步骤（以GPT-SoVITS为例）：
- 准备一段3-10秒的干净语音样本（无背景音乐、无噪音）
- 上传样本并训练声纹模型（约5-15分钟）
- 输入台词文本，选择训练好的声纹，生成配音
- 调整语速、停顿、情感参数
情感语调控制技巧：
TTS最大的痛点是"没有感情"。几个改善方法：
- 在文本里用标点控制节奏——逗号短暂停顿，省略号拉长停顿，感叹号提高语气
- 分句生成：把一段台词拆成多句分别生成，每句调不同的情感参数，最后拼接
- 实在不行的关键台词，自己录音。一人剧组的"一人"包括你自己的声音
- 多角色对话时，确保不同角色的音色差异足够大，观众才能分辨
7.2 AI配乐
Suno和Udio是目前最好用的AI作曲工具，可以通过文字描述生成完整的背景音乐。
Prompt写法公式：[风格] + [情绪] + [节奏] + [乐器] + [用途]
# 悬疑场景BGM
dark ambient, suspenseful, slow tempo, piano and strings,
background music for a thriller scene, no vocals, cinematic
# 温暖结尾BGM
warm acoustic, hopeful, moderate tempo, guitar and soft piano,
ending credits music, gentle, emotional, no vocals
关键点：加上no vocals（无人声），否则AI可能会生成带歌词的歌曲，这在BGM场景下通常不合适。
音乐版权说明：用Suno/Udio生成的音乐，付费用户通常拥有商用权。但政策可能变化，正式发布前建议确认当前的使用条款。
7.3 音效设计
音效（Sound Effects / Foley）是很多人忽略的细节，但它对画面的"真实感"贡献巨大。一个人走进房间的脚步声、关门声、键盘敲击声——这些细小的声音让画面从"动画"变成"影片"。
获取音效的方式：
- ElevenLabs Sound Effects：输入文字描述生成音效（如"heavy rain on window"）
- 免费音效库：Freesound.org、Pixabay Audio、Mixkit
- 自己录制：用手机录一些常用音效（脚步声、开门声），真实度最高
音效匹配策略：
- 环境音（Ambient）是底层，全程铺底：办公室的空调声、街道的车流声、雨声
- 动作音（Foley）对应画面中的具体动作：脚步、开门、放杯子
- 情绪音（Stinger）用在关键节点：悬疑揭秘的"duang"、反转时的音效
八、后期合成与剪辑：从素材到成片
8.1 素材管理规范
在开始剪辑之前，先整理素材。一部3分钟的短剧可能产生数百个文件——几十张角色图、几十段视频片段、十几条配音、若干音效和配乐。没有好的文件组织，你会被淹没。
推荐的目录结构：
project_name/
├── 01_script/ # 剧本和分镜
│ ├── script_v3.md
│ └── storyboard.json
├── 02_characters/ # 角色资产
│ ├── linxiao/
│ │ ├── ref_images/ # 参考图
│ │ ├── lora/ # LoRA文件
│ │ └── voice/ # 声纹样本
│ └── zhangpeng/
├── 03_scenes/ # 场景图
│ ├── S01_office/
│ └── S02_street/
├── 04_video_raw/ # 原始生成视频
│ ├── S01-C01_v1.mp4
│ ├── S01-C01_v2.mp4 # 同一镜头的多个版本
│ └── S01-C01_v3.mp4
├── 05_video_processed/ # 处理后的视频（超分、Face Swap、Lip Sync）
├── 06_audio/ # 音频素材
│ ├── dialogue/ # 配音
│ ├── bgm/ # 背景音乐
│ └── sfx/ # 音效
├── 07_edit/ # 剪辑工程文件
└── 08_output/ # 最终成片
命名规范：S[场次]-C[镜号]_v[版本号]，例如S01-C03_v2.mp4表示第1场第3个镜头的第2版。这个命名直接对应分镜表，回溯方便。
8.2 剪辑工具选型
| 工具 | 适合人群 | 优势 | 劣势 |
|---|---|---|---|
| 剪映 | 新手 | 中文界面、AI字幕极好、模板多 | 专业功能有限 |
| DaVinci Resolve | 想学专业工具的人 | 免费版功能强大、调色一流 | 学习曲线陡 |
| Premiere Pro | 已有Adobe订阅的人 | 生态完善、教程多 | 价格贵 |
| CapCut（海外版剪映） | 做海外发布 | 直接导出到TikTok | 功能同剪映 |
一人剧组推荐：新手直接用剪映，不要在剪辑工具上花太多学习时间。剪映的AI字幕功能（基于Whisper）非常准确，自动生成+手动校对比从头添加快得多。
8.3 转场与节奏
AI生成片段之间的衔接是剪辑最头疼的问题。因为每个镜头是独立生成的，画面风格、光影、角色姿态在镜头切换时几乎必然有跳变。
处理策略：
- 硬切为主：短剧的快节奏本身就允许频繁硬切，不需要每个镜头之间都加转场
- 音频过渡：在视频硬切的同时让音频（配乐或环境音）连续，听觉上的连贯能弥补视觉上的跳变
- 插入过渡镜头：在两个差异很大的镜头之间插入一个空镜头（场景、物品特写），作为视觉缓冲
- 统一调色：在剪辑软件中对所有片段做统一的色调调整（LUT），拉近画面风格差异
8.4 字幕与包装
字幕：用Whisper或剪映的AI语音识别自动生成字幕，然后人工校对。短视频平台的内容字幕几乎是必需的，因为大量用户在静音状态下浏览。
片头片尾：不需要复杂。一张用AI生成的标题卡（把短剧标题打在场景图上）+ 片尾的制作信息就够了。在Canva或直接用AI图像生成工具都能快速完成。
九、完整实战案例：一部3分钟都市悬疑短剧的诞生
下面用一个具体案例走通全流程，展示每一步实际做了什么、用了什么工具、花了多少时间。
案例概述
- 题材：都市悬疑——《最后一条消息》
- 梗概：一名女程序员深夜收到一条来自已故同事手机的消息，顺藤摸瓜发现同事的"意外死亡"另有隐情
- 角色：2人（女主林晓 + 已故同事张鹏的影像/照片）
- 场景：3个（办公室、公寓、天台）
- 目标时长：3分钟，约10个镜头
各环节实操记录
| 环节 | 使用工具 | 耗时 | 产出 | 踩坑记录 |
|---|---|---|---|---|
| 剧本 | Claude | 2小时 | 分场剧本+分镜JSON | 第一版对话太书面，改了三轮 |
| 角色设计 | Midjourney + FLUX | 3小时 | 每个角色8张参考图 | 林晓的短发风格一直生成不稳定 |
| 角色LoRA | Kohya_ss | 1小时训练 | linxiao_v2.safetensors | 第一版过拟合，降低训练步数解决 |
| 场景生成 | ComfyUI + FLUX | 2小时 | 3套场景基准图 | 办公室场景的透视关系反复调整 |
| 视频生成 | 可灵 + Runway | 8小时 | 10个镜头×3-5版本 | 最耗时环节，大量时间在等待和筛选 |
| Face Swap | FaceFusion | 1小时 | 10段修正后视频 | 天台镜头因为侧脸过大效果不好 |
| 超分辨率 | Topaz Video AI | 2小时（跑批） | 1080p视频 | 机器跑的，人不需要盯着 |
| 配音 | GPT-SoVITS + 自己录旁白 | 2小时 | 全部台词音频 | 关键独白自己录效果更好 |
| 配乐 | Suno | 30分钟 | 2段BGM | 一次出了满意的，运气好 |
| 音效 | Freesound + ElevenLabs | 1小时 | 15条音效 | 主要是键盘声和脚步声 |
| Lip Sync | MuseTalk | 2小时 | 3个对话镜头的口型同步 | 只处理了近景对话，远景不需要 |
| 剪辑 | 剪映 | 4小时 | 成片初剪+精剪 | 节奏调整花了大量时间 |
| 字幕+包装 | 剪映 | 1小时 | 最终成片 | — |
| 总计 | — | 约30小时（4-5天） | 3分钟成片 | — |
关键教训
- 视频生成是最大的时间黑洞。不是因为单次生成慢，而是因为你需要反复生成、等待、评估、调整参数再重新生成。一个镜头平均生成5次以上才能得到可用的版本
- 不要追求完美。AI生成的画面一定有瑕疵——手指可能不对、背景可能有穿帮。学会用剪辑手段规避（裁剪、转场、调色），而不是死磕到完美
- 声音比你想象的重要。同样的画面，配上好的配音、配乐和音效后，质感提升是量级的
- 先跑通再优化。第一遍用最快的方式跑通全流程（哪怕每个环节都用最简单的方案），理解全局后再回头逐个环节优化
十、项目管理与资产管理
一人剧组的"管理"听起来多余——就一个人，管什么？但当你面对几百个文件、几十个Prompt、十几个模型版本时，没有管理就是混乱。
10.1 Prompt版本管理
每个镜头使用的Prompt、参数（Seed、CFG Scale、步数）、LoRA配置，都应该记录下来。推荐用一个简单的JSON或CSV文件追踪：
{
"shot_id": "S01-C03",
"tool": "ComfyUI + FLUX",
"prompt": "...",
"negative_prompt": "...",
"seed": 42,
"lora": "linxiao_v2, weight=0.85",
"controlnet": "dwpose, weight=0.7",
"cfg_scale": 7.5,
"steps": 30,
"selected_version": "v3",
"notes": "v1 手部崩坏，v2 表情不对，v3 可用"
}
这不是强迫症——当你需要重新生成某个镜头时（这会经常发生），没有记录就意味着从零开始试参数。
10.2 时间管理
一人剧组最大的风险是在某个环节陷入完美主义。建议为每个镜头设一个时间上限：
- 单个镜头的视频生成：最多尝试10次，超过就换方案或换镜头设计
- 单个角色的LoRA训练：最多3个版本，选最好的那个用
- 单个镜头的Lip Sync：如果效果不好，改用远景或旁白替代
10.3 质量检查清单
每个镜头完成后过一遍：
- 角色面部是否一致（和参考图对比）
- 手部是否正常（AI最常出问题的部位）
- 运镜是否符合分镜要求
- 画面风格是否与其他镜头统一
- 音画是否同步
- 时长是否符合预期
十一、工具链速查表
按流程阶段整理的工具推荐：
| 阶段 | 工具 | 类型 | 价格 | 难度 | 推荐度 |
|---|---|---|---|---|---|
| 剧本/分镜 | Claude / ChatGPT | LLM | 免费-$20/月 | ★ | ⭐⭐⭐ |
| 角色概念图 | Midjourney | 图像生成 | $10/月 | ★ | ⭐⭐⭐ |
| 角色/场景生产 | FLUX (ComfyUI) | 图像生成 | 免费（本地） | ★★★ | ⭐⭐⭐ |
| LoRA训练 | Kohya_ss | 模型训练 | 免费 | ★★★ | ⭐⭐ |
| 姿态控制 | ControlNet (DWPose) | 引导生成 | 免费 | ★★★ | ⭐⭐⭐ |
| 视频生成 | 可灵 / Runway | 视频生成 | 按量付费 | ★★ | ⭐⭐⭐ |
| Face Swap | FaceFusion | 面部替换 | 免费 | ★★ | ⭐⭐⭐ |
| 超分辨率 | Topaz Video AI | 视频增强 | $199买断 | ★ | ⭐⭐⭐ |
| 口型同步 | MuseTalk / SadTalker | Lip Sync | 免费 | ★★★ | ⭐⭐ |
| 配音 | GPT-SoVITS / Fish Audio | TTS | 免费/按量 | ★★ | ⭐⭐⭐ |
| 配乐 | Suno | AI作曲 | 免费-$10/月 | ★ | ⭐⭐⭐ |
| 音效 | ElevenLabs SFX | AI音效 | $5/月起 | ★ | ⭐⭐ |
| 剪辑 | 剪映 / DaVinci Resolve | 视频编辑 | 免费 | ★-★★★ | ⭐⭐⭐ |
| 字幕 | Whisper / 剪映 | 语音识别 | 免费 | ★ | ⭐⭐⭐ |
| 工作流引擎 | ComfyUI | 节点编排 | 免费 | ★★★★ | ⭐⭐⭐ |
ComfyUI核心节点清单
如果你决定用ComfyUI搭建生产工作流，以下节点是短剧制作中最常用的：
| 节点/插件 | 功能 | 必要程度 |
|---|---|---|
| ComfyUI Manager | 节点管理器，一键安装其他插件 | 必装 |
| FLUX模型节点 | 加载和运行FLUX模型 | 必装 |
| LoRA Loader | 加载角色LoRA | 必装 |
| IP-Adapter | 图片参考引导 | 推荐 |
| ControlNet | 姿态/深度/边缘引导 | 必装 |
| DWPose | 骨骼姿态检测 | 推荐 |
| ReActor | 面部替换 | 推荐 |
| Face Restore (GFPGAN/CodeFormer) | 面部增强修复 | 推荐 |
| Ultimate SD Upscale | 图像超分 | 推荐 |
十二、法律与版权须知
这一节不算技术内容，但如果你打算发布作品（尤其是商业用途），必须了解。
AI生成内容的版权现状
截至2026年初，AI生成内容的版权归属在全球范围内仍处于法律灰色地带。几个关键点：
- 纯AI生成的内容在大多数法域下目前不受版权保护（因为缺乏"人类作者"）
- 人+AI协作的内容（人类做了实质性的创意选择和编排）有更强的版权主张基础
- 训练数据争议仍在进行中，部分模型的训练数据来源有法律风险
- AI短剧作为"人类导演+AI渲染"的产物，本身是人类创意选择的结果，版权立场相对有利
实操建议
- 发布到部分平台时需要标注AI生成内容（各平台政策不同，发布前查看最新规定）
- 使用AI生成的音乐如果要商用，确认所用工具（Suno/Udio）的当前付费计划是否授予商用权
- 角色形象如果参考了真人照片训练LoRA，注意肖像权问题
- 保留完整的创作过程记录（Prompt、中间产物、人工修改记录），有助于在版权争议中证明人类的创意贡献
十三、发布与分发
做完了不发出去，相当于没做。不同平台对视频有不同的技术要求和内容偏好。
平台适配速查
| 平台 | 推荐分辨率 | 时长限制 | 横竖屏 | AI标注要求 | 内容偏好 |
|---|---|---|---|---|---|
| 抖音 | 1080×1920 | 1-15分钟 | 竖屏为主 | 建议标注 | 节奏快、反转强 |
| 快手 | 1080×1920 | 1-10分钟 | 竖屏为主 | 建议标注 | 接地气、情感共鸣 |
| B站 | 1920×1080 | 无限制 | 横屏为主 | 技术向观众欢迎AI标注 | 技术/创意向 |
| YouTube | 1920×1080 | 无限制 | 横屏 | 需标注AI生成 | 质量优先 |
| TikTok | 1080×1920 | 1-10分钟 | 竖屏 | 需标注AI生成 | 创意/新奇 |
封面和文案
- 用AI图像生成工具制作封面图：从成片中选最好看的帧，加上标题文字
- 用LLM生成平台文案：给它看完整剧本，让它写抖音/B站风格的简介和标签
- 不同平台准备不同的封面和文案，不要一套通吃
十四、现实与未来：AIGC短剧的边界在哪
当前技术瓶颈（2026年初）
说了这么多能做的，也必须坦率地说说做不到的：
- 角色一致性仍然不完美。LoRA + Face Swap的组合能达到85-90%的一致性，但在极端角度和表情下仍会穿帮。观众能看出来这是AI做的
- 长镜头（>10秒）的质量急剧下降。当前视频模型最稳定的时长是4-6秒，超过10秒运动就可能崩溃。这意味着你的每个镜头都不能太长
- 多人交互几乎不可能。两个角色握手、拥抱、对打——这些涉及精确物理交互的场景，当前模型处理不了
- 物理合理性不可靠。重力、碰撞、反射——AI不懂物理，它只是在学习"看起来像"的画面
- 情感表演天花板明显。AI角色可以"面部表情是哭"，但很难传达真人演员那种细微的情感层次
对创作者的建议
AIGC短剧领域的工具在快速迭代，今天推荐的工具半年后可能就有更好的替代。但有几样东西不会因为工具迭代而贬值：
审美判断——什么镜头好看、什么节奏舒服、什么故事打动人——这是用任何工具都需要的能力。看电影、看好的短剧、分析它们为什么好看，这个投入的回报期是最长的。
叙事能力——再好的画面也只是载体。能用3分钟讲一个让人记住的故事，这个技能永远稀缺。
工程思维——把整个Pipeline串起来、高效地管理素材和流程、在质量和效率之间做trade-off——这恰好是技术人员的优势。你可能没有影视科班出身的审美训练，但你有系统化思考和工具链搭建的能力。
技术会变，审美和叙事能力不会贬值。当AI能一键生成完美视频的那一天到来时（可能比我们想象的快），能讲好故事的人仍然是最有价值的。
本文是AI短剧系列的实操总览。如果你对其中某个技术环节想深入了解，可以参考系列其他文章：《AIGC人物一致性：技术路径与工程选型》、《构建AI短剧角色Pipeline：从视觉到多模态》、《AI短剧的应用层架构：从视频生成到角色引擎》。