AI漫剧制作全流程：剧本、角色一致性、图生视频与批量生产

很多新手一提到“AI 漫剧”，第一反应就是打开一个生图工具，让 AI 画几张动漫图，再挑一个能动的，往剪映里一扔就算完事。真这么做出来的东西，画风不统一、人物长相飘忽不定、镜头之间没有逻辑，观众看十秒就划走。

AI 漫剧真正难的地方，从来不在某一个工具，而在于把“文本 → 画面 → 声音 → 剪辑”整条流水线串起来。这本质上是一个小型内容生产线的工程问题：剧本怎么拆成分镜，分镜怎么变成角色一致的图片，图片怎么变成有运动的视频，配音怎么让观众不出戏，剪辑节奏怎么卡住情绪。哪一个环节不标准，最终成片就是散装的。

这篇文章就以一个情感向漫剧《后来的我们还能一起走下去吗？》为例，从工具选型、剧本分镜、AI 生图、图生视频、配音、剪辑到批量生产，完整走一遍保姆级实操流程。无论你是短视频运营、内容创业新手，还是想尝试 AI 视频开发的工程师，都可以照着这套流程做出第一条能发布的 AI 漫剧。

1. 先理解 AI 漫剧的完整链路

如果只看单个环节，AI 漫剧很容易让人误以为“AI 什么都能干，我只要动动嘴”。但实际跑通一个作品后你会发现，系统提示词、角色参考图、镜头脚本、配音语气、剪辑节奏……每一项都在影响最终质量。AI 漫剧的理想生产链路大致串联如下：

1. 确定选题与故事走向，控制总时长和集数。
2. 写剧情大纲与完整剧本，确定场景和情绪节点。
3. 把剧本拆成分镜脚本，标注景别、动作、台词、时长。
4. 设定主要角色，生成统一的人物设定图。
5. 按分镜逐镜生成画面，有条件用图生视频生成动态片段。
6. 用 TTS 工具生成配音，并配置多角色音色、情绪。
7. 剪辑合成，添加字幕、BGM、转场和基础音效。
8. 导出校验，检查画风、字幕错别字、音画同步，再发布。

传统漫剧制作需要原画师、动画师、配音演员、剪辑师多人协作，一部几十秒的片子周期可能以天为单位。AI 漫剧把大部分环节压缩成“提示词 + 参考图 + 参数调整”，单个创作者完全可以在几小时内完成一集。代价是流程管理变得更琐碎：素材命名、版本一致性、同角色跨镜头保持，这些都必须自己用工程习惯去约束。

这里先给一个判断：AI 漫剧的爆款属性来自“情感题材 + 强反转 + 精良画面”，而个人的生产优势来自“标准化流程 + 批量产出”。想要真把它做成可持续更新的账号，不能每天靠灵感，而要尽快沉淀出自己的模板库、提示词库和素材命名规范。

2. 工具选型与前置环境准备

AI 漫剧涉及的工具有点多，为了不让你在一开始就被“工具选择”劝退，我把整条链路需要的工具分成五类，并且按“最省事路线”做了优先级排列。

2.1 五类核心工具

如果你是纯新手，我的建议是第一轮不要同时学习五个工具。先用“通义千问/豆包写剧本 → 即梦生成图片 → 即梦/可灵图生视频 → 剪映配音剪辑”这条最轻的路线跑通一集。工具版本和具体界面会频繁更新，以下操作以通用思路为主，你在实际操作时留意官方最新入口。

2.2 环境准备清单

• 一台普通电脑，能够流畅运行浏览器和剪映即可。
• 准备足够的云盘或本地磁盘空间，按素材数量估算，一集 1 分钟左右的漫剧原始素材一般需要 1GB 左右。
• 手机号或邮箱注册上述工具账号，免费额度通常足够新手完成测试作品。
• 剪辑阶段建议使用横屏 16:9 或竖屏 9:16 项目，根据你发布的平台决定。

这里要特别提醒：AI 绘画和视频生成工具往往有使用额度限制，重度生产需要留意套餐策略。具体价格以官方为准，我不会在这里写死某个数字，因为变动太快。更值得关注的是“额度消耗”和“生成失败”两个问题，这决定你的制作成本。

3. 剧本创作：先写好故事，再做分镜

很多新人把 AI 漫剧的重心放在“画面多精美”上，结果剧情空洞，观众根本不关心角色发生了什么。漫剧本质上还是“剧”，情绪是第一位，画面是放大器。

以《后来的我们还能一起走下去吗？》为例，一个情感故事可以拆成六幕：

1. 开场：男女主在雨夜争吵，女主离开。
2. 倒叙：回忆两人初识时甜蜜场景。
3. 冲突：现实问题出现，两人分歧越来越大。
4. 内疚：男主独自回到家，看到女主留下的信。
5. 反转：女主在车站犹豫，男主追出来。
6. 结局：开放式画面，两人在路灯下相望。

写剧本的时候，建议让 AI 文本模型直接帮你生成多版本剧本。你可以用类似下面这种提示词模板：

请帮我生成一个情感向AI漫剧剧本《后来的我们还能一起走下去吗？》，目标时长60-90秒。 要求： 1. 按“开场-倒叙-冲突-内疚-反转-结局”六幕结构组织。 2. 每一幕给出场景描述、角色动作、台词、情绪走向。 3. 台词口语化，适合短视频节奏，每句不超过20个字。 4. 结局要留有余味，不要大团圆也不要有明确分开。 5. 输出格式为分幕表格。

生成剧本后，不要直接拿去生图。你需要人工做一次“精简提纯”：把一段描述压缩成“核心动作 + 情绪关键词”。例如“女主站在雨里回头，眼里含泪”是画面描述，而“她内心矛盾、不甘、失望”是情绪描述，这两者都要反映在后续晴雨提示词里。

好的剧本不只提供台词，还提供“每镜头的情绪基准”，这是之后写生图提示词最关键的灵感来源。

4. 分镜脚本：把剧本翻译成镜头语言

分镜脚本是剧本和 AI 画面之间最重要的“翻译层”。没有分镜脚本，你会发现自己的图片经常偏离故事要表达的情绪。分镜不需要画得多专业，用表格把每个镜头的要素写清楚就行。

4.1 分镜表格模板

编写分镜时有几个技巧：

• 景别要清晰：远景定环境，中景看动作，近景看表情，特写打情绪。
• 每个镜头只表达一个主要动作，不要写“女主转身、上车、又回头”这种多动作镜头，AI 生动态图时很难处理，静态图片也容易混乱。
• 台词要短，每句 5 到 15 个字最合适，方便配音和字幕。
• 时长控制在 2 到 5 秒之间，一个 90 秒视频大约需要 20 到 30 个镜头。

分镜完成后，你会得到一份结构清晰的“生产订单”。后续生成每张图时，只需要把镜头描述丢给生图工具，再配合统一角色参考图，就能保证画面基本可控。

4.2 生成分镜描述

为了让生图工具更好地理解画面，建议把分镜表格中的画面内容改写成“结构化提示词段落”，参考格式：

镜头03： 夜晚城市街道，大雨倾盆，忧郁的蓝色色调。 一把透明雨伞躺在湿漉漉的地面上，边缘沾着水珠。 没有人物，画面干净但孤独，电影感，强景深。

这种描述包含“环境、主体、氛围、镜头质感”四个维度，比单纯写“一把雨伞”要稳定得多。后续我会在生图部分继续讲如何扩展成完整提示词。

5. AI 生图实操：从角色参考图到分镜图

AI 漫剧最容易暴露新手身份的地方，就是画面不一致。第一集里女主角脸型是这样，第二集突然变成另一个人，观众立刻出戏。所以角色一致性是 AI 漫剧生产线的核心难点。

5.1 角色一致性两种主流方案

线上工具一般提供“角色参考图/垫图/种子”能力，核心思路是让 AI 基于同一张角色图去生成新画面。具体分为：

1. 上传角色参考图：在即梦、可灵等工具中，生成新图片时选择指定参考图作为角色依据。
2. 固定种子值：在 Stable Diffusion WebUI 里，通过固定 seed 和控制网络来保持人物特征，但需要本地显卡支持，新手门槛高。

对于第一篇作品，推荐直接用“参考图方案”。具体做法是：先单独生成一张你最满意的女主角正面半身图，标记为“角色原型图”；之后每个镜头的生图任务都上传这张原型图，并在提示词中强化要保留的特征。

角色原型：年轻女生长发，米白色毛衣，温柔脸型，自然妆容。 场景：夜晚街头，雨滴打在她脸上，眼神疲惫而失望。 镜头：中近景，摄影机稍微仰拍，电影感，浅景深。

有的工具还支持“多图参考”：一张参考角色，一张参考衣服或场景。这样画面稳定性会更高。需要注意，图像生成模型并不能保证 100% 一致，分镜图生成后一定要人工检查，重点看脸型、发型、衣服颜色三个最容易出错的地方。

5.2 画风统一模板

除了人物一致，整体画风也要统一。建议在每张图的提示词末尾都追加统一风格词，比如：

日系治愈系动漫风，细腻水彩质感，柔和光源，电影级构图，4K。

这套“风格后缀”不要频繁改动，否则整部片子看起来像拼盘。我建议把风格后缀单独保存在笔记软件里，每次生成图时直接复制粘贴。

5.3 图片生成的通用步骤

1. 打开生图工具，选择“图片生成”模式。
2. 上传角色参考图。
3. 粘贴分镜脚本中的画面描述，并补充“角色原型 + 场景 + 景别 + 风格后缀”。
4. 设置比例，抖音/B站竖屏短视频一般选 9:16，横屏选 16:9。
5. 生成 2 到 4 张候选图，挑选最贴近分镜的一张。
6. 如果不满意，优先修改提示词，而不是重新抽卡。

如果你是第一次操作，建议先做“单镜头测试”，不要一口气生成 30 张图。等确认角色脸型和风格稳定后，再批量生产。

6. 图生视频：让静态画面动起来

静态分镜图只是彩色故事板，真正让漫剧“活”起来的是图生视频。图生视频的意思是：你给 AI 一张图片，并告诉它画面里发生了什么运动，AI 会生成一段几秒钟的动态视频。

6.1 图生视频 vs 文生视频

文生视频直接输入文本生成动态画面，看起来简单，但角色一致性很难保证，生成内容也不够可控。图生视频更符合漫剧生产需求：先有确定的画面，再尝试让画面“动起来”。

实际操作时，以可灵、即梦等工具的“图生视频”功能为例，流程是：

1. 上传你在生图阶段选好的分镜图。
2. 输入运动提示词，例如“女主的头发被风吹动，眼泪顺着脸颊流下来，背景雨滴缓慢落下”。
3. 设置时长，大部分工具单段支持 5 到 10 秒。
4. 点击生成，等待渲染，下载合格片段。

6.2 图生视频的提示词写法

图生视频的提示词不需要像生图那样详细描述整个场景，它只需要描述“相对于这张静止图片，画面里发生了什么变化”。

女主角缓缓抬起头，嘴唇微微颤抖，一滴泪从眼角滑落，雨水继续落下，镜头缓慢推近。

一些工具有“运动幅度”参数，数值越大，画面动作越剧烈，但变形风险也随之上升。比如人物转头幅度太大、面部扭曲，就是常见的失败场景。新手建议把运动幅度控制在“轻微”到“中等”，优先保证画面稳定。

6.3 常见失败与补救

• 人物脸部变形：重新生成，或裁剪原图，让参考图更清晰。
• 动作幅度过大：降低运动强度，把动态改成头发、衣服、环境物的飘动。
• 生成结果和分镜不符：把运动提示词写得更窄，一次只说一个动作。

这里我想强调一个容易被忽略的点：不是每个镜头都需要生成视频。纯静态的风景镜头、伞落在地上的特写，有时反而需要用“慢速缩放”处理，让画面稍有一点镜头移动，观众不会有眩晕感。过度运动只会增加生成失败率和后期工作量。

7. 配音：台词、旁白与情绪表达

配音直接影响观众能不能看完你的漫剧。很多 AI 漫剧一眼假，就是因为旁白腔太浓，或者所有角色都用同一个声音。配音并没有想象中复杂，但需要一点工程技巧。

7.1 剪辑中的朗读与 TTS 工具

最省事的方案是直接用剪映的“文本朗读”功能：在剪辑轨道上输入台词，选择系统内置音色，就能生成配音。这种方式适合新手快速出片，缺点是音色可选范围有限，情感表现力一般。

如果需要更自然的多角色配音，可以尝试豆包、火山引擎 TTS 等语音合成服务，通常支持多个情感标签，例如“开心、悲伤、愤怒、温柔”。你需要在合成之前，把台词按角色和情绪分成不同片段，再分别合成，而不是把整段台词一次性全部朗读。

7.2 配音处理的工程习惯

1. 每句台词单独建一个文本块，方便逐句调整时长。
2. 在文本中标注情绪提示符，例如“[悲伤]”“[低声]”，不同 TTS 支持的标记不同。
3. 多角色尽量用不同音色，男女主分开，旁白用第三人称叙事音色。
4. 检查语速，短视频配音一般要略快于日常语速，避免拖沓。
5. 导出配音文件后，命名格式建议包含集数和镜头号，例如ep01_shot03_woman_voice.mp3。

配音生成后，还要花时间对齐音画。AI 漫剧观众对音画不同步非常敏感，口型对不上可以接受，但台词出现时画面还在上一个镜头就很影响体验。

8. 剪辑合成：节奏、字幕与 BGM

剪辑是 AI 漫剧制作的最后一道关卡，也是决定作品水品的隐形因素。两个完全相同的素材，一个按情绪节奏剪，一个把所有镜头按顺序堆放，观感差距是巨大的。

8.1 剪映中的多轨道组织方式

建议把剪辑工程划分为以下轨道：

1. 视频轨道：存放图生视频生成的片段，按镜头顺序排列。
2. 音频轨道1：角色配音。
3. 音频轨道2：旁白/独白。
4. 音频轨道3：BGM 和音效。
5. 文本轨道：字幕、标题、片尾。

剪映操作时，先把视频片段按分镜顺序全部拖入，粗剪出“故事骨架”；再加入配音，通过拖动音频位置，让每条配音对应到正确镜头；最后加字幕和 BGM。

8.2 转场与情绪的匹配

• 回忆场景：使用“闪白”或“轻微模糊”转场，表示时空切换。
• 情绪爆发：直接硬切，不要用花哨转场。
• 悬念结尾：使用“叠化”慢慢隐黑，留给观众余味。

BGM 选择比很多人想象中重要。情感类漫剧优先选择钢琴、弦乐类纯音乐，音量不要压过配音。建议在 BGM 上加自动关键帧，在台词间隙调低音量，在无台词镜头推高音量，形成呼吸感。

8.3 字幕处理

AI 生成的字幕经常有错别字，特别是人名、语气词。导出前一定要逐句检查，把“那”改成“哪”、“他”改成“她”这种错误修正干净。剪映的“智能字幕”可以自动生成，但必须人工校对，这是专业感和廉价感之间非常明显的一道分界线。

最后导出设置上，如果要发抖音/B站竖屏短视频，按平台要求选择 9:16；如果做中视频合集，建议 16:9，方便电脑端观看。

9. 批量生产与工程化：把“单集灵感”变成“稳定产能”

单集跑通只是第一步。如果你想做系列型 AI 漫剧，最需要搭建的是“批量生产流水线”。此时你已经不是在“创作”，而是在做小批量内容生产，建议引入简单的工程化方法。

9.1 素材命名规范

建议用下面这种规则统一管理素材：

ep01_shot01_character_base.png // 角色原型图 ep01_shot02_bg_nightstreet.png // 场景图 ep01_shot03_video.mp4 // 图生视频片段 ep01_shot03_woman_voice.mp3 // 女配音 ep01_shot04_man_voice.mp3 // 男配音

统一命名的好处是，万一某一集需要重做，你可以在文件管理器中一眼找到对应素材，不用反复打开剪辑工程查看。

9.2 Python 批量重命名示例

如果你已经有大量导出文件，文件名混乱，可以写一个小脚本批量整理。下面是以 Python 为例的简单重命名脚本：

# 文件路径：rename_assets.py import os import re folder = r"D:\ai_manhua\ep01_raw" pattern = re.compile(r"output_(\d+)\.(mp4|png|jpg)$") rename_map = { 1: "ep01_shot01_character_base.png", 2: "ep01_shot02_bg_nightstreet.png", 3: "ep01_shot03_video.mp4", } for filename in os.listdir(folder): match = pattern.match(filename) if match: seq = int(match.group(1)) if seq in rename_map: old_path = os.path.join(folder, filename) new_path = os.path.join(folder, rename_map[seq]) os.rename(old_path, new_path) print(f"重命名：{filename} -> {rename_map[seq]}")

这个脚本只是一个演示，实际使用时，你需要根据自己目录里的文件命名规则调整pattern和rename_map。在执行任何批量重命名之前，建议先在测试副本上运行，避免误操作。

9.3 FFmpeg 合并音视频示例

当你需要把配音、BGM 和视频片段合成一个文件时，如果嫌剪辑软件导出慢，可以用 FFmpeg 做轻量合并。这里只演示单段音视频的合并：

# 将 video.mp4 和 audio.mp3 合成为 output.mp4 ffmpeg -i ep01_shot03_video.mp4 -i ep01_shot03_woman_voice.mp3 \ -c:v copy -c:a aac -shortest ep01_shot03_final.mp4

注意：FFmpeg 属于命令行工具，如果你不熟悉，不必强求，剪映等软件也能完成相同操作。但如果你要批量处理上百个片段，脚本化会节省大量时间。

9.4 批量生产检查单

在每次发布前，建议人工走一遍检查单：

10. 常见问题与排查思路

新手在做 AI 漫剧时，绝大多数问题不是模型能力不够，而是操作流程不规范。下面这些是高频问题，可以直接对照排查。

还有一个非常隐性的问题：忘记“情感弧线”。假设所有镜头画面质量都很高，但情绪高潮和低谷没有区分，观众会觉得“好看但没感觉”。建议在剪辑时把情绪标记出来，例如 01-03 镜头是“紧张”，04-06 镜头是“回忆温馨”，07-09 镜头是“悲伤”。当你把镜头按情绪重新排列后，节奏感会好很多。

11. 最佳实践与避坑建议

最后，从实际生产角度补充几条值得长期坚持的方法论。

第一，建立自己的“提示词资产库”。把写剧本、生成图、图生视频、配音时常用的高质量提示词模板保存下来。每完成一集，就把其中效果好用的句子沉淀下来，下次直接用。时间一长，你会拥有一套私人效率资产。

第二，优先维护 2 到 3 个角色。系列漫剧不要一次性引入太多主角。AI 生成工具对“多个角色同屏”的控制力仍然有限，角色越多，一致性维护成本越高。千万不要用“奇幻群像”作为第一部作品，失败率极高。

第三，分镜脚本一定要写清楚“动作的主语”。提示词里如果只写“站在路边看到信，眼神变了”，AI 会分不清是“谁”看到了信。正确写法是“女主独自站在路边，低头看到那封信，眼神从惊讶变为难过”。

第四，关于内容安全与版权，这里必须认真说一遍：不要直接使用未授权的真人肖像、品牌 LOGO、音乐或影视片段；AI 生成的图片和视频，也要遵守各平台关于 AI 内容标注的要求。短视频平台对 AI 创作内容的信息披露规则会不断变化，发布前应主动查看平台最新公告。这不是套话，而是关系到账号能否长期运营。

第五，用迭代代替追求完美。第一集不要奢求画面和叙事全部一流，先完整跑通流程。第二集再去优化角色一致性，第三集再研究剪辑节奏。AI 工具更新速度很快，停留在“收藏教程”阶段没有任何价值，只有真正导出第一条成片，你才会理解问题出在哪里。

如果把 AI 漫剧看作一个内容系统，那么你在这篇文章里学到的不只是“怎么用某个工具”，而是一条从创意到成品的完整生产管线。这条管线里的每一步都可以持续优化：剧本结构可以更严谨，分镜可以更细腻，角色一致性可以更稳定，配音情绪可以更丰满。

今天就可以试着做第一件小事：选择一个你熟悉的情感故事，用文本模型生成剧本，然后拆出 6 个镜头，生成 6 张图，剪出 20 秒的初版。你能做出来的第一版，会比你想应该做出来的版本更重要。