AI漫剧全流程实战：从剧本分镜到成片交付的稳定方法论

很多人接触 AI 漫剧，是从一张惊艳的静帧图开始的。

我在创作者社群里见过同一个场面：有人用即梦生成一张古风角色图，评论区一片惊叹，然后就没有然后了。问原因，回答大多是“图好出，故事不好接”“人物一到下一个镜头就变脸”“配音和画面总是对不上”。

这里有一个经常被忽略的事实：单张图可以靠抽卡，一部剧不能靠运气。AI 漫剧的全流程拆开看，剧本、分镜、静帧、视频、配音、剪辑，每个环节都有对应工具。但真正拉开差距的，不是“会用工具”，而是能不能把这六个环节串成一条稳定、可控、可复用的流水线。

这篇文章我想从实操角度拆一遍这条链路。重点不是推荐哪个工具最猛，而是帮你建立一套判断标准：什么阶段该做什么，为什么这么做，以及出问题时先查哪里。

1. 先搞清楚：AI 漫剧真正难的不是单点工具，而是流程编排

1.1 为什么“教程全看了，自己还是做不出来”

很多新手第一次接触 AI 漫剧，会先找工具教程。比如即梦怎么出图、豆包怎么写提示词、剪映怎么加字幕。单独看每一步都觉得不难，可真到自己手里，问题就变成一串连锁反应：

剧本写得像小说，没有镜头感，到了即梦里不知道该怎么分成静帧；静帧生成了一张好看的脸，但下一个场景换了个角度，人物就变成了另一个人；好不容易做出一段视频，配音和字幕对不上，剪映里来回拖也卡不出节奏。

这说明一个问题：教程解决的是“单点操作”，而 AI 漫剧需要的是“流程编排”。单点操作解决的是“某个工具怎么用”，流程编排解决的问题是“多个工具之间的输入输出如何衔接”。

1.2 从“最小可交付单位”开始拆，而不是从“一部剧”开始

我见过最影响进度的想法，是新手一上来就想做一部 30 集的完整漫剧。这个目标太宏大，导致他会在剧本阶段反复修改世界观，在角色设定上纠结发型和衣服，结果一周过去了，连第一集的镜头表都没出来。

更现实的做法是，先定义自己的“最小可交付单位”。我一般建议做成“一条能连续播放 30 秒到 60 秒的竖屏短片片段”，包含：

• 至少 3 到 5 个镜头；
• 一个明确的小情节：比如“主角发现线索，起身追出去”；
• 同一角色在多个镜头里保持视觉一致；
• 有配音、字幕、简单的背景音乐和音效。

这个最小单位不需要完整故事，也不需要复杂转场，但它必须能证明一件事：你已经能把剧本、分镜、静帧、视频、配音、剪辑六段流程接起来了。能接起来，后面扩到 10 集、30 集才有意义；接不起来，素材再多也只是素材。

1.3 给流程设定质量门槛，而不是等渲染完再补救

平时做单张图，不满意可以反复抽卡。但进入 AI 漫剧流程后，每张图都要变成视频素材，每个视频素材都要进剪辑轨道。如果前面的静帧风格不稳定，后面到了剪映里再去修，基本等于重做。

所以，在开始动手前，可以先给流程设几个质量门槛：

• 剧本是否已经拆成了分镜表，而不是一段纯文字；
• 角色参考图是否固定下来了，有没有统一的角色描述；
• 静帧生成后，是否已经检查过脸部、服饰、画幅、背景风格；
• 视频生成前，是否已经确认运动幅度不会导致角色崩脸；
• 配音音色和口型是否能对上，至少要保证情绪和字幕节奏一致。

这些门槛不是“完美主义”，而是为了避免返工。AI 生成工具最大的特点就是不确定性，流程中的每个环节都要考虑如何把不确定性压到最低。越早发现问题，修复成本越低。

2. 剧本阶段：用豆包把故事加工成可执行分镜表

2.1 先把故事梗概变成“角色、场景、事件”三张表

很多人拿到豆包之后，第一句话是“帮我写一个漫剧剧本”。豆包确实能写，但如果你只给它一个开放式需求，它大概率会还给你一段小说式叙述，里面堆满了心理描写和环境描写。这类文字拿去做 AI 漫剧，基本没法用。

因为在视觉生成里，模型不认识“他很纠结”这种心理描写，它只能识别“他在桌前皱眉，手停在空中”这种画面描述。所以剧本阶段的第一步，不是让豆包直接写故事，而是先建立三张表：

• 角色表：每个角色的姓名、年龄、基本外形、服装、标志性配饰、性格关键词；
• 场景表：每场戏发生在什么地方，室内还是室外，古装还是现代，白天还是晚上，核心视觉元素是什么；
• 事件表：每个镜头里角色做什么、看到什么、说什么，下一步是什么。

这三张表做好之后，再把它们喂给豆包，让它基于这些设定去展开情节。这样生成的内容不会跑偏，而且后续做提示词时可以直接复用角色表和场景表里的字段。

2.2 让豆包输出“分镜脚本”，而不是“剧情文案”

我常用的办法是给豆包一个固定输出结构。比如在对话里写：

请基于以下角色设定和场景设定，把这一段剧情改写成分镜脚本。 每个分镜需要包含以下字段： 1. 镜头编号 2. 画面内容（主体、动作、表情、环境） 3. 景别（远景/全景/中景/近景/特写） 4. 镜头运动方式（固定/推近/拉远/横移/跟随） 5. 人物台词 6. 画面备注（视觉风格、光影氛围、情绪基调）

示例输入：

角色设定：林默，23岁，男，穿深灰色长风衣，短发，左耳戴黑色耳钉，性格冷静。 场景设定：深夜城市天台，远处有霓虹灯，下着小雨。 事件：林默发现手机里多了一段录像，内容是朋友被带走，他决定追查下去。

豆包生成的结果通常会更接近可执行分镜。这一步的价值在于，你已经把“画面的信息结构”规定好了，后面生成静帧时，AI 只需要根据每个镜头去填画面即可。

2.3 分镜表字段越细，后面返工越少

在实际项目里，我会把分镜表做成一个表格，字段包括：镜头号、场景、景别、画面内容、角色状态、台词、字幕、时长参考、参考图编号。这里有一个非常容易被忽略的字段：角色状态。

比如“林默走到天台边缘”和“林默发现录像后的惊讶表情”，生成出来的画面是完全不同的。如果分镜表里只写“林默在天台上”，那 AI 模型大概率会自由发挥，出来的图就会和你想象中的剧情脱节。

下面是一个最小分镜表模板示例：

这个模板的好处是，每个镜头都有明确的“画面内容”和“角色状态”。拿到即梦里生成静帧时，不需要再临场发挥，只需要把这一行信息翻译成提示词。

2.4 剧本拆解时的常见问题

用豆包生成分镜时，最容易出现的三个问题是：

第一，角色动作描述太抽象。AI 模型不理解“若有所思”，你要写成“低着头，手指不停敲击桌面，眼睛看向窗外”。

第二，镜头和镜头之间的连续性缺失。比如上一个镜头角色还在白天，下一个镜头突然变成夜晚。这通常是因为分镜表里没有写时间、光线和天气。

第三，台词和画面内容不匹配。人物的台词是长句子，但镜头预计只有 3 秒，配音根本来不及说完。这个问题最好在剧本阶段就控制住：一个镜头里的台词尽量控制在 15 到 20 个字以内，长句就拆成两个镜头。

3. 静帧生成：让即梦稳定出图的四层控制

3.1 一致性不是靠“记住长相”，而是靠“固定参考”

很多人在即梦里生成角色图时，会直接把分镜表里的“画面内容”翻译成提示词，比如“一个年轻男人站在天台边缘，穿灰色风衣”。生成出来大概率是“一张好看但不认识的脸”。

这不是即梦不好用，而是提示词的稳定性不够。AI 图像生成的底层逻辑是概率采样，如果每个镜头的提示词里都少了关键约束，角色就会随机漂移。想让同一角色在多个镜头里保持稳定，常见手段有三种：

• 固定角色描述词：把角色的五官、发型、服装、配饰写成固定字段，每个镜头都复制到提示词里；
• 使用参考图功能：在即梦等工具里传一张已经确定的角色图，作为角色参考；
• 固定种子值：生成满意的图之后，记录种子值，后续构图相同或相近时复用。

这三种手段并不是互相替代的关系。只用角色描述词，生成结果仍然会有偏差；只靠参考图，可能会受角度、光照影响；固定种子值可以提高稳定性，但不能完全控制构图。实际项目里，通常是三者组合使用。

3.2 正向提示词的结构化写法

很多人搜索“即梦2.0 古装剧分镜词”，本质上是在找一组能稳定输出古风分镜的提示词。但真正的稳定性不只来自某一句“魔法词”，而是来自结构。

我一般会把正向提示词写成四个部分：

主体描述 + 动作状态 + 环境背景 + 画风设定

示例：

男性角色林默，23岁，深灰色长风衣，黑色短发，左耳黑色耳钉，表情冷静， 站在高楼天台的栏杆前，低头看着手机，手机屏幕发出冷光， 深夜，城市霓虹灯背景，下着小雨，地面有积水反射灯光， 古风？不对，这里是现代都市悬疑风格，电影感实拍质感，暗色调，细节丰富。

注意，上面示例里的“古风？不对，这里是现代都市悬疑风格”是提示词里的常见负向写法，但在实际使用里最好直接写成“现代都市悬疑风格，电影感实拍质感”，不要加否定词。因为很多模型对否定词的理解并不稳定，你写“不要古风”，它有可能会把“古风”当成一种元素渲染进去。

正确做法是直接描述你想要的画风，把不想要的东西留给负向提示词或反向提示词。

3.3 反推提示词和局部重绘

生成一批静帧后，不可能张张满意。如果发现某一张图的构图很好，但脸部崩了、手部畸形，或者角色衣服细节不对，可以尝试的手段有：

• 先用反推提示词生成出这张图当前的完整描述，再复制回正向提示词里做微调；
• 使用局部重绘功能，只修改脸部、手部、背景等局部区域，而不是整张重新生成；
• 保留满意的角色图，生成后续镜头时作为参考图传入，而不是重新想象角色长相。

这些操作听起来零散，但它们是保持“系列感”的重要方法。漫剧和单张插画最大的区别在于：观众会看到同一个角色反复出现，只要其中两个镜头里角色长相不一致，整个叙事就会立刻出戏。

3.4 静帧成片前的检查顺序

如果生成后的画面总是出现角色不稳定、色彩不一致、构图偏出等问题，建议按这个顺序排查：

1. 先检查参考图：参考图是否正确上传，是否被误裁剪、误旋转；
2. 再检查角色描述词：是否每个镜头都保持了同样的核心字段；
3. 然后检查环境描述：光线、天气、时间段是否与分镜表一致；
4. 最后检查参数：分辨率、画幅比例、种子值、负面提示词是否变化。

很多时候你以为是大模型抽风，其实只是上一张图的参考图没传，或者某个镜头复制提示词时漏了“浅灰色风衣”里的“浅”字。

4. 图生视频：从“一张好看的图”到“一段能用的镜头”

4.1 图生视频的输入方式，决定镜头叙事上限

有了静帧之后，接下来就是把图变成视频。市面上不少工具支持视频生成，常见输入方式有三种：文生视频、图生视频、首尾帧生成。

在漫剧流程里，我更建议大家优先使用图生视频，而不是直接文生视频。原因是文生视频的随机性更大，画面细节和角色长相很容易漂移；图生视频至少能锁定一张已经满意的画面。首尾帧生成则适合做“角色从 A 动作到 B 动作”的过渡，但参数控制相对复杂，新手阶段先不用急着上。

图生视频的核心目标，不是让画面“动得越多越好”，而是让画面“在保持角色一致的前提下动得自然”。如果输入是一张静态角色图，生成视频后角色突然转头、嘴部乱晃、身体变形，这条视频基本是用不了的。

4.2 关键参数不是“拉满”，而是“刚好”

不同版本和不同工具的参数名称会略有差异，但通常都涉及：运动幅度、生成时长、种子值、画面比例。第一次使用时不要一股脑拉满所有参数，建议先用默认值生成一条，观察运动是否自然，再逐步调整。

几个常见判断：

• 运动幅度：默认或较低值适合慢节奏镜头，比如角色抬头、风吹衣角；较高值适合动作戏，但崩脸概率也会明显上升；
• 生成时长：短片段更容易保持稳定，一个镜头 3 到 5 秒通常更容易控制；如果素材长度不够，可以在剪辑阶段用多个镜头拼接；
• 种子值：如果一条视频生成后人物崩了，可以固定种子值微调提示词或运动幅度，而不是完全重开。

这里有一个很现实的经验：与其在视频生成阶段追求长镜头，不如先积累大量 3 秒左右的短镜头。原因是剪辑的本质就是切镜头，短镜头之间的衔接可以掩盖很多 AI 生成的不稳定性。你不需要一个角色连续走 10 秒不崩脸，你只需要让他每次出现 3 秒内不崩脸，然后通过剪辑节奏让观众忽略中间的跳变。

4.3 视频生成后的验收清单

每次生成完视频，先不要急着导入剪映。可以先建立一个检查清单：

• 角色脸部是否稳定，有没有出现变形、闪烁；
• 衣物和发型的动态是否符合物理常识；
• 背景是否有突然扭曲或出现多余物体；
• 运动幅度是否符合镜头需求；
• 画面是否有明显的闪烁噪点。

一旦发现某一条视频不合格，直接标记为废片，不要试图在剪映里靠特效修补。AI 视频的不稳定是基于画面像素层面的，到了剪辑阶段很难修。

4.4 批量生成时的注意点

做漫剧需要视频素材量很大。批量生成视频时，建议先做两条测试，确认这套静帧和参数能稳定输出，再开始批量。同时，给每条视频命名时带上镜头编号和版本号，比如S01_L03_V2，方便后面排查。

批量最容易出问题的环节是参考图和种子值错乱。因为有些工具的生成队列会保留上一次输入，如果你没检查，可能用上一张图的参考图生成了下一段视频，结果角色和场景全错了。所以批量生成时，每条视频后最好都检查一次“输入图是否正确”。

5. 配音与字幕：豆包负责“会说”，剪映负责“说得像”

5.1 配音工具选型和音色一致

AI 漫剧里的角色只要有台词，就涉及配音。现在很多剪辑软件和配音工具都支持文字转语音。豆包也常被用来做文本处理和语音合成，你可以先把台词稿整理好，再用配音工具生成音频。

配音最核心的问题同样是“一致性”。如果你一个角色第一集用了 A 音色，第二集换成了 B 音色，观众会非常出戏。所以在项目一开始，就要固定每个角色的音色、语速、语调。

比较稳妥的流程是：

• 先录一段角色语音作为参考，或者从配音工具里选一个稳定的音色；
• 把同一角色的所有台词分批生成，尽量保持音色设置不变；
• 如果工具支持情绪标签，可以在悲伤、愤怒、平静等情绪之间切换，但不要随便更换基础音色；
• 生成音频后，先和分镜表里的台词逐条核对，看有没有多字、错字、重复读。

另外，AI 配音最忌讳“念稿感”。文字转语音生成的音频，如果语速均匀没有任何停顿，配合画面会非常突兀。有些配音工具支持添加停顿标记，比如用逗号、句号、省略号来控制断句。不要让豆包一次性输出一大段没有标点停顿的台词，要主动在台词稿里断好句子。

5.2 从分镜表反推配音稿

这一步很多人会做反：先把配音做出来，再回头去剪画面。其实更高效的顺序是先有分镜表，再从分镜表反推配音稿。

因为分镜表里已经写好了每个镜头的台词，你需要做的，是把这些台词按镜头顺序整理成一个“配音稿”，然后交给配音工具生成。这样做的好处是，音频长度和镜头时长能大致对得上，不至于配音 10 秒但镜头只有 4 秒。

5.3 剪映里的对轨与字幕

音频生成后，导进剪映，需要和视频逐条对齐。最基础的操作是看波形图和字幕停顿点。很多 AI 配音在长句中间会有短暂停顿，如果你的画面正好在停顿处切换，节奏就会舒服；如果画面切晚了，观众会觉得拖沓；切早了，又会觉得配音还没说完。

字幕不要手动一句一句打字，剪映通常支持识别字幕或导入字幕文件。如果你的素材命名规范，字幕文件也很容易批量生成。

这里有一个建议：字幕要作为“画面设计的一部分”来看待。字体的粗细、描边、位置，会直接影响漫剧的观感。如果是现代悬疑，可以用干净的无衬线字体；如果是古风，字体可以更有书法感。但注意，字体样式要在整部作品里保持一致，不要一个镜头换一种字体。

5.4 背景音乐和音效的优先级

很多人做完配音就急着渲染导出，忽略环境音和音乐。但 AI 漫剧如果只有干巴巴的配音，会显得非常“空”。我的优先级排序是：

• 第一层：配音台词，这是信息主体；
• 第二层：环境音，比如雨声、街道噪音、室内空调声；
• 第三层：音效，比如脚步声、关门声、手机提示音；
• 第四层：背景音乐，用于情绪渲染。

不要四个声音全部堆在一起，会让整个混音变得杂乱。剪映里音量分层要清楚：背景音乐通常是垫底，不要盖过配音；音效要有明确的节奏点；环境音只要一点点，增强临场感即可。

6. 剪辑交付：素材进剪映之前，先解决“找得到”和“排得对”

6.1 素材命名与轨道分层

开始剪辑前，先把所有视频、音频、图片素材按照集数和镜头号归好类。即使只做一条 60 秒的短片，素材也可能超过 20 个文件。如果你把它们命名为“001”“002”，一旦流程出问题，排查会很痛苦。

推荐命名规则示例：

S01E03_L01_V2.mp4 S01E03_AUDIO_L01.wav S01E03_BGM_v1.mp3 S01E03_SFX_door.mp3

其中S01E03代表第一季第三集，L01代表镜头号，V2代表版本号。这样哪怕中间修改过四五版，也能一眼看出最终使用的是哪个版本。

进入剪映后，轨道分层建议固定为：视频轨、字幕轨、配音轨、音效轨、音乐轨。不要把所有素材堆在一条轨道上。后期调整时，如果没有分层，你想移动某段音乐或字幕，很容易误操作其他素材。

6.2 字幕批量统一与风格克制

剪映通常支持字幕识别，但识别出来的字幕默认样式可能并不适合你的作品。建议先调好一个字幕样式，再应用到所有字幕。

字幕样式核心看三点：字体、字号、安全边距。竖屏漫剧里，字幕不要贴到屏幕边缘，尤其是手机观看时容易被刘海区域遮挡。你可以保留一定的四周安全区域，通常上方给标题和系统 UI，下方给字幕。

视觉风格上，AI 漫剧本身画面已经足够“满”，字幕不要再加动画、描边、阴影、彩色背景。绝大多数成熟作品的字幕风格都很克制，只有关键词出现时才做强调。字幕的作用是让观众快速理解台词，而不是炫技。

6.3 渲染输出与平台适配

不同平台对视频格式、画幅、时长要求并不相同。如果你准备把作品投放到红果这类竖屏短剧平台，一定不能等到渲染完再去适配。要提前查清楚平台对竖屏比例、单集时长、字幕安全区、封面尺寸的官方要求。

渲染输出时，常见问题有两类：

一是码率设置过高或过低。过高会导致文件巨大，上传慢；过低会导致画面出现马赛克。漫剧画面通常以人物和字幕为主，一般选择平台推荐的中高码率即可。

二是输出帧率不统一。如果你生成视频时有的镜头是 24 帧，有的是 30 帧，剪辑导出时最好统一到一个帧率，否则在手机上容易出现卡顿或不流畅。

6.4 导出前的最终检查

导出前建议最后看一遍时间线，重点检查：

• 有没有静帧图没有替换干净的；
• 有没有音频波形超出正常范围的爆音；
• 有没有字幕错字、多字、字幕和配音不同步；
• 有没有镜头之间亮度、色调差异过大的问题；
• 有没有多余的黑帧或拖尾。

这一步不要省。AI 视频项目里，最难受的不是生成慢，而是生成完 30 集后，发现第一集里面有个镜头字幕写错了，但你又不记得在哪条轨道上。所以，导出前检查是最后的低成本纠错机会。

7. 从自娱自乐到可交付：一个 AI 漫剧制作者的工程化清单

7.1 单集跑通，再谈批量和接单

很多人看完教程，第一反应是想靠 AI 漫剧接单。我的看法是：先把单集跑通。

“跑通”的标准不是“我做完了”，而是“我可以让另一个人按照我的流程重复做一遍，结果不会差太多”。如果你的流程里每一步都靠手气，那一两个镜头运气好还能看，到了第 20 集，你一定会被反复抽卡和重做消耗到崩溃。

什么叫流程稳定？就是同样一个分镜表，你用同一组角色卡、参考图、提示词结构和种子控制，生成出来的静帧质量在可接受范围内。稳定性的价值，在单集里看不出区别，在批量交付时直接决定生死。

7.2 一个可复用的批量制作框架

从个人创作者角度，我建议把 AI 漫剧制作拆成六个阶段，并在每个阶段留下可复用的文件资产：

1. 项目设定：角色表、场景表、画风定调、配音音色设定；
2. 剧本分镜：分镜表、台词稿、配音稿；
3. 视觉资产：角色参考图、场景参考图、风格参考图；
4. 单镜头生成：静帧图、视频片段、种子值记录；
5. 后期合成：配音、音效、背景音乐、字幕、剪辑时间线；
6. 交付归档：渲染视频、项目工程、素材目录、版本记录。

每次完成一个小项目，就把这套资产目录保存下来。下一次做新剧时，不需要从零开始，可以直接复用同类风格的提示词结构、角色描述模板、分镜表格式和字幕样式。

这个框架真正的价值不是让你快，而是让项目从“靠灵感推进”变成“靠流程推进”。灵感只负责开头，流程负责把灵感变成 30 集还不崩。

7.3 接单或合作时，最容易出现的交付纠纷

如果你已经完成了几条像样的作品，开始接单或加入团队，下面这些边界越早想清楚越好：

• 版权归属：AI 生成的画面版权在不同平台规则下可能不统一，合作前要和甲方确认成品版权、素材使用范围；
• 修改次数：AI 视频最怕“先做一版，然后无限次修改”。合作前明确包几次修改，每次修改范围是什么；
• 素材授权：第三方字体、音乐、音效是否有商用授权，不要等上线后再被投诉；
• 交付格式：明确交付的是剪辑后的整片，还是需要同时交付工程文件和未合成素材。

这不是教你规避责任，而是让合作双方对结果有共同的预期。AI 视频制作仍然大量依赖人工判断和反复调试，无法像流水线印刷一样保证每次输出完全一致。所以，接单前先和对方确认清楚“可接受的质量标准”，比盲目承诺“一定能做好”更重要。

7.4 长期看，哪些能力会越来越值钱

工具会不断变化。今天你熟悉即梦，可能下个月又出了新的模型；今天你习惯用豆包整理分镜，过段时间可能又有新的 AI agent 来接管一部分流程。但有几项能力不会过时：

第一，对叙事节奏的感知。知道一个镜头应该多长、一句台词应该怎么断句、情绪该在哪里释放，这是 AI 工具替代不了的。

第二，对流程抽象的能力。能把自己做项目的过程拆解成几个环节，并为每个环节建立输入、输出和质量标准。这是从“用工具的人”到“搭流程的人”的分水岭。

第三，对风险的判断力。知道哪些环节容易崩，哪些问题必须在什么时候检查，怎么通过种子值、参考图、分镜表把不确定性降到可控范围。这种能力不是看教程能学会的，必须靠实际跑完几个项目才能积累。

如果你真要长期做 AI 漫剧，不要只盯着新出的工具和技巧，要多复盘自己做过的流程：哪一步最浪费时间，哪个环节返工率最高，什么方法能稳定减少崩图、崩脸、音画不同步。把这些经验沉淀成自己的检查清单，才是从“玩票”到“专业”的跨越。

说到底，AI 漫剧这个赛道，真正值钱的不是一张好看的图，也不是一段炫酷的视频，而是一套能反复产出合格内容的流程。这套流程，最好从今天这一条 60 秒短片开始。