AI漫剧制作全流程：从分镜到成片的6道工序与参数指南

1. 先搞清楚AI漫剧到底在做什么，别一上来就堆工具

很多人第一次听到“AI漫剧”，脑子里浮现的是“用AI画几张图，再让图动起来，配个音就完事”。真上手做一场戏才发现，事情远没有这么简单。AI漫剧的本质，是把传统动画番剧的生产链路拆开，用生成式模型去替换其中的人力密集环节，但分镜逻辑、角色一致性、镜头语言、节奏控制这些导演层面的东西，一个都跑不掉。工具再强，也替代不了“这场戏该怎么讲”的判断。

我先把结论摆在这里：一场戏走完6道工序，指的是剧本拆解与分镜设计、角色主体图库搭建、关键帧生成、视频片段生成、配音与音效对齐、剪辑合成与输出。这6道工序里，真正吃算力和吃提示词功力的是第3和第4道，而最容易被新手忽略、却最影响成片质量的是第2道——主体图库。你后面所有的镜头，角色脸崩不崩、服装飘不飘、武器对不对，全看这一步有没有做扎实。

这篇内容适合三类人看：完全零基础但想系统入门AI漫剧的创作者、做过单张AI图但没跑通过完整视频流程的进阶玩家、以及想把这套流程产品化的工作室成员。我会按一场戏的实际推进顺序来讲，每一步都告诉你为什么这么做、参数大概怎么设、哪里最容易翻车。文中涉及的模型和工具以当前主流方案为例，具体版本迭代很快，思路是通用的。

提示：AI漫剧不是“一键出片”，它是“用AI把原来需要几十人月的工序压缩到几个人天”。心态上要把它当成一个导演工程，而不是抽卡游戏。

2. 剧本拆解与分镜设计：把文字变成可生成的镜头清单

2.1 为什么不能直接拿小说原文去生成

新手最常见的错误，是把一段小说原文直接丢给视频模型，指望它自动理解并生成连贯画面。结果就是：镜头跳来跳去，角色一会儿一个样，情绪完全接不上。原因很简单，视频模型理解的是“单镜头描述”，不是“叙事段落”。它没有全局记忆，你给它一段三百字的情节，它只会随机抓取其中几个词去生成，剩下的全靠脑补。

正确的做法是先做剧本拆解。把一场戏拆成若干“镜头单元”，每个镜头单元对应一个连续的、时间上不分切的画面。一个标准的漫剧镜头单元，时长通常在3到8秒之间，超过8秒的连续镜头在AI生成里很难保持稳定，除非你用首尾帧接力的方式硬接。

拆解的时候要问自己三个问题：这个镜头里谁在动、动的是什么、镜头本身动不动。比如“主角拔剑冲向敌人”这句话，其实包含两个镜头：一个是拔剑的特写或中景，一个是冲刺的动势镜头。拆开之后，每个镜头才能写出干净的提示词。

2.2 分镜表的字段该怎么定

我自己的分镜表固定包含这几列：镜号、景别、运镜、画面描述、角色状态、时长、生成模型、备注。景别用远景/全景/中景/近景/特写这套标准术语，运镜写推/拉/摇/移/跟/升降/固定。别小看这两列，它们直接决定你提示词里要不要写“camera push in”“slow pan left”这类运镜词。

画面描述这一列，是给提示词打草稿用的。我习惯写成“主体+动作+环境+光线+风格”的结构。举个例子：镜号007，中景，固定镜头，画面描述写“银发少女站在废墟顶端，右手握断剑，风吹动披风，黄昏逆光，赛璐璐动画风格”。这样一条描述，转成提示词几乎不用再动脑子。

时长这一列要卡死。我一般把对话镜头定在4秒，动作镜头定在3秒，情绪停顿镜头定在5到6秒。为什么动作镜头反而短？因为AI生成的动作在3秒内最不容易崩，超过3秒肢体就开始出现诡异的扭曲。这是实测出来的经验，不是理论值。

2.3 分镜设计里最容易被低估的“节奏”

一场戏好不好看，七成看节奏。AI漫剧新手做出来的东西往往“平”，就是因为每个镜头时长差不多、景别差不多、运镜全是固定。你去看真正的番剧，紧张段落一定是快切短镜头，情绪段落一定是长镜头慢推。

我的做法是在分镜表里加一列“节奏标记”，用快/中/慢三档标注。一场两分钟的戏，快镜头占三成，中镜头占五成，慢镜头占两成，出来的观感就接近专业水准。这个比例不是死的，但你要有意识地去控制，而不是让模型随机决定。

注意：分镜阶段不要考虑“这个镜头AI能不能生成”。先按叙事需要拆，拆完再评估哪些镜头需要换方案。反过来做，你会被工具限制住创作。

3. 角色主体图库：决定成片一致性的隐形地基

3.1 主体图库到底是什么，为什么必须建

主体图库这个词听起来玄，说白了就是为每个主要角色准备一套多角度、多表情、多姿态的参考图。它的作用是给后续所有生成提供“角色锚点”。没有这个锚点，你生成十个镜头，主角就有十张脸。

为什么AI视频模型会脸崩？因为它在生成每一帧时，是根据提示词重新“画”一个人，而不是记住上一帧的那个人。你只有通过参考图、角色LoRA、或者首帧锁定这些手段，才能把角色的视觉特征固定下来。主体图库就是这些手段的原料库。

我建库的标准是：每个主要角色至少准备正面、侧面、四分之三侧面、背面四个角度，每个角度至少平静、愤怒、悲伤、惊讶四种表情，再加上站姿、坐姿、战斗姿态三种体态。算下来一个角色至少48张图。听起来多，但这是保证成片不崩的底线。

3.2 主体图怎么生成才稳定

生成主体图，我推荐用图像模型而不是视频模型。图像模型在单帧质量、细节控制、风格统一上明显更强。流程是：先用提示词生成一张“角色定妆照”，确认脸型、发型、服装、配色都满意，然后以这张图为参考，用图生图或角色参考功能去批量生成其他角度和表情。

这里有个关键技巧：生成多角度时，提示词里只改角度和表情词，其他描述一个字都不要动。比如定妆照的提示词是“银发少女，红色披风，断剑，赛璐璐风格，正面，平静表情”，那生成侧面时就只把“正面”改成“侧面”，“平静”改成“愤怒”，其余原封不动。这样出来的图，角色特征才稳。

参数上，图像生成我一般用步数28到35，CFG 6到8，采样器选DPM++ 2M Karras这类通用性好的。分辨率至少1024×1024，太低的话细节不够，后面做视频参考会糊。如果模型支持角色参考（比如IP-Adapter这类），参考权重给到0.6到0.8之间，太高会僵，太低会飘。

3.3 图库的命名与归档，别等做一半才后悔

我见过太多人做到第十个镜头，想找“主角愤怒表情的侧面图”，结果文件夹里全是1.png、2.png。主体图库的命名必须规范，我的格式是角色名_角度_表情_姿态_版本号，比如lin_side_angry_stand_v2.png。版本号很重要，因为你会反复迭代，v1可能脸太圆，v2修好了，别覆盖。

归档按角色建文件夹，每个角色下面再分定妆照、角度、表情、姿态、废弃五个子目录。废弃的别删，有时候做到后面发现某个废弃版本反而更适合某个特定镜头。这套归档习惯，能让你在几十个镜头之后依然找得到东西。

提示：主体图库不是一次建完就完事。做到中期如果发现某个角度缺失，要立刻补进去，并同步更新所有用到该角色的镜头参考。补图这件事，越晚做成本越高。

4. 关键帧生成：把分镜描述变成一张张能用的画面

4.1 关键帧和普通出图的区别

关键帧不是“好看的图”，而是“能接上前后镜头的图”。它要满足三个条件：角色和主体图库一致、构图符合分镜的景别和运镜、画面里预留了动作发生的空间。第三点最容易被忽略。比如你要做一个“角色挥剑”的镜头，关键帧就不能画成角色已经挥完剑的姿势，而要画成挥剑前的蓄力姿态，给后面的视频生成留出运动余地。

我一般一个镜头生成3到5张候选关键帧，然后挑一张最符合分镜意图的。挑的标准不是“哪张最好看”，而是“哪张最像这个镜头该有的第一帧”。好看但构图不对的，坚决不用。

4.2 提示词的结构化写法

关键帧的提示词，我固定用五段式结构：主体描述 + 动作状态 + 环境场景 + 光线氛围 + 风格与画质。每一段用逗号隔开，权重靠前的词影响更大。

主体描述要具体到能区分角色，比如“银发及腰少女，左眼有疤痕，红色破损披风，右手握半截断剑”。动作状态写“站立，微微前倾，剑尖指地”。环境写“废墟城市顶端，远处有倒塌的高楼，天空阴沉”。光线写“黄昏逆光，边缘光明显”。风格写“赛璐璐动画风格，清晰线条，电影感构图，高细节”。

这套结构的好处是，你换镜头时只需要改动作和环境，主体和风格保持不变，角色一致性自然就上来了。很多人提示词写得乱七八糟，主体和环境混在一起，模型当然抓不住重点。

4.3 负面提示词不是越多越好

负面提示词的作用是排除你不想要的东西。新手喜欢堆一大串，什么“低质量、模糊、多手多脚、畸形”全写上。实测下来，负面词超过15个之后，边际收益急剧下降，有时候还会误伤正常特征。

我的负面词清单控制在10个以内：low quality, blurry, extra fingers, deformed hands, bad anatomy, watermark, text, signature, worst quality, jpeg artifacts。就这些，够用了。真正影响质量的是正面提示词的准确度，不是负面词的长度。

4.4 关键帧的尺寸与构图预留

关键帧的尺寸要和你最终输出的视频比例一致。做横屏漫剧就用16:9，做竖屏短视频就用9:16。别用方图生成再裁，裁完构图全乱。

构图上要预留“动作空间”。角色往左冲，画面左边就要留出空间；角色抬头看天，画面上方就要留出天空。这个道理和摄影里的“引导空间”一样。AI生成时如果你不刻意在提示词里写“画面左侧留白”或者“主体偏右构图”，它默认会把角色放正中间，动起来就撞墙。

5. 视频片段生成：让关键帧真正动起来

5.1 图生视频还是文生视频，怎么选

做漫剧，九成以上的镜头应该用图生视频。原因很简单：文生视频你控制不了角色长相，每一段都是新抽卡，一致性无从谈起。图生视频以你精心挑选的关键帧为起点，角色、构图、风格都锁死了，模型只需要负责“让它动”，可控性高一个量级。

文生视频只在一种情况下用：空镜头、环境镜头、转场镜头，这些不需要角色一致性的画面。比如“废墟全景，烟尘飘动”这种，文生视频反而更自然。

5.2 运动提示词怎么写才不崩

图生视频的提示词，重点从“画什么”转移到“怎么动”。我一般写三部分：主体运动 + 镜头运动 + 环境运动。

主体运动写“少女缓缓抬起右手，披风被风吹动，头发轻微飘动”。镜头运动写“镜头缓慢推近”或“镜头固定”。环境运动写“远处烟尘缓缓上升，光线轻微闪烁”。三部分都写清楚，模型才知道哪些元素该动、怎么动。

这里有个反直觉的经验：运动描述越具体，画面反而越稳。你只写“角色动起来”，模型会瞎动，肢体扭曲、背景乱飘全来了。你写清楚“右手抬起、披风飘动、镜头不动”，它就有了明确的运动边界，其他部分保持静止，画面自然稳定。

5.3 时长、帧率与运动幅度的参数关系

视频生成的核心参数是时长和运动幅度。时长前面说过，动作镜头3秒、对话镜头4秒、情绪镜头5到6秒。运动幅度这个参数，不同模型叫法不一样，有的叫motion strength，有的叫motion bucket，本质是控制画面变化的剧烈程度。

我的经验值：对话和情绪镜头，运动幅度给低档（大概总档位的30%到40%）；普通动作镜头给中档（50%到60%）；激烈打斗镜头给高档（70%到80%）。给太高，画面会糊成一团；给太低，角色像纸片一样僵着不动。

帧率方面，生成时一般是16帧或24帧，输出时再插帧到30或60。插帧这件事，我建议在剪辑软件里做，而不是在生成阶段硬拉，生成阶段拉高帧率容易产生鬼影。

5.4 打斗镜头的特殊处理

打斗是AI漫剧里最难的部分，没有之一。单靠一段视频生成，出来的动作往往软绵绵、方向混乱。我的做法是拆解动作：一个挥拳动作拆成“蓄力”“出拳”“命中”三个镜头，每个镜头单独生成，剪辑时快速切换。这样既有力量感，又避开了单段生成动作崩坏的问题。

打斗提示词里要加“动态模糊”“速度线”“冲击波”这类词来强化动感。镜头运动用“快速横移”或“轻微震动”来模拟手持感。这些技巧能让打斗段落看起来专业很多。

注意：打斗镜头不要追求一镜到底。专业动画里的打斗也是靠剪辑切出来的，AI生成更应该走这条路。一镜到底的打斗，目前的技术还撑不住。

6. 配音、音效与口型对齐

6.1 配音先于视频，还是视频先于配音

我的流程是配音先行。先把这场戏的所有台词录好或合成好，确定每句话的时长和情绪，再去做视频。为什么？因为视频生成时你可以根据配音的节奏去控制镜头时长和角色口型开合。反过来做，视频做完了发现台词塞不进去，只能硬剪，观感很差。

配音用TTS工具合成，选音色时要贴合角色设定。少女角色选清亮音色，沉稳角色选低音色。合成时语速调到正常偏慢一点，给口型留出空间。情绪强烈的台词，TTS往往表现力不够，可以考虑真人配音或者带情绪控制的TTS模型。

6.2 口型对齐的两种做法

口型对齐分“精确对齐”和“近似对齐”。精确对齐需要专门的口型驱动工具，把音频和角色面部绑定，逐帧生成口型。这种做法效果好，但流程重、算力消耗大，适合特写镜头。

近似对齐就是让角色的嘴部做“开合运动”，不追求每个音素都对上，只求节奏大致吻合。做法是在视频生成时，提示词里写“嘴部随说话节奏开合”，然后剪辑时把音频贴上去。中景和远景镜头用这种做法完全够看，观众不会盯着远景角色的嘴型挑刺。

我的建议是：特写镜头用精确对齐，其他镜头用近似对齐。全片都用精确对齐，成本扛不住；全片都用近似，特写会露馅。

6.3 音效与背景音乐的分层

音效分三层：环境音、动作音、情绪音。环境音是场景底噪，比如风声、雨声、人群嘈杂声。动作音是角色动作产生的声音，比如脚步声、拔剑声、拳击声。情绪音是烘托氛围的，比如心跳声、低频轰鸣。

这三层在剪辑软件里分轨道放，音量上环境音最低，动作音居中，情绪音根据画面需要调整。背景音乐单独一轨，音量压到不抢台词的程度。很多人做AI漫剧只加背景音乐不加音效，成片就会“空”，像幻灯片配乐。音效是让画面“落地”的关键。

7. 剪辑合成与输出：最后一道工序决定成片下限

7.1 剪辑软件里到底在做什么

剪辑这一步，核心工作是拼接、调色、加转场、贴字幕、混音。拼接就是把生成的视频片段按分镜顺序排好，剪掉多余的头尾。调色是为了让不同镜头之间的色调统一，AI生成的片段往往一段偏暖一段偏冷，不调色会有明显的割裂感。

转场我建议尽量用硬切，也就是直接切换。AI漫剧的镜头本来就短，加花哨转场反而拖节奏。只在场景转换或者时间跳跃的地方，用一下淡入淡出或者黑场过渡。

字幕要贴，但别贴太大。漫剧的字幕以能看清为准，不要遮挡画面主体。位置固定在底部居中，字体选清晰的无衬线体。

7.2 调色统一的具体做法

调色统一有个简单有效的办法：在所有片段上面加一个调整图层，统一套一个LUT或者手动调曲线。我一般先调一个基准镜头，确定色温和对比度，然后把参数复制到调整图层，让所有片段都过一遍。个别镜头如果偏得太厉害，再单独微调。

对比度不要拉太高，AI生成的画面本身对比度就不低，再拉会丢细节。饱和度适中，太高会显得廉价。整体色调根据剧情定，紧张段落偏冷，温情段落偏暖。

7.3 输出参数与平台适配

输出参数看你的发布平台。横屏长视频用1080P、30帧、H.264编码，码率8到12Mbps。竖屏短视频用1080×1920、30帧，码率6到10Mbps。如果平台支持高帧率，可以输出60帧，但前提是你的素材本身够流畅，硬插帧到60反而会有果冻感。

音频输出用AAC，采样率48kHz，比特率192kbps以上。别用太低的比特率，音效的细节会丢。

提示：输出前一定要完整看一遍成片，重点检查角色脸有没有崩、口型有没有对错、音效有没有爆音。这些问题在时间线上看不出来，只有完整播放才会暴露。

8. 生成参数速查表与常见翻车对照

8.1 一场戏的完整参数速查

下面这张表是我做一场标准漫剧戏份时常用的参数区间，直接抄作业就行。具体数值要根据你用的模型微调，但区间是经过验证的。

8.2 新手最常遇到的五类翻车

第一类，角色脸崩。原因九成是主体图库没建好，或者生成时没挂参考图。解决办法是回到第3步，把角色参考补扎实。

第二类，动作扭曲。原因通常是运动幅度给太高，或者单段视频时长太长。把运动幅度降一档，时长压到3秒以内，基本能解决。

第三类，镜头之间色调跳。原因是生成时没有统一风格词，或者不同批次用了不同模型。解决办法是固定风格提示词，剪辑时加调整图层统一调色。

第四类，口型对不上。原因是配音和视频分开做，没有对齐节奏。解决办法是配音先行，视频按配音节奏生成。

第五类，成片“平”。原因是分镜节奏单一，全是中景固定镜头。解决办法是回到分镜表，增加景别和运镜的变化，快慢镜头搭配。

8.3 关于提示词工程的一点个人体会

做了这么多场戏，我最大的体会是：提示词不是越长越好，而是越准越好。新手喜欢写一大段华丽的描述，结果模型抓不住重点。老手写提示词，每个词都有明确目的，主体、动作、环境、光线、风格各司其职，一个废词都没有。

另外，提示词要“说人话”。模型对自然语言的理