AIGC电影门槛不在工具在系统：《归义军》全流程制作拆解

第二部AIGC电影比第一部难在哪？答案可能和你想的不一样：不是更难“生成”，而是更难“收住”。第一部做某个短片时，什么新鲜拍什么，AI给什么看什么，最后剪出来像一堆视觉素材的连环画。到了第二部《归义军》，我把工作方式整个调了个个——把它当成剧组管理来做：每天开场不是“让AI生成一段好看的”，而是“这个镜头的角色、光线、动作参考、声音素材是否已经齐了”。等跑完全流程我才意识到，AIGC电影的门槛根本不在工具，而在系统。

这篇文章就是把《归义军》的制作幕后拆开给你看：从题材设定怎么和AI能力对齐、角色一致性怎么保、分镜和声音怎么排，到预算、算力和那些必须绕开的坑。内容里会用到不少实际参数、流程和踩坑经验，适合正在用图像生成和视频生成模型做短片或长片项目的人参考。如果你还处在“用AI生成单张惊艳图”的阶段，也可以提前看看后面这些坑长什么样。

1. 拿到《归义军》时，我先做的是“抵制历史考据”

很多朋友听说我要做《归义军》，第一反应是问我怎么还原历史细节：甲胄制式、官职体系、地名沿革……我一开始也有这个冲动，但很快就改了方向：不做严格考据，做“可辨识的历史感”。理由很直接：AIGC模型的强项是风格联想和氛围渲染，弱项是精确复现。与其在服饰细节上被模型反复打脸，不如主动把片子设定成一个架空的中古边地故事，让观众感受到“边塞、守军、大漠、归乡”这些意象就够了。

1.1 题材选择：为什么“边地守军”天生适合AI生成

《归义军》这个片名里带着一股很明确的“守”和“归”的气质。我把整个视觉系统收敛到西北边陲：黄土、烽燧、旧旌旗、皮甲、横刀、马匹、干涸河道、风蚀地貌。这种题材对AIGC来说非常友好，原因有三个。

第一，模型对这类东方古典意象的训练素材足够充足，容易形成统一的风格锚点。你写“边塞”“烽火台”“大漠黄昏”，生成结果通常不会太离谱，反而写“现代都市客厅”很容易在材质和透视上翻车。第二，环境本身自带“滤镜”：黄昏和沙尘暴会压掉多余色彩，让画面集中在土黄、赭石、暖橙、暗影这几个色系里，天然擅长掩盖模型在色彩一致性上的毛病。第三，演员脸不需要“精致好看”，沧桑和粗粝反而是加分项。主角是一个被风沙磨过十几年的老兵，AI偶尔把皮肤纹理处理得过分一点，观众会认为那是岁月痕迹，但如果你拍现代都市爱情片，眼角多一条皱纹就会被骂。

第二部的核心目标也随之确定：用“守军”这个高度符号化的设定，把偶尔失控的AI生成结果兜住。我相信无论底层模型怎么换，这套视觉语义都能稳定承载故事。

1.2 第二部升级的重点：从“每段好看”到“全片可控”

第一部最大的问题，是“单镜惊艳，整体塌方”。每个镜头单独拿出来都像壁纸，连成一部片子却觉得哪里都不对：主角的脸一会儿年轻一会儿衰老，白天和黑夜随机跳，上一个小镇还是石砌城墙，下一个镜头城墙就变成了夯土堆。

所以第二部从头就在做三件事：角色一致性、场景连续性、声音资产完整性。我管的不是一个“生成任务”，而是一条“资产管线”。

具体做法是先建资产库，再动镜头。角色资产库包括基准图、多角度参考图、表情变化图；场景资产库包括同一地点不同时段、不同机位的参考图；道具资产库则是军旗、配刀、水囊、马具这些重要物件。每个镜头开始生成之前，先问自己：“这张图里出现的所有东西，在我资产库里有没有原型？”如果没有，就先补资产，不急着生成视频。这个过程很枯燥，但到后期剪辑时，你会发现自己省下了大量返工时间。

我把它叫作“资产驱动”的制作方式，而不是“灵感驱动”。灵感驱动适合做实验片和VJ素材，不适合做带剧情的电影。你需要在第二部里把导演思维前置——先确定全景，再去雕刻局部。

2. 全流程拆解：一个镜头是怎么被“押送”到成片的

AIGC电影的全流程，听起来很高大上，实际上可以拆成六个环节：剧本拆解、角色资产、分镜设计、视频生成、声音制作、后期定剪。下面我按实际踩过的顺序逐个讲。

2.1 剧本拆解成场景卡片，AI才能“接单”

剧本刚写完的时候，我尝试过直接从段落文字生成镜头，结果惨不忍睹。模型根本分不清哪句话是核心动作，哪句话是环境描写，哪句话是人物心理。后来我改成“场景卡片”的工作方式：把每个戏拆成一张卡片，每张卡片只记录七个以内的关键信息。

举个例子，第二幕第一场我做成这样的表格：

卡片的作用是把模棱两可的文学描述，翻译成模型能理解的“有限状态”。模型对信息的容纳度是有限的，如果你把几十个意象塞进一个prompt，结果往往互相吞没。精简反而能让每个词都获得足够权重。另外，场景卡片也是后面所有声音素材、剪辑节奏、调色方向的唯一来源，跨环节沟通时不会出现“我以为”的情况。

2.2 角色资产库：先摆脱“每张脸都不一样”的魔咒

在做视频生成之前，必须先把角色固定下来。我的方法分三层。

第一层是“形象基准图”。用图像生成模型分别产出正脸、侧脸、背脸、半侧脸、低头、抬头等十余个角度的角色图。这个阶段不追求动感，只追求“同一个人换角度”的稳定感。第二层是用这些基准图训练一个小规模LoRA。LoRA的目标不是让模型100%复刻某张脸，而是让模型记住“这个角色的骨相和质感”。我用30到40张图做数据集，分辨率统一到1024，训练步数控制在1500到2000。这里有个经验：步数太少，角色记不住；步数太多，角色会开始“僵住”，生成任何动作都只有一个表情。学习率方面，从0.0001到0.0002之间起步，观察loss曲线的回落情况再微调。第三层是描述短语固化。每次生成角色时，从不更改核心描述，比如“the weathered commander, grey-streaked hair, leather armor with brass rivets, scar across left brow”。哪怕你在同一个镜头里换角度，也要保持这段短语不变，否则模型会以为你换了一个人。

三层保险叠在一起，才勉强做到在跨15个镜头、不同机位和不同动作下，观众还能认出主角。单靠其中任何一层都不够，特别是只靠prompt的话，主角大概率会变成“同一发型但不同人”。

2.3 分镜与镜头设计：提示词不是“写作文”，是“填表格”

到了分镜阶段，我养成了一个习惯：把提示词当成“填空”来写。一个合格的分镜提示词应当包含主体、动作、构图、焦距、光线、材质、氛围、风格八个维度。少一个维度，后续就要多花几次生成来碰运气。

比如《归义军》里一个标志性镜头，我使用的提示词结构大致是：

cinematic shot, a weathered old soldier in leather armor stands under a ruined beacon tower, facing the vast desert at dusk, dust particles drifting in the air, warm low-key sunlight from the left, hero framing, 50mm lens, shallow depth of field, muted umber palette, photorealistic but textured, film grain

注意几个点：动作只写“stand facing”，没有写复杂的“转身+持刀+抬头+叹口气”。生成模型并不擅长连续动作，你给得越具体，它越容易把画面搞成一团浆糊。另外光线方向必须写明“from the left”，这样后续镜头才能统一。负面提示词也要长期固定，我一般会写“avoid modern artifacts, avoid extra fingers, avoid warped armor, avoid text/watermark, avoid over-sharpening”。

分镜设计上，不要设计“万米长镜头”，尽量让每个镜头只承担一个动作节奏。一个镜头只做“转身”，一个镜头只做“拔刀”，一个镜头只做“抬头”。连续动作靠剪辑生成，不靠模型生成。

2.4 视频生成层：“狙击式投料”而不是“扫射式生成”

视频生成是最容易让人上瘾也最浪费钱的阶段。我习惯把生成分成四个阶段，刻意限制自己的动作。

第一阶段是“草案式投料”：直接用文生视频跑出几个版本，用来判断构图方向对不对，动作有没有出现鬼畜。这个阶段只用极短的分镜提示词，不给参考图。第二阶段是“锁定结构”：把最满意的静态图作为首帧，生成5到8个候选视频，考察两个维度——画面是否忠于首帧、动作是否在可控范围内。第三阶段是“终版狙击”：从候选里挑出最接近需求的一两个，用“首帧+尾帧”的方式重新生成一次。首帧固定角色姿态、尾帧固定目标动作，中间由模型补完，这是目前控制动作幅度比较靠谱的办法。第四阶段才是后期修复和超分。

这套流程的核心逻辑是“不要期待一次成片”。视频生成更像在一堆草丛里找可用的枝条，而不是让草丛一次长成你要的形状。你越早接受这个设定，就越不容易生气。另外，我个人会强制自己在一天内最多生成固定数量的镜头，防止陷入“再试一次，下一把肯定更好”的循环。那种循环既烧预算，又不会在片子里留下任何有效素材。

2.5 声音先行：第二部才真正重视的图层

第一部最惨痛的教训，是声音做太晚。画面全部定稿后才发现配音对不上口型、音效和剪辑点错位，最后只能用“硬切换”遮遮掩掩。第二部我换了思路：声音先行。

写场景卡片的时候，我就把环境音、对白、音乐情绪一并标注。配音方面，用AI语音合成先把整片对白跑出一个“临时轨”，长度和停顿都固定下来；后续生成视频时，我会尽量为角色设计“少说话、多沉默”的状态，既符合人物气质，也避免AI口型容易崩的问题。音乐方面，用AI音乐生成器先产出几个短motif，确定主旋律，然后让这个旋律在不同场景里以不同配器反复出现。这样整部片子的听觉记忆才立得住。

环境音也是资产的一部分。风声、旗帜翻动声、马蹄踏过碎石的声音、远处驼铃……这些我在生成画面时就已经同步找好。剪辑时不用再去素材库翻大海，直接按场景ID调用。声音和画面如果足够统一，观众对AI画面瑕疵的容忍度会高很多，因为“氛围感”很大程度上来自耳朵。

2.6 剪辑、调色和超分：AI素材的“气质统一工程”

AI生成的素材天生存在规格混乱的问题：有的帧率是24，有的是30，有的分辨率是1280乘720，有的是“宽银幕裁切”。直接扔进剪辑软件，会不断遇到音画不同步和预览卡顿。我的处理是先把素材转成统一的工作规格：30fps、同分辨率、H.264或ProRes中间格式。不要反复转码，转一次到中间格式就够了。

调色是第一部和第二部区别最大的地方。这次我先从所有镜头里选出一个“色彩锚定帧”——通常是黄昏在烽燧下的大全景，然后用剪辑软件里的色彩匹配功能，让其他素材向它靠拢。色温以锚定帧为准，整体控制在暖色区间，高光稍微压暗，阴影往棕褐走一点。不要做过于激进的颜色风格化，因为AI素材本身的色阶断层问题比实拍严重，强拉曲线容易出现色带。

超分也不是万能的。模型原生画质不够好的时候，强行放大到4K会出现皮肤纹理发虚、图案边缘扭曲等问题。我的习惯是先做轻度超分，再加低强度噪点/胶片颗粒，让画面看起来有质感，而不是“手机自动增强”的锐化感。记住一个原则：观众更在意整体风格统一，而不是每一帧的锐度。

3. 三个最难的洞：角色同一性、光影延续、群体调度

做完整部第二部，最值得拿出来说的三个难点，每个都足够让项目重做一遍。

3.1 角色同一性：参考图、LoRA、关键词三重保险

这个问题我在前面已经提过，但值得展开讲一下实操中的细节。

参考图是“骨架”。视频生成平台基本都支持通过首帧来锁定角色外观。我会把角色基准图作为首帧的一部分，告诉模型“你接下来生成的动作，必须从这个人的样子长出来”。只要你不动首帧里的主体，模型一般不会太过分地改变五官。但如果首帧里角色很小、背对镜头，模型就可能自由发挥，把回头后的脸变成另一张脸。所以人脸特写镜头尽量保持首帧脸部信息充足。

LoRA是“肌肉记忆”。有了LoRA，角色在不同机位、不同光照下会保留同样的骨相特征。训练LoRA时，我会特意混入几张脸部侧面、低头、闭眼、皱眉的图，确保模型学会的是“同一人的不同状态”，而不是“一张证件照的复制粘贴”。权重如果太高，角色确实像，但动作和表情会变得僵。权重太低，又容易被通用模型的“脸库”带跑。我的建议是先从0.7到0.8开始测试，观察中期结果再微调。

关键词是“记忆锚点”。每次生成都保持同一段角色描述，不管是全景、中景还是特写。这个锚点可以防止LoRA在极端光照下失效。三重保险生效时，观众不会注意到“主角是同一个人”，但这正是成功；一旦失效，整场戏都会弥漫着“这是谁”的疑惑。

3.2 光影延续：跨镜头的“光照胶囊”

第二部有一个反复出现的场景，烽燧前的空地。我在最初几天生成了一批素材，光色很正常。到后期补拍某几个镜头时，生成结果突然偏冷偏紫，和前面的暖黄调子完全不是一个世界。后来我意识到，不同批次的生成，哪怕prompt一样，也可能因为平台负载、模型微调等因素发生色温漂移。

解决方案是做一个“光照胶囊”：选出三张包含核心场景、核心角色、不同角度的参考图，作为整个场景的光照基准。每次生成镜头前，把当前要用的光线方向、色温和参考图一起喂给模型。后期阶段再用色彩匹配统一。更重要的是，我在日程上把“同一场景的素材”集中在一到两天内生成完，而不是今天生成几个镜头，下周再补几个。集中生成会让画面风格、角色状态、色温漂移都小很多。

接到这类历史氛围片，你还要考虑自然光的“可信时间线”。初始设定写“黄昏”，那么后面的剧情最好不要横跳去拍“正午”。所以《归义军》的绝大多数内景外景都安排在同一个时间窗口：黄昏到入夜。一方面光线本身就富有戏剧性，另一方面也让模型长记性，不需要反复切换光照体系。

3.3 打斗和群众戏：绕开模型死穴的调度方案

打斗、群体、复杂动作，这三样凑在一起几乎是AIGC模型的死穴。模型在处理多人交错、肢体重叠、连续挥舞时，经常出现手腕扭曲、武器变形、人物“穿模”的问题。我的处理思路很简单：让模型做它擅长的事，把复杂的事情拆给镜头。

第一，打斗戏绝不设计全景连续长镜头。《归义军》里有一场“老兵夺刀突围”的戏，我拆成了八个短镜头：握刀的特写、敌人踉跄退半步、老兵侧身挥出、刀锋划过画面、衣甲抖动、尘土从地面扬开、远处敌骑勒马、风沙盖住画面。没有一个镜头超过三秒，没有一个镜头需要模型表演完整动作。第二，群体戏用“逆光剪影”和“尘土烟雾”来伪装细节。你不必让模型生成十个面部清晰的人，只需让它在漫天沙尘里生成模糊的轮廓，观众自然脑补出乌泱泱的敌群。第三，同场景人物尽可能分开生成，后期通过剪辑节奏让观众觉得他们在同一空间。

这个思路的本质，是把视觉信息量藏进剪辑里。观众看到的是“完整的打斗段落”，实际上每个镜头都只是局部的脉冲切入。动作的连续性由心理完型补上，而不是由模型真的“打”出来。对我来说，AIGC电影最重要的技巧，不是让AI生成得更复杂，而是让你作为导演更会“藏拙”。

4. 现场踩坑实录：这5个问题我再也不想遇到

每个AIGC项目都有自己独特的滑铁卢。下面这五个问题，是我做《归义军》时真实遇到并且解决掉的，值得抄进你自己的项目手册。

4.1 模型版本升级带来的“主角整容”

做到一半，我使用的视频生成平台悄悄升级了底层模型。结果同一个prompt生成出来的主角，突然从一个四十岁、满脸风霜的守军将领，变成了皮肤光滑、发型精致的偶像剧男主。我当时还以为是自己prompt写错，反复排查了半小时才发现是模型变了。

此后我定下一条铁律：项目期间锁定模型版本，不轻易升级。如果平台不允许锁定版本，就只把升级前已经合格的素材作为首帧，让后续生成沿着首帧的人物外观走。另外，每次升级后先跑一组“渲染对比测试”：用同一段角色基准图和同一段prompt生成两三帧，和旧版本结果比对。确认没有出现角色“换头”再继续投入生产。这条流程看起来多花半小时，实际能省下未来几天的返工。

4.2 “生成一时爽，转码火葬场”

视频生成模型输出的视频文件往往不是剪辑友好的格式，帧率、码率、色彩空间都不统一。我一开始直接把一堆素材拖进剪辑软件，结果预览窗口卡成PPT，导出的成片在不同输入设备上颜色也不一样。

后来我统一在收工前做一次“素材标准化”：全部转成30fps、统一分辨率、统一渲染格式。转码工具并不复杂，免费的ffmpeg命令行就可以批量处理。这里给个建议：转码时不要顺手“增强画质”，那会破坏原始画面细节，只做格式转换，保留尽可能多的原始信息。为降低风险，转码前把原始文件留一份，免得后续发现某段素材还有二次利用价值。

4.3 同一场景隔了太久，美术风格漂移

有个场景，我第一周生成了一版偏暖、偏“水墨质感”的版本，觉得很不错；第三周想补一个镜头，发现模型生成出来的是“浓艳厚涂”质感，连城墙砖缝都变得比之前清晰十倍。这就是风格漂移。

我后来给每个重要场景做了一张“场景护照”卡片：场景描述、色彩基调、常用负面词、构图参考、特殊道具、光线基线。在每次生成前，先对照护照确认没有遗漏，再开始工作。如果发现某个词已经无法把风格拉回来，就把护照里记录的参考图直接作为风格参考输入。可能的话，所有同场景镜头在一轮工作周期内完成，时间跨度越小，风格漂移越少。这些都是最朴素的项目管理方法，但在AIGC工作流里意外地有效。

4.4 盲目追求4K，输出质量反而更差

很多模型的原生分辨率并没有达到4K，强行超分后会出现“边缘虫爬”和“纹理发虚”。最初我很迷信“输出规格越高越好”，结果一放大画面，老兵的皮甲边缘出现了一圈一圈的伪影，军旗上的纹路像浸了水的毛边纸。观众可能不会注意你素材是1080p，但一定能在三秒内察觉画面过于“塑料”。

正确做法是分步处理：先看原生素材的实际分辨率，能到1080p且画面锐利就保留1080p；如果确实需要放大到2K或4K，就做“轻度超分+颗粒恢复”，不要过度锐化。另外在AI生成阶段，与其执着高分辨率，不如调整提示词，强调“textured, film grain, moderately lit”。低分辨率的素材配上颗粒，视觉上会比“数字锐化”舒服很多。

4.5 素材管理混乱，后期找不到镜头

第一部我经常出现这种情况：硬盘里躺着几百个生成的视频文件，后缀是时间戳和乱码，根本不知道哪个对应哪个镜头。到了后期找素材，只能一个个点开预览，效率低到怀疑人生。

第二部我彻底改变了文件命名方式。每个成片素材都按“场景ID_镜头号_内容简述_版本_状态.mp4”命名，例如“sc04_beacon_oldman_v2_ok.mp4”。另外，我会维护一个极简表格，记录文件路径、镜头号、使用状态、是否过期。每天收工前必须清理当天的失败素材，把明显崩坏的直接丢进回收站，不让它们继续污染视线。

这套“土办法”其实才是AIGC电影制作里最重要的基础。因为生成素材的数量级远高于实拍素材，如果没有命名规范，你就是坐在一座垃圾山里找金子。项目管理工具不一定多高级，一张电子表格加严格命名足够撑起一整条片子。

5. 预算、算力与执行力：AIGC电影到底要多少成本

很多人以为AIGC电影是“低成本爽法”，实际上更准确的表述是“低成本起步，高成本试错”。真正花钱和个人时间的地方，往往不是你想象的那一步。

5.1 单镜头成本：不是“生成一次”而是“选一次”

你看到的最终镜头，背后通常有十几次甚至几十次生成。视频生成是按次计数的，所以单个镜头的成本公式其实是：单次生成成本 × 尝试次数 + 后期处理时间费用。

举一个《归义军》里的普通中景镜头为例：我先生成6个草案用于选构图，再选2个候选人进行首尾帧锁定结构，再对其中一个做风格微调和超分。整个过程大概消耗了10到15次生成，视不同平台单价而定，单个镜头可能从几元到几十元不等。如果你追求极致，一个镜头烧掉上百元也很正常，尤其是动作复杂、环境变化大的段落。

我的建议是：预算上按“最终成片时长的每分钟成本”做规划，并且预留1.5倍缓冲。因为没有人能准确预测自己会在哪个镜头上“上头”。你越是带着“再试一次”的心态，每个镜头的实际成本越可能失控。

5.2 没有顶级显卡也能推进流程吗？

很多朋友一开始就问“我没有4090，能不能做AIGC电影”。我的答案是完全可以。当今的主流图像生成和视频生成，大部分可以在在线平台或云端完成，真正吃本地算力的往往只是LoRA训练、超分放大、复杂后期渲染这类环节。

《归义军》的主力生产基本都在在线平台，本地环境只负责处理两件事：一是用开源模型做局部素材的辅助修补，二是用剪辑软件完成最终成片的裁剪调色。即便是普通游戏本的显卡，跑剪辑预览和轻度超分也够用。卡住的不是硬件，而是“你对工作流的设计”：如果把任务规划成大量本地渲染，自然会被算力限制；如果能提前判断哪些环节必须在线完成、哪些环节可以后期处理，算力瓶颈就没有想象中严重。

如果你想尝试在本地训练LoRA，一张大显存显卡确实方便，但并不强制。很多平台提供在线训练能力，只是你需要注意生成素材的版权条款和使用范围。总之，先跑通一条最小可用流程，再考虑堆硬件。

5.3 怎么在有限资源里完成一部可信的成片

如果非得给后来者提一个具体的资源配置方案，我的经验是这样：成片长度控制在8到12分钟，核心场景控制在2到3个，重要角色控制在3到4个。这样做不是为了偷懒，而是因为每个新增场景和角色，都必须支付“资产库+一致性+风格统一”的隐形成本。

时间分配上，我曾以为视频生成会占大头，实际上它只占约三成。真正的大头是前期资产准备和后期的声音、调色、剪辑。你别指望“先随便生成一堆镜头，最后再想怎么剪”。成片能否成立，在场景卡片阶段就基本决定了。

我自己在《归义军》里用过的一个非常有效的办法，是先剪一个90秒的“试剪片”：把核心镜头、临时配音、临时音乐、粗糙调色全部串起来。这个试剪片不必好看，它的意义是验证整条片子的信息链是否通顺、情绪节奏是否合理。试剪片通过后，所有后续生成都只是替换更高品质的镜头。这样既能避免资源浪费，也不会在错误方向上越走越远。

如果现在有人问我，做第二部AIGC电影最大的体会是什么，我会说：AIGC电影其实是一门“剪辑的艺术”，而不是“生成的艺术”。你花在系统设计、项目管理、素材规范上的时间，最后都会成倍地回到成片质量里。生成前的每一分克制，都会在剪辑台上获得回报。