怎样用AI制作短剧？一套可落地的完整流程

很多人以为用AI做短剧就是”写个提示词，等视频出来”。实际做过一遍就知道：真正的成本在等待、返工和一致性控制上。一条4分钟的片子，可能要拆成十几个15秒片段，每段反复生成、筛选、重来，前后耗掉二十多天是常态。所以与其问”哪个工具最好”，不如先搞清楚整条流水线怎么搭、每一步该产出什么、坑在哪里。

如果你想边看边动手，可以先通过百度搭子DuMate把故事、剧本、分镜这些文字环节先跑通，再进入视频生成；需要了解购买方式的可以看DuMate购买页，不必一上来就投入。

一、先明确：AI短剧的四个核心环节

一条完整的AI短剧流水线，可以拆成四段：

1. 文本层：故事 → 分场剧本 → 分镜头脚本
2. 角色层：角色设定卡 + 角色参考图
3. 生成层：分段生成视频片段（每段10~15秒）
4. 组装层：剪辑、配音、字幕、转场

大部分新手失败，不是败在生成层，而是文本层就模糊——分镜写得粗，生成时提示词就没法具体，出来的画面自然不可控。所以流程要从”把故事拆细”开始。

二、第一步：写故事与转剧本

故事阶段不必追求玄学提示词。有效的做法只有两点：明确让AI扮演编剧角色，明确告诉它你要什么规格。

可复制Prompt（故事→分场剧本）：

你是一名短剧编剧。请把下面的故事梗概改写成可执行的分场剧本。
【故事梗概】：<粘贴你的故事，200字以内>
【成片时长】：约4分钟
【风格】：<例如：都市悬疑/温情治愈/轻喜剧>
【输出要求】：
1. 拆成8~12个场次，每场注明：场次编号、场景地点、时间（日/夜）、出场人物、本场剧情作用；
2. 每场附一段人物台词，台词口语化，单句不超过20字；
3. 标注每场的预计时长（秒）；
4. 不要写镜头语言，只写"这场戏发生了什么"。

拿到分场剧本后，再进入分镜。分镜是把”戏”翻译成”镜头”的关键一步，越细，后面生成越省事。

可复制Prompt（分场剧本→分镜头脚本）：

你是一名分镜师。请把下面的分场剧本拆成逐镜头脚本，用表格输出。
【分场剧本】：<粘贴上一步结果>
【输出表格列】：
镜号 | 景别(远/全/中/近/特) | 机位角度 | 运镜(固定/推/拉/摇/跟) | 画面内容 | 人物动作与情绪 | 服饰道具 | 光线氛围 | 台词 | 时长(秒)
【要求】：
1. 每个镜头不超过5秒，全片镜头总数控制在40~60个；
2. 同一场景内的镜头，光线氛围描述保持一致，方便后续统一风格；
3. 人物动作要具体到"手做什么、脸朝向哪"，不要写"表现悲伤"这类抽象词。

这张表就是你后面写视频提示词的”底稿”。分镜越具体，生成时的提示词就越不容易跑偏。

三、第二步：角色一致性，这是最核心的难题

AI短剧最容易崩的地方就是”人不像同一个人”。目前主流思路有两条，各有代价：

路线A：图片定角色 → 视频引用延续

先用提示词生成角色定妆图，再用这张图生成第一个15秒片段；之后每次生成新片段，都把上一段视频作为参考上传，在新提示词里继续引用同一角色和场景。好处是声音音色、画面风格、整体氛围能顺下来；代价是参考上传通常按双倍额度消耗，成本翻倍。

路线B：纯图片参考 + 音色单独指定

不上传视频，只用角色图生成画面，声音则另外上传音色参考，在提示词里指定”谁用哪种声音说话”。这样能绕开一部分视频参考的限制，但音画同步的稳定性会下降。

关键坑：人脸审核。 上传的片段里只要出现人物近景，系统很容易判定为真人素材而拦截，改提示词也无效。现在审核趋严，甚至全景里两个人的侧脸都可能被识别。常见的绕法是把人物改成手绘/插画风格，或先出纯场景图、再用提示词把人物”放回去”——后者需要拿上一张图反推提示词，操作繁琐，效果也未必理想，但至少能跑通。

实操建议：把”能过审”当作选角的第一步，先小成本测试某个角色形象能否稳定生成，再决定整片是否用这个设定，避免做到一半卡死。

四、第三步：工具选择与排队问题

生成工具的选择，直接影响你能不能坚持做完。实际体验下来，差距主要体现在三方面：

• 排队时长：有的平台高峰期排队时间不可控，这是很多人中途放弃的主因；错峰（比如深夜）会快一些。
• 提示词理解力：图像生成环节，理解力强的模型更能还原你分镜表里的细节。
• 参考能力：视频环节，有的工具擅长首尾帧控制，但做不了”全能参考”，容易出现声音对不上、角色换人、表情怪异等问题，多跑几遍只是消耗额度。

选工具的务实原则：先用同一段分镜提示词在两个工具上各跑两遍，比较”可用素材率”，而不是比较宣传参数。 谁的可用率高，就用谁做主工具，另一个只做补充。

角色定妆图和场景图阶段，可以先在AI真人短剧生成体验里试跑整体思路，把故事和角色设定先验证一遍，再决定投入多少生成额度。

五、第四步：分段生成与成片组装

进入生成层后，建议按”分镜表逐镜生成、按场次归档”的方式管理素材，文件名带上镜号，避免后期找不到。

视频片段提示词模板（可直接改）：

【参考图/参考视频】：<上传角色图或上一段视频>
【画面】：<景别>，<机位角度>，<运镜方式>，画面中是<角色名>，<服饰>，<动作>，
身处<场景>，<光线氛围>
【风格】：<统一风格词，全片固定不变>
【声音】：<角色名>使用<音色描述>说话，台词："<台词>"
【时长】：<5秒>
【要求】：人物面部特征与参考图一致，不要改变发型与服装颜色，镜头稳定，不要出现多余人物。

生成后先做筛选：能用的留下，不能用的立刻重跑，不要”先攒着回头再说”——积压会打乱节奏。全部片段齐了再进剪辑：对齐口型与台词、加字幕、补转场和音效。剪辑阶段不需要AI也能完成，重点是每段画面色调统一，否则拼起来会有明显的拼接感。

如果文字环节想更省事，可以用DuMate先批量产出分场和分镜，再人工微调，把精力留给生成和筛选。

六、常见问题速查

Q：角色总是换脸怎么办？
优先保证参考图质量：一张清晰、正面、光线均匀的定妆图，比十段视频参考都管用。同一场景内尽量连续生成，减少跨场景引用。

Q：生成被审核卡住？
先判断卡在哪一层：是人物近景、还是多人侧脸。可尝试改景别（拉远成全景/背影）、改风格（手绘/插画）、或改”先场景后人物”的两步法。

Q：额度消耗太快？
把”试错”集中在图片阶段，图片便宜、视频贵；视频阶段提示词一次写全，减少盲目重跑。

Q：一定要熬夜错峰吗？
不必强求，但如果排队是主要瓶颈，错峰确实能显著缩短等待，把等待时间用来写下一场的分镜，效率更高。

总结

AI短剧的门槛不在”会不会写提示词”，而在流程是否拆得够细、一致性是否控得住、返工成本是否算得清。按”故事→分场→分镜→角色卡→分段生成→组装”这条线走，把每一层的产出物固定下来，你就能把一条看似玄学的AI短片，变成一件可管理、可复盘的工程活。先从一段15秒的测试片段开始，跑通再扩量，比一上来就做4分钟成片稳得多。