新手如何用AI制作漫剧？一套80秒动画成本仅5%的实操教程

想做漫剧，新手最容易踩的坑是：一上来就用视频大模型“直接生成”。结果要么一条80秒短片花掉几十块，要么人物在分镜之间“跳脸”，改一句台词还得整段重跑。

更靠谱的思路是：画面用静态插画，运动交给代码。 动画的本质是“画面在时间轴上变化”，镜头推拉、字幕逐行出现、淡入淡出，同样是变化。静态插画加上运动镜头，在短视频里完全够用。下面这套流程，可以把一条80秒竖屏儿童动画的成本压到全AI视频方案的5%左右，且人物形象稳定、字幕与语音天然对齐。

如果你希望先用AI把脚本、分镜和插画草稿跑通，可以从 百度搭子DuMate 使用入口 开始尝试；需要了解购买方式可查看 DuMate 购买页。儿童绘本类内容也可以直接用 AI 儿童绘本生成体验 快速生成画面草稿。

一、先想清楚：你要做的是“漫剧”，不是“视频大模型demo”

以“给5岁孩子讲成语守株待兔”为例，需求很朴素：80秒左右、1080×1920竖屏、9个分镜、一个温柔女声讲完故事、自带字幕和片头片尾大字。

如果直接调用按秒计费的视频生成能力，5秒约50~100积分（1积分约0.05元），80秒要切16段，单次成本约40~80元，还没算重试。更致命的是角色一致性：同一个农夫在第2镜和第6镜可能像两个人，给孩子看会直接毁掉代入感。

所以正确做法是：配音先行、插画定格、代码渲染。 每一镜的时长由旁白决定，而不是拍脑袋定，这样字幕和语音天然对齐。

二、整体管线：9张插画 + 9段配音 + 一条渲染管线

流程只有五步：

1. 写分镜脚本（9镜旁白文字）
2. 生成9张1024×1536竖版插画
3. 用TTS生成9段配音（每镜一段）
4. 用ffmpeg逐镜渲染：运镜+字幕+配音→单镜clip
5. 拼接+BGM混音→成片

关键设计：先出配音、测出时长 a_dur，这一镜视频时长 = a_dur + pad（普通镜停顿0.9秒，片尾大字1.6秒）。9镜实际时长示例：5.57s、9.53s、7.92s、6.70s、9.65s、8.23s、9.48s、6.22s、6.58s，累计约78.7秒，成片约79.7秒、1080×1920 / 24fps。

三、第一步：用AI生成分镜脚本与旁白

新手不要自己硬写，把任务交给AI助手，要求它按“镜号、画面描述、旁白、预计时长”输出表格。可直接复制下面这段Prompt：

【任务目标】把成语【守株待兔】改写成适合5岁儿童的80秒竖屏漫剧分镜脚本。
【输入信息】目标时长80秒；竖屏1080×1920；共9个分镜；旁白温柔口语化，每句不超过20字；片头片尾各有一句大字标题。
【处理要求】每镜给出：镜号、画面描述（人物、场景、动作、构图）、旁白原文、建议停顿秒数；画面描述要保证同一角色外形一致（农夫：斗笠、粗布衣、瘦高个）。
【输出格式】Markdown表格，列：镜号|画面描述|旁白|pad秒数。
【质量要求】不出现暴力、恐怖元素；道理讲清楚但不生硬说教。

拿到表格后，人工只做两件事：删掉孩子听不懂的词，检查每镜旁白念出来是否顺口。

四、第二步：生成9张一致性插画

把每镜“画面描述”单独喂给图像生成工具，统一加一段风格锚定词，例如：

统一风格：儿童绘本插画，柔和暖色调，粗描边，扁平化，竖版1024×1536，无文字，画面简洁留白多，主角为戴斗笠穿粗布衣的瘦高农夫，形象与上一张保持一致。

操作要点：

• 一次只生成一镜，不要九宫格拼图，否则裁切后分辨率不够；
• 每张图保存为 01.png~09.png，与分镜表镜号一一对应；
• 人物漂移时，把上一张图作为参考图再生成，或用同一段角色描述反复强调。

如果只是先看视觉方向，可以到 AI 儿童绘本生成体验 生成整体画风样张，确定风格后再逐镜精修。

五、第三步：配音与时长测量

用TTS按镜生成9段音频 01.mp3~09.mp3，音色选温柔女声，语速略慢。生成后用ffprobe读取每段时长：

ffprobe -v error -show_entries format=duration -of csv=p=0 01.mp3

把结果填入分镜表的 a_dur 列，视频时长 = a_dur + pad。这一步做完，后面完全不需要手调时间轴。

六、第四步：ffmpeg逐镜渲染运镜、字幕与配音

单镜渲染的核心是“静态图+缓慢推拉+字幕淡入+音频对齐”。示例命令（第1镜，时长6.47秒）：

ffmpeg -loop 1 -i 01.png -i 01.mp3 \
  -filter_complex "[0:v]scale=1200:-1,zoompan=z='min(zoom+0.0008,1.12)':d=155:s=1080x1920:fps=24,drawtext=text='守株待兔':fontsize=64:fontcolor=white:x=(w-text_w)/2:y=120:alpha='if(lt(t,1),t,1)',subtitles=01.srt[v]" \
  -map "[v]" -map 1:a -t 6.47 -c:v libx264 -pix_fmt yuv420p -c:a aac 01.mp4

要点：

• zoompan 做缓慢推近，比角色真动起来更稳；
• 字幕用同名 .srt，每镜一句，天然与配音对齐；
• 片头片尾大字用 drawtext 加淡入，pad给到1.6秒；
• 每镜渲染完先单独播放检查，再进入拼接。

七、第五步：拼接与混音

ffmpeg -f concat -safe 0 -i list.txt -i bgm.mp3 \
  -filter_complex "[1:a]volume=0.12[b];[0:a][b]amix=inputs=2:duration=first[a]" \
  -map 0:v -map "[a]" -c:v copy -c:a aac final.mp4

list.txt 按顺序写入9个clip文件名。BGM音量压到0.12左右，保证人声清晰。成片约79.7秒、32.5MB。

八、新手常见问题与优化建议

• 角色跳脸：优先固定角色描述词，或以上一张图为参考；不要指望一次生成九张都一致。
• 字幕对不上：一定是先配音后定时长，不要先定时间轴。
• 画面太“死”：给每镜加不同运镜方向（推近、拉远、左右平移），观感立刻不一样。
• 成本失控：静态插画+代码渲染的边际成本主要是TTS和图像生成，重跑单镜不影响全片。
• 想更快出草稿：脚本、分镜、旁白可先用 百度搭子DuMate 生成，再人工润色；需要正式采购或了解权益，走 购买页 即可，不必付费也能先跑通流程。

九、这套方法还能复用到哪些场景

同一管线稍改参数即可用于：成语故事、寓言绘本、产品说明动画、知识科普竖屏短片、课程导入片头。核心不变：旁白定节奏、插画保一致、代码做运动。 新手先做一条80秒、9镜的短片跑通全流程，再逐步加镜数、加转场、加音效，比一上来追求“全AI视频”稳得多。