企业官网建设流程全解析

这两年被问到最多的问题就是：“AI漫剧到底怎么做？从哪下手？”市面上课程一堆，但多数讲单点，不讲全流程，要么只教美术出图，要么只教视频生成，结果新手学完还是拼不出一条完整片子。这篇就用我自己跑通一套三集漫剧项目的经验，把剧本、脚本、美术风格、分镜、视频生成、配音配乐从头到尾拆开讲一遍，每个环节都给出可以直接抄作业的流程和参数。你不用一次性全部照搬，可以先照着跑通一版，再根据自己题材调优。这篇内容不挑基础，哪怕你完全没玩过生成式AI，只要按顺序操作，也能在3小时左右产出一条成品漫剧片段。建议收藏后按章节跟练，每一部分都藏着我踩过的坑和修正方案。

1. AI漫剧到底在做什么：把一条可复制的生产链路装进脑子

1.1 别把AI漫剧想复杂，它本质还是一部动画短片的折中方案

很多人第一次接触AI漫剧，会被“AI”两个字唬住，觉得和传统动画制作差别很大。实际上它的生产链路非常清晰：文本创意变成视觉画面，画面变成动态视频，视频配上声音。传统动画需要原画师、动画师、配音演员、混音师一字排开，AI漫剧则是同一个人用几个工具分别完成对应工种。区别不在于流程环节变少，而在于每个环节的产出密度和迭代成本低了。过去改一个镜头，要重新画、重新做动画；现在改一个镜头，重新生成一张图再跑一遍生成就行，几分钟的事。

这里要先建立一个认知：AI漫剧不是“AI帮你全自动做剧”，而是“AI帮你降低了每个环节的执行门槛”。你仍然需要判断剧本好不好、分镜连不连、配音有没有情感，AI只是把中间大量重复的执行劳动吃掉了。所以这套全流程的核心不是学某个工具参数，而是学会在每个环节快速做决策——这个镜头要不要保留、这段台词是不是冗余、风格是不是漂移了。整个流程我通常拆成六个节点：剧本、脚本、美术风格、分镜、视频生成、配音配乐，往下每一步都围绕这六个节点展开。

1.2 为什么现在入局正合适，以及需要准备什么硬件和环境

前几年做AI漫剧很容易卡住：生图工具风格乱飘、视频生成一两秒就断、配音机器人味浓，做一集片子一个月都磨不完。现在工具链成熟得很明显，生图模型对风格控制更稳了，图生视频能把静态画面按提示词较准确地运动起来，语音合成的自然度也提升了一个台阶。更重要的是，这些工具的调用方式基本标准化了，网上能找到大量可复用的模板和参数组合。

硬件方面，说实话入门真不需要顶配设备。本地跑开源图像模型的话，一张8GB显存的显卡就能做基础出图和风格测试，显存不够就用在线生成平台。真正吃性能的是视频生成环节，但成熟的在线工具已经承担了大部分运算，本地只要保证剪辑软件预览不卡就行。如果你是纯新手，我的建议是不要一上来就本地部署全套开源工具，先用在线工具跑通流程，理解每个环节需要什么输入、输出什么格式，再决定要不要本地化部署。全流程产出效率比单个环节的硬核程度重要得多。

2. 剧本与脚本：把一页纸剧情变成能喂给AI的分镜文本

2.1 三幕式结构再短也要有，不过你得给它做短视频化改造

我见过非常多新手写AI漫剧剧本，上来就是“主角穿越到古代，遇到将军，然后两人一起平定叛乱”，信息量很大，但全部塞进3分钟的片子里，结果每个情节都只沾了个边。短视频漫剧的剧本长度通常是3分钟到5分钟，对应文案大约600字到1000字。这个体量下，传统三幕式结构依然要用，但要做压缩：第一幕用两三句话交代世界和主角目标，第二幕集中展示一次冲突和一次转折，第三幕收束情绪，留钩子给下一集。

比如三集漫剧中某一集的主题是“被困在迷宫里的小伙伴们找到出口”，我会先写一句话梗概，然后拆结构。第一幕：主角发现迷宫出口被巨石堵住。第二幕：团队尝试三种破门方法，前两次失败，第三次发现某种植物能溶解巨石。第三幕：门开了，但出现新的迷宫岔路，悬疑收尾。这个骨架很老套，但短视频剧情要的就是这种“30秒一个钩子”的节奏。我给出的实操建议是：剧本阶段不要纠结文笔，先把“起—承—转—合”四段分别写30字以内的内容摘要，四段摘要加起来就是全集的故事脉络。

2.2 脚本改写：把文学化叙事翻译成可视化分镜语言

剧本是故事层面，脚本是镜头层面。这一步最大的障碍是很多新手分不清“他感到很焦虑”和“他咬着手指甲来回踱步”的区别。AI不理解“焦虑”，但理解“咬手指”“来回踱步”这种视觉描述。所以脚本改写的核心任务就是做视觉化翻译：每一个叙事句都要拆成角色动作、表情状态、景别、环境要素这四个维度。

我常用的脚本模板是把每一场戏拆成一个表格，每行包含：场次编号、景别、画面内容描述、角色台词、情绪氛围、时长估算。其中画面内容描述要具体到“角色站在窗边，侧脸，光线从左上方打下来，手扶着窗框”，而不是“角色在思考”。台词部分如果手头没有确定的对白，可以先写“TBD”，但画面描述必须完整，因为后面所有生成工作都以画面描述为核心输入。这套表格看起来做得好很正常，得到一套结构化的“图生文”落下来，后续才能顺畅推进，千万不要省掉。

2.3 对白与台词：用口语节奏代替书面腔

AI漫剧最终是要配语音的，所以脚本里每一句台词都要符合口语节奏：短句为主，尽量避免书面语和长定语。我自己习惯写完后朗读一遍，哪里读着拗口就重新断句。另外，口语台词要有“插话”和“停顿”的自然感，比如“等等，你说那扇门……是被谁锁上的？”这种说话时思路被中途打断的状态，比“那扇门是被谁人锁上的，你知道吗”更像真人聊天。生成配音时，这种带标点符号变化的文本也更容易让语音合成处理出自然的语气起伏。

3. 美术风格与角色一致性：漫剧质感的关键防线

3.1 用关键词矩阵锁定风格基线，而不是靠手感碰运气

美术风格是AI漫剧的视觉名片，也是让AI“听话”最难的地方之一。新手最容易踩的坑是每张图都用不同的随机风格，结果全片看起来像好几个团队各画了一段。要让风格稳定，需要在项目开始前就确定一个“关键词矩阵”，把作品、年代、光线、材质、画风统一起来，之后所有图片生成都复用这套矩阵。

我习惯用一个风格描述模板：核心画风词+年代媒介词+光照氛围词+色彩倾向词+质量后缀。比如“现代漫画风格，赛璐璐质感，硬朗墨线，城市夜景，冷调蓝紫主色，高对比，角色面部特写细腻”。每一次出图都把这串词放在提示词开头，AI生成结果就倾向于统一样式。如果你想更快，可以直接用参考图模式，把项目第一张满意的概念图作为风格锚点图，后续生成的图片都参照它来定风格，这样比纯靠文字描述更稳定。

3.2 角色一致性：建一个角色卡，把外貌拆成不变参数

漫剧是连续叙事，同一个角色要在不同集、不同场景里反复出现，如果主角每换一个镜头就换一张脸，整个叙事就崩塌了。保证角色一致性的通用做法是“角色卡”工作流。把每个主要角色的外貌拆成固定字段：性别年龄、发型、发色、眼睛颜色、脸型、身高体型、服装类型、服装主色、标志性配饰，再附上一张定妆图。后续生成这个角色的任何画面，都把这几个字段描述原样复制进提示词。

细节上要特别留意静态特征。有一个真实案例：某项目主角有颗嘴角痣，结果AI出图时一半画面有痣一半没有，观众弹幕就有人问“是不是换了演员”。这就是角色卡没锁好。你可以利用“种子值”或“局部重绘”功能做固定，每次生成同一角色时锁定同一个种子号，能显著降低脸型漂移概率。另外，如果生成平台支持训练轻量级模型，像我给某个虚拟角色做过训练，几十张定妆图就能得到一个专属风格包，之后输出的一致性会高很多。

3.3 场景与道具：配角也有统一色卡

不要只顾主角一致性而忽略场景和道具。比如某个漫剧系列设定在沿海小城，所有室外场景的招牌、栏杆、天空色调必须统一，不能让第一集是官红色调、第二集变成青灰色调。我建议做一个“全局色彩板”：背景主色、前景辅助色、照明色温、滤色倾向四个值定好，所有场景图生成时都附带色彩板描述。道具方面，重要道具最好也做单独的参考图，比如主角的怀表、地图残片，生成特写镜头时直接用语料替代描述，固定下来。这一步做的越细，后期视频生成的连惯性越好，因为镜头切来切去时观众不会感觉到视觉撕裂。

4. 分镜设计：用镜头语言补齐AI不懂的叙事逻辑

4.1 分镜表不需要画得多好看，但要信息完整

传统动画分镜要画成一个个小格子，AI漫剧的分镜不一样，它更像“用文字写出的分镜表”。你只需要把上一阶段整理好的脚本按镜头切分，同时标注景别、运镜、角色动作、关键视觉元素、时长、台词。一张标准A4表格就能装下二十个镜头的信息。不要迷信复杂的漫画式分镜草稿图，除非你是美术专业出身，否则文字分镜足够让AI理解每一幕的画面意图。

镜头时长分配要符合观看节奏：普通对话镜头控制在2到3秒，动作场面每镜头1.5秒到2秒，情绪关键镜头可以拉到4秒以上。全套下来时长总和就是片子长度。我一般会把脚本里的每一段剧情对应到一个分镜块，保证每一块内部逻辑连贯，块与块之间则通过“叠化”或“黑场”过渡。这样做后面剪辑时素材拼接会非常顺畅，不容易出现AI生成的两段画面风格割裂的问题。

4.2 景别、角度与运镜：用AI提示词表达镜头感

AI生图模型本身不识别“叙事逻辑”，但它能识别“镜头术语”。所以分镜描述里要明确写景别和角度。景别我用标准术语：远景、全景、中景、近景、特写、大特写。角度有平视、俯视、仰视、斜角。运镜在视频生成阶段尤其重要，像“镜头从女主脸部特写缓慢后拉，露出背后的城市废墟”这类提示词，能引导视频生成模型做出推拉变焦效果。这里一个经验是：每句运镜描述里最多包含一个运镜动作，不要写“从特写拉远并同时环绕角色”，模型很容易只执行一半或直接乱动。

构图方面，AI生成的画面偶尔会出现角色居中、画面空旷、没有视线引导的问题。我会在提示词里加上环境引导信息，比如“角色站在画面右侧三分之一处，左侧是敞开的门，光线从门外射入”，这样生图结果的信息层次会更接近人工分镜的视觉逻辑。

4.3 关键帧优先工作流：用一张图管住一段视频

到了分镜和视频生成的交界处，推荐一个非常实用的工作法：每个镜头先出一张关键帧图，代表这镜头最核心的一帧画面，再用这张图作为底图去做图生视频。这一步性价比极高，比直接用提示词让AI凭空生成动态画面要稳定得多。关键帧要选择动作开始瞬间或包含最多镜头信息的那一帧，比如准备跳跃前、转头瞬间、门被推开时。我通常一个镜头生成2到3个关键帧候选，从中挑一个构图最稳的进入视频生成，后续生成出来的动态片段质量会明显提升。

5. 视频生成：画动起来只是及格线，节奏和口型才是难点

5.1 三类运动需求，匹配三种生成策略

视频生成是AI漫剧里最容易失控的一环，因为AI对物理规律的理解仍有限。把运动需求拆成三类来处理会更可控。第一类是静态场景加轻微动态，比如头发飘动、树影摇晃、光斑移动，直接使用图生视频功能，提示词写“轻微风动、氛围感、缓慢变化”，成功率很高。第二类是角色动作，比如行走、抬手、回头，这需要更明确的控制条件，最好配合姿态类工具，把关键帧的角色姿态框好再生成。第三类是镜头运动，比如推近、拉远、横摇，这类效果往往和角色动作混在一起，如果画面里角色动作简单，就直接用运镜提示词控制；如果角色动作复杂，建议分成身体动作和镜头运动两次生成，后期叠加起来。

5.2 画面质量筛选标准：什么片段值得留下

不是AI生成每一段视频都能用。我一般设立三个保留标准：第一，主体有没有形变，手指、眼睛这类细节区域有没有崩坏；第二，画面是否有明显闪烁，特别是背景在大幅度明暗抖动；第三，动作幅度是否符合分镜要求，比如要求“小幅度点头”，结果生成出来角色整颗头像弹跳一样，就果断重来。

筛选时建议把生成片段全部导入剪辑软件的轨道上做初筛，不要生成一段看一段，那样效率太低。如果某个镜头反复生成都不满意，不要死磕这一个镜头，先往下做别的镜头，最后再回来通过改变提示词描述或换一张关键帧重试。这个“绕行”策略能防止你被卡住一整天。我自己实测，一集3分钟的漫剧，视频生成环节大概会产出40到60条片段，最后真正用上的可能只有20条左右，剩下全是废素材，很正常。

5.3 时间线剪辑：让素材在切接中产生节奏

所有动态素材就位后就进入剪辑阶段。AI漫剧的剪辑相比真人视频更依赖“切点”的准确度。我习惯先把所有镜头按分镜表顺序铺进时间线，然后每段素材预览一遍，截取视频中运动最完整、动作最流畅的2到3秒使用。拖动时间线时，节奏感靠“声音先行”：如果这段画面后面接的是激烈BGM，那就把切点放在动作冲击力最强的那一帧；如果后面是安静对白，就多留一点呼吸感再切。

还有一个小技巧：AI生成的片段通常首尾几帧不稳定。我剪辑时会统一把每段素材首尾各裁掉5到10帧，虽然素材变短了，但整体画面的稳定度会显著提高。记住，流畅永远比画面信息量大更重要，观众看漫剧习惯的是“一镜一意”，素材跳变一眼就会被感知到。

6. 配音配乐：声音到位，漫剧才算真正立起来

6.1 声音设计三件套：配音、音效、背景音乐各有分工

很多新手做AI漫剧，画面折腾了半天，最后随便配个BGM就发布了，结果内容像默剧。声音设计在成片中的权重远超预期，至少等于画面的三分之一。配音负责角色情绪和台词信息；音效负责环境、动作等物理感；BGM负责整体节奏和观众情绪引导。三者拆开做，不要指望一个音轨全包。

实战中我会给角色配音单独建一轨，音效一轨，BGM一轨，最后还有个环境底噪轨。配音轨是核心，音色选择上要匹配角色年龄段和气质；音效要用好“拟音素材库”，脚步声、推门声、风声这种素材，网上有很多免费可商用库；BGM注意不要抢戏，人声配音密集时，BGM音量降低到能隐约听见的程度就好。

6.2 让语音合成带情绪：标点、停顿和重音提示是关键

用语音合成做漫剧配音，最大的问题是“AI味”，具体表现为语速匀速、重音错误、句词之间缺乏停顿。我总结的改善方法有三个：第一，文本里多用短句和标点符号制造停顿节奏；第二，把需要强调的词用引号或大写方式标注出来，部分合成引擎能识别这种强调；第三，选择一个有情绪波动感的音色，初版合成后试听，哪里情绪不对，就在对应位置加语气词（如“啊”“嗯”“哈”）重新合成。

还有一条经验：不要追求一次合成长段对白，最好按镜头或按句子分段合成。分段合成为之后的剪辑提供了更大灵活性，哪句说得不好单独重录这一句就行，不用整轨推翻。另外加一个非常轻的混响，大约在干湿比1比9左右，可以削弱数字语音的生硬感，听起来像在真实空间里说话。

6.3 BGM情绪锚点：给每个小段落贴一个情绪标签

背景音乐的作用是让观众的情绪节奏跟着剧情走。我给每个分镜块都贴一个情绪标签：紧张、舒缓、悲伤、惊悚、温暖、燃。然后按标签去音乐库匹配。不要全片只选一首歌从头放到尾，那样3分钟内容会显得单调。配乐更换点通常选在分镜块转换处，配合画面上黑场或过渡，观众不会有突兀感。音量自动化也是关键：在对话密集处把音乐往下压，在纯动作段落把音乐推起来，让BGM的起伏结构反推出剧情的起伏结构。

7. 常见问题与避坑实录：我把踩过的坑一次性告诉你

7.1 角色脸崩、穿模、头发乱飞，这些问题多半出在生成源头

很多人发现某个镜头角色脸崩了，第一反应是换提示词，其实问题经常出在前置的关键帧。如果你关键帧阶段角色脸就不稳定，那后面视频生成只会更严重。排查时先回看关键帧是否为同一角色：如果关键帧之间角色眼睛、脸型有明显差异，就回去改角色卡或种子参数。另外画面中角色数量一多，AI就非常容易搞混主次，最好在提示词里明确“画面主体是A，B位于背景且不直视镜头”，大幅降低角色互换概率。还有头发细节，AI在动态生成时很容易把发丝弄成乱草，我的策略是画风偏写实时，就在关键帧里简化发型结构，能有效降低动态形变。

7.2 镜头闪烁和画质糊，剪辑阶段的后期补救方案

即便关键帧很稳，图生视频仍然会出现帧间闪烁。我自己的处理路径是：先在剪辑中对素材做一次轻微锐化和降噪，只加微量参数，过度处理会让画面显得塑料感。如果闪烁仍明显，就用逐帧插帧修复方式，把闪烁严重的片段替换为更静态的镜头，比如切到只有环境风吹动的画面，用场景空镜稀释视觉疲劳。画质糊的问题则要检查素材来源，避免反复保存压缩。

7.3 流程管理：用版本号和素材命名挡住混乱

AI漫剧项目素材量巨大，同一镜头可能有多个候选版本。我强烈建议从第一天就建立命名规则：集数—镜头序号—版本号—状态。例如“S1E3_shot12_v2_FINAL”，一眼就知道是第1季第3集第12号镜头的第2版最终稿。千万别用“最终版”“最终版2”“最终版3”这种命名，我见过不止一个项目在导出阶段分不清素材版本，最后把旧的、错了的镜头拼进成片，返工成本极高。

7.4 时间预算的真相：3小时到底能完成什么

标题写“3小时学会”不是说3小时能产出一条成品大片，而是说3小时能让你完整走完一遍全流程，做出一条1分钟左右可发布的样片。按我的实测，新手第一次跑完全流程，时间分布大致会有个预期：剧本和脚本约40分钟，美术风格定调和角色卡约50分钟，分镜和关键帧约50分钟，视频生成约60分钟，配音合成和剪辑约60分钟。这已经算顺利的估算，中间遇到问题重新生成，单镜头可能再停留几分钟。我第一次做时花了六小时，之后熟练了才逐渐压缩到三小时级别。所以开头说的3小时，是针对有一定操作基础的入门者而言的。

最后再说一句实在话。AI漫剧的门槛不在AI，而在你能不能把“导演思维”拆成AI能理解的指令。工具一直在变，每隔几个月就有新的生成模型出来，但“剧本—脚本—美术—分镜—生成—合成”这条全流程骨架，短期不会变。现在这套流程里，最难替代的依旧是你的审美判断：哪个镜头该留、哪个版本情绪到位、哪句台词说出来能让人共情。把这些判断练熟了，AI充其量是换一批更顺手的工具而已。