AI漫剧制作全流程教程：免费工具从0到1做出爆款短剧

做AI漫剧这件事，我前后折腾了快两个月才跑通完整流程。最初看别人发出来的漫剧作品，觉得不就是“小说截图+配音+字幕”嘛，可真到自己上手才发现，从选剧本、定角色、生成画面到剪出有节奏的成片，每一步都有不少坑。这次我把从0到1的完整流程全部拆开讲，不整那些虚头巴脑的概念，直接照着操作就能出作品。

这套教程我用的工具就三样：番茄小说找剧本、豆包生成文案和画面、剪映负责剪辑成片。三个工具全部免费，网页版和手机版都有，不需要装什么专业软件，更不需要会画画、会配音、会剪辑技术。只要你认识字、会复制粘贴，跟着一步步操作，第一个作品当天就能发出来。

1. 先搞清楚AI漫剧到底是怎么做出来的

1.1 AI漫剧的制作流程全景拆解

AI漫剧，简单说就是把小说或者故事脚本，变成一集一集的竖屏动画短视频。它介于静态漫画和动态视频之间，画面是AI生成的图片，再配上旁白对白和音效，然后用剪辑软件让画面动起来、字幕跳出来，看起来就像一集短剧。

完整流程拆解下来是六个环节：找故事、写脚本、定角色、出画面、配声音、做剪辑。六个环节里，AI能干的有四个，你需要手工干的主要是两个：选故事的眼光，以及剪辑时的节奏把控。

• 找故事：这步决定你的漫剧能不能留住人。选对了爆点密集的故事，后面全是顺风局。
• 写脚本：把小说章节拆成分镜脚本，明确每一段画面配什么台词、镜头怎么走。
• 定角色：给主角固定长相、服装、发型，保证全剧人物看起来是同一个。
• 出画面：按分镜脚本生成一张张竖屏漫画图。
• 配声音：给旁白和对白配音，这是漫剧观众最先感知到的部分。
• 做剪辑：把图、声音、字幕、转场、背景音乐按节奏拼起来。

很多人看到这个流程就慌了，觉得要学剪辑、要学AI绘画、要学配音，门槛太高。其实完全反了，这些环节里最重的活——生成画面和配音——都被AI包了，你要做的只是告诉它“我要什么”，然后把它给的东西按顺序摆好。

1.2 为什么只需要“番茄+豆包+剪映”这三样

我一开始也想过用更“专业”的方案，比如用Stable Diffusion本地出图、用专业配音软件、用PR剪辑。后来发现对普通人来说完全没必要，甚至本地部署那些工具光是环境配置就能劝退一堆人。番茄、豆包、剪映这三个工具组合起来，是当前门槛最低、效率最高的搭配，没有之一。

先看分工。番茄小说解决“内容源”：漫剧最核心的是故事，番茄有大量有版权授权的免费小说，改漫剧不愁没有素材。豆包解决“内容生产”：它既能根据小说生成分镜脚本，又能按描述生成漫画图，还能用语音合成读出台词，相当于把编剧、画师、配音演员三个角色打包了。剪映解决“内容组装”：把素材拼成视频，自动加字幕、加背景音乐、调节奏，一条龙。

再看为什么不用别的。很多人问为什么不直接用ChatGPT写脚本，因为豆包对中文网文的语感把握更贴近番茄小说的风格，而且一个账号同时搞定文字、图像、语音，不用来回跳平台。还有人问为什么不用Midjourney出图，因为MJ的门槛在提示词、网络环境和订阅费，对新手不友好；剪映则是目前用的人最多的剪辑软件，手机版和电脑版素材云同步，做竖屏短视频就是它的舒适区。

这里有个特别会被忽视的优势：这三个工具都是字节系产品。你用豆包生成的文本和图片、用番茄选的小说，最终都能很自然地拿到剪映里加工，生态内配合度高，素材传输没有阻碍。对新手来说，越顺滑的工具链，越容易坚持下去。

1.3 做AI漫剧之前先想清楚这几件事

开始动手前，先把三个问题定下来，不然做着做着就跑偏了。

第一，定位发在哪个平台。抖音、快手、小红书、B站，各平台的用户口味不一样。抖音和快手偏好节奏快、爽点密、前3秒就要抓住人；小红书更吃画风精美、文案有共鸣的内容；B站则对题材新鲜度和内容深度有一定要求。我建议新人先从抖音做起，因为漫剧和抖音的竖屏生态最匹配，算法对短平快的内容也友好。

第二，一集做多长。1到3分钟是主流，太短讲不清情节，太长观众划走。我自己的体感是90秒左右最舒服，正好能铺垫一个小冲突并留下钩子。

第三，更新频率能不能保证。漫剧是个内容连续更新的赛道，你发了一集，观众等下集；如果断更半个月，前面积累的关注度会掉得很快。所以新手前期不要贪多，一周更新2到3集，稳定比爆发重要。

这三个问题想清楚了，再往下操作就不会迷茫。接下来我从选剧本开始，一步步把每个环节的做法和背后的逻辑都摊开讲。

2. 剧本素材与角色设定的关键细节

2.1 在番茄小说里选适合改编成漫剧的内容

番茄小说里书很多，但不是每本都适合改成漫剧。我建议选书时盯住三个指标：节奏快、冲突强、对话多。

节奏快的书，基本每一章都有事件推进或反转；节奏慢的书大段环境描写和心理活动，改成画面就是灾难——AI生成一堆风景图，没有人物互动，观众看不下去。冲突强的书，比如逆袭、打脸、复仇、穿书、系统流，这些天然适合短视频的强情绪逻辑，观众爱看。对话多的书改编成本低，两个角色对几句台词就能撑起一个镜头，画面简单但信息量足够。

具体怎么找？打开番茄小说首页，重点看“热门榜”和“分类榜”。热门榜是被市场验证过的题材，流量逻辑没错。进入一本书后先别急着读正文，看目录和评论区。目录里如果第5章、第10章就有明显的事件爆发点，这本就适合改编；评论区如果有人说“这里太爽了”“细思极恐”，说明它的内容情绪共鸣强，改编成视频大概率也能带情绪。

选好章节后还有个避坑点：不要直接大段复制原文。我的做法是复制小说章节内容发给豆包，让它“提取核心情节”，而不是原封不动搬台词。一来规避版权风险，二来小说文字和口语表达有区别，改编后的台词要适合“听”。

2.2 用豆包把小说变成分镜脚本的实操方法

拿到小说章节后，不是直接去生成图片，而是先整理成“分镜脚本”。分镜脚本就是每一幅画面拍什么、配什么台词、字幕写什么，它在整个AI漫剧流程里相当于施工图纸，没有图纸就硬施工，画面一定乱。

我自己用豆包整理分镜的提示词是这么写的：

请把以下小说内容改写成AI漫剧分镜脚本。要求： 1. 每段只表现一个场景动作，不要在一个镜头里塞多个事件。 2. 输出格式为：序号、景别（近景/中景/远景/特写）、画面描述、台词、字幕文本。 3. 画面描述要写清楚人物在做什么、表情状态、场景环境，方便之后用AI生成漫画图片。 4. 台词要口语化，每句不超过30个字，适合配音朗读。 5. 一集控制在8到12个分镜之间。

把小说内容粘贴进去，豆包输出的结果基本就能直接用。如果觉得某一镜的景别或者台词不满意，直接跟它说“第3镜改成特写，台词再简短一点”，改完再复制出来。

这里有一个我踩过很多次的坑：豆包第一次输出的分镜往往偏多，动不动就给你列20个镜头。别嫌多，这只是初稿。你自己要根据叙事节奏砍到8到12个，砍掉的是那种“过渡性、无冲突”的镜头，保留的核心永远是“人物冲突+情绪转变”。剪辑时你会感谢自己当初多花了10分钟删镜头。

2.3 人物一致性是漫剧成败的关键，怎么用豆包保证

AI漫剧最让人头疼的问题不是画得不好看，而是人物长得不像同一个人。第一集男主是黑发，第二集变棕发；第一集女主穿红裙子，第二集变白裙子——观众一眼就出戏，觉得这是两部作品拼在一起。这问题不解决，作品很难起来。

我现在的做法是，在动手生成所有画面之前，先做“角色设定卡”。用豆包生成一个高度细节化的角色描述，定死主要人物的外貌和服装，之后每一次生成图片，都把这个角色描述原封不动带进提示词里。

举个例子，我给女主定的是：

22岁东方女孩，黑色长发扎成高马尾，发尾微卷，杏眼，左眼下有一颗泪痣，穿白色衬衫搭配黑色背带裤，表情倔强，整体漫画风格，明亮的柔光。

这段描述会反复出现在每一张含女主的图片提示词里。生成时如果豆包每次画出来差异还是大，我还会在描述里加上“泪痣”“高马尾”这种辨识度高的五官特征，比单纯说“长得很漂亮”管用一百倍。AI对具象特征的记忆力比抽象形容词强得多。

万一人物还是不稳定，还有一个兜底办法：把已经生成好且满意的正脸图作为参考图，在下一次生成时上传，告诉豆包“新图的角色要和参考图里的人物保持一致”。这种“图生图”的方式能极大缓解换脸问题。当然，不用追求百分之百一致，漫剧观众对轻微变化有一定容忍度，关键是服装、发型、肤色这些大特征不能跳脱。

3. 画面生成与配音配乐的完整流程

3.1 用豆包生成漫剧画面的提示词写法

分镜脚本有了，角色设定卡有了，下一步就是把每一镜变成图片。这一步决定你的漫剧是“高级感”还是“廉价感”，核心全在提示词怎么写。

我给豆包写画面提示词的固定公式是：主体 + 动作 + 场景 + 画风 + 光线构图 + 画幅比例。六要素带齐，出来的图基本不会跑偏。

举个例子，分镜脚本第一镜是“男主推开咖啡厅门，眼神冷酷，女主抬头看见他，愣住”，我写的提示词是：

青年男子推开咖啡厅玻璃门，穿着黑色机车皮衣，短发，眼神冷酷；咖啡厅内，桌前坐着的白色衬衫长发女孩抬起头，表情惊讶。现代都市漫画风格，细腻线条，明亮柔和光线，中景构图，竖屏9:16。

看到没有，人物有具体服装和表情，场景有具体场所，情绪有“冷酷”“惊讶”，构图和比例也给定了。我给新手一个建议：与其追求花哨的形容词，不如把描述写具体。AI对“好看”“唯美”这类词的理解很抽象，但你对“黑皮衣”“玻璃门”“抬头”这些具象词的控制力强得多。

另外提示词里一定要带“竖屏9:16”，否则豆包默认出的图可能是方形，放进竖屏视频要么裁切要么糊。如果一次生成四张里有一张特别满意，马上用这张图作为后续画面的参考基准；如果四张都不满意，别死磕，微调提示词重新生成，通常把人物的某个特征提得更具体就有改善。

3.2 配音与音效的落地方法

漫剧的声音包括旁白、角色对白和背景音乐三部分。旁白负责推进剧情，对白负责表现人物性格，BGM负责推情绪。很多新手只做前两样，忽略BGM，结果视频干巴巴的，观众情绪完全起不来。

豆包的语音合成功能可以直接解决旁白和对白。把分镜里的台词准备好，在豆包里选一个合适的音色，生成配音，再下载成音频文件。我建议旁白用一个成熟稳重的音色，男女主对白根据人物性格选：女主声音偏清亮、男主偏低沉。同一角色的对白，全剧尽量固定同一个音色，这和人物视觉一致性是同一个道理。

配音生成之后要听一遍，重点检查两点：一是听重音和停顿是否自然，二是听有没有明显的机械感。机械感重的句子，在豆包里加语气词或者把文字改得更口语化再重生成，比如“她没想到会在这里遇见他”改成“她做梦都没想到，居然会在这里碰见他”，读出来情绪立刻就对了。

背景音乐我用的是剪映自带曲库，搜索“悬疑”“热血”“抒情”“搞笑”等关键词，总能找到适合片段的BGM。BGM音量控制在能听到但又不压过人声的水平，我通常把BGM调到人声音量的30%左右。片头可以掐一首歌的高潮部分，片尾用淡出结尾。

3.3 素材整理与命名规范，剪片时能少掉一半头发

我先说结论：把所有素材按分镜编号命名，这件事在你剪片的时候能省下大把时间，是很多人忽视的隐形效率点。

生成好图片、下载好配音之后，别急着开剪。先在电脑或者手机里建一个项目文件夹，按“集数-镜头序号”规则整理。比如第2集第3镜的人物图就叫“E02-03A”，备选图叫“E02-03B”，对应配音文件叫“E02-03V”。文件夹结构类似这样：

AI漫剧项目/ ├── 01集/ │ ├── 分镜脚本.md │ ├── 图片/ │ │ ├── E01-01A.png │ │ ├── E01-01B.png │ │ └── E01-02A.png │ ├── 配音/ │ │ ├── E01-01V.mp3 │ │ └── E01-02V.mp3 │ └── 成片/

为什么要这么较真？因为漫剧一集八九个分镜，素材加起来几十个文件。你如果不按编号命名，剪映里全是一堆“图像1234”“音频5678”，等拖进轨道找对应关系时，眼神差一点的人直接崩溃。我第一次做的时候偷懒没编号，结果在图和声音之间来回对，剪一集花了三小时，第二次老老实实编号，一集连剪带优化只花四十分钟。

4. 剪映成片：从粗剪到发布的保姆级操作

4.1 导入素材与粗剪的基本步骤

剪映的电脑版和手机版功能差不多，我建议用电脑版，屏幕大，轨道看得清楚。打开剪映，新建草稿，先把素材全部导入。导入后第一件事不是摆图，而是先把配音文件按顺序放入音频轨道，相当于先搭好声音骨架，再往骨架上贴画面。

操作顺序是这样的：

1. 把配音文件从素材面板拖到音频轨道，按分镜顺序排好。
2. 点选音频文件，复制它的大致时长。
3. 把对应分镜的图片拖到视频轨道，时长拉到和音频一致或略长一点。
4. 重复这个动作，直到所有配音和图片都对应上。

这个过程就是粗剪，目标是“声音不断、画面不黑屏、顺序不错”。不用管转场、字幕、特效，先把流水账拼出来，再进入精修阶段。

粗剪完成后从头到尾播放一遍，这一步别跳。重点检查有没有某一镜画面和台词对不上，比如台词已经说到第二句了画面还是上一张图，说明这个镜头的图片时长太短，拉长一点；反过来如果台词说完了画面还停着，就把图片缩到音频结束的位置。

4.2 字幕、转场、音效与画面动感处理

粗剪完成后，漫剧从“草稿”变成“作品”，靠的就是精修这四件事。

字幕是漫剧的生命线。看漫剧的人很大一部分是通勤路上、吃饭时静音刷手机，字幕不清晰直接损失一大半观众。剪映的“自动识别字幕”功能能直接根据配音生成字幕，识别率很高。生成后把字幕样式改成粗体、带黑色描边或半透明底，确保任何背景下都看得清。字幕字体我建议用“默认”或者“思源黑体”，太花哨的字体在手机上反而显得LOW。

转场不要太花哨。很多新手喜欢在每张图之间加翻页、百叶窗、花瓣飘落之类的特效，结果整个视频像PPT演示大赛。漫剧最自然的转场是“叠化”和“硬切”，叠化用于时间过渡、情绪缓和的地方，硬切用于对话切换和节奏加快的地方，时长都控制在0.2到0.5秒。如果你不知道怎么选，全部用叠化，不会出错。

音效是提升质感最容易忽略的一环。剪映音效库里可以搜“开门声”“脚步”“心跳”“风声”“铃声”等，在对应画面位置加上。比如人物推门的镜头配一声门响，手机亮起的镜头配一声消息提示音。音效不用多，每个镜头最多加一个，多了反而乱。

静态图片要“动”起来，靠的是关键帧缩放。剪映里可以给图片设置动态效果，比如画面从“放大”慢慢“缩小”，或者从“特写”缓缓“拉远”。操作是选中图片，在开始位置打一个缩放关键帧设成100%，在结束位置再打一个关键帧设成110%，图片就会自动产生缓慢推进的镜头感。这个细节做完，漫剧的观感会一下子从“PPT”变成“视频”。

4.3 导出参数与多平台发布建议

导出视频时的参数很多人不注意，直接默认导出，结果发到抖音后画质糊成一片。剪映导出时，我建议手动确认这几个参数：分辨率1080P，帧率30帧，码率用“推荐”或“更高”。尽量不要用低于1080P的分辨率，否则手机上看脸都是糊的。

导出名可以直接写成“项目名_集数_成片”，方便以后整理复盘。

发布到抖音时，封面、标题和话题标签也要花心思。封面我会选择视频中最有情绪冲突或画面最好看的一帧，用剪映导出一张封面图，然后配上一个能勾起好奇心的标题，比如“她不知道，这一次见面是最后一面”“重生后，我决定不再善良”。这类走向明确的标题适合漫剧的强情绪内容。话题标签用“#AI漫剧 #漫画推荐 #小说推文 #AI视频”，让系统更快识别你的内容类型。

发布时机上，我觉得晚上8点到10点流量相对好，但更重要的是更新稳定。你连续发一周，系统会渐渐给你的账号打上“漫剧”标签，推荐人群会更精准，播放量自然起来。

5. 常见问题与排查技巧实录

5.1 画面人物不一致怎么办

这是我被问最多的问题，没有之一。人物的五官、发型、服装在不同镜头里对不上，确实是AI漫剧新手最大的痛点。

解决办法分三层。第一层是把角色设定卡写得足够具体，并每次生成都完整复制，不偷懒。第二层是参照已经满意的图片进行新的生成，让豆包基于参考图保持一致。第三层是不追求演员完全统一，而是让服装和发型这些视觉标识保持统一，观众对服装发型的敏感度远高于五官细节，只要这两点稳定，漫剧看起来就是连贯的。

如果你发现某一张图的脸特别满意，但服装不对，还有一个笨办法：把这张图作为参考，同时修改服装描述单独生成一张。不需要每个镜头都完美，但主角的重要镜头一定要把好关。

5.2 配音和画面不同步怎么解决

声音和画面对不上，多半是粗剪时图片时长设置的问题。台词多、内容密的镜头，图片需要多停一秒；台词少、动作单一的镜头，稍微一停就觉得拖沓。

我建议先把音频完整听一遍，心里有数“哪个时间点该换画面”，再去调图片时长。剪映的音频轨道上会显示波形，台词密集的地方波形密，空白的地方波形疏，按波形位置卡画面比凭感觉靠谱。

还有一个容易忽略的问题：字数和时长不匹配。中文正常语速大约是每分钟240到260字，一条15秒的配音大概能容纳60到65个字。你脚本里如果一句话写得过长，语音播报可能赶不及，这时把台词的书面语删掉改成口语短句即可。

5.3 画面模糊和字被裁切的问题

画面模糊通常是生成分辨率不够。豆包生成图片后在下载界面选最高清晰度，不要用缩略图，然后导出的视频分辨率保持1080P，码率不要选“更低”，模糊问题基本可以解决。

字幕被裁切多见于竖屏视频。因为某些平台的播放界面底部会有弹幕、评论框、点赞按钮，会遮住视频下半部分。剪映导出前，我建议把字幕和关键信息放在画面上方三分之二的区域内，不要把内容压到最底部。具体操作时可以拉一条安全参考线，把文字控制在安全区以内再导出。

5.4 漫剧新手常见问题速查表

这张表基本覆盖了新手期的全部翻车现场，遇到问题先对照看，不用自己瞎琢磨。

最后分享一个我自己的小习惯

现在每做完一集漫剧，我都会把豆包生成的分镜脚本、角色设定卡、提示词模板、配音文案归档保存。素材多了之后，下一集做起来直接调用以前的角色设定和提示词模板，改改剧情就能开干，效率高很多。我认识的一些做AI漫剧的朋友，基本上都是用这套方法跑通了流程——第一周手忙脚乱，第二周有了自己的模板，第三周就能稳定更新了。AI漫剧这个赛道现在还在上升期，工具门槛已经降到最低了，剩下的拼的就是你能不能坚持把每一条视频发出去，以及有没有用心去观察观众喜欢看什么。第一批作品做得丑一点都不丢人，真正丢人的是始终不开始。