AI短剧生产全流程：即梦+豆包+剪映组合实操指南

先说结论：这套“即梦 + 豆包 + 剪映”的组合，是我目前跑下来最顺手的 AI 动画短剧生产链路。很多人以为难点在于“怎么生成一张好看的图”，实际上真正拉开差距的是：你能不能把一条创意稳定地变成几十个镜头，再让角色在镜头之间不跑偏，最后用剪辑把节奏救回来。

这篇文章不是教你怎么点按钮，而是把我连续做了三条 AI 短剧后验证过的完整流程拆给你看。不论你是完全零基础的新手，还是已经会剪辑但想切入 AI 短剧赛道的创作者，只要跟着这个流程走一遍，第一天能出粗糙成品，第二天能做完整故事，第三天就可以开始谈报价。

我会把分镜脚本模板、角色设计提示词、镜头语言拆解表、即梦的提示词公式、剪映的成片自检清单都放在对应章节里，你需要做的就是把它们复制到自己的文档里，边做边填。

1. 这套组合拳的底层逻辑：即梦负责“画”，豆包负责“想”，剪映负责“剪”

1.1 三条流水线，别让工具越权

我最初也犯过一个错误：试图用即梦写剧本，用它生成分镜表，结果越写越乱。原因很简单，即梦的核心能力是图像和视频生成，它可以画出“雨夜里撑伞的男人”，但它不太擅长帮你梳理“这个男人为什么出现在雨夜里，他的动机是什么，下一幕要发生什么”。

豆包才是那个负责“想”的角色。它擅长把一段零散的想法结构化，比如你说“我要做一条关于外卖员穿越的短剧”，它能帮你拆成“三幕结构”“十个关键情节点”甚至“每一段的情绪曲线”，还能直接输出可以喂给即梦的画面描述。

剪映负责最后的一切整理：片段排序、配音、BGM、音效、字幕、调色、转场。我见过有人在即梦里反复调提示词想达到“剪辑感”，那是在拿一把菜刀掏耳勺，费劲且不专业。正确逻辑是：即梦只负责把单张画面和短片段做到最好，至于怎么串联、怎么卡点、怎么配乐，全部丢给剪映。

这套分工一旦想清楚，效率是翻倍的，因为每个工具都只做自己最擅长的事，你不会再花一小时纠结某个工具里“这个功能到底怎么用来代替另一个工具”。

1.2 目标定义：你在做的究竟是哪种 AI 短剧

动手之前，先把“短剧”两个字再拆细一点。同样是 AI 短剧，市面上至少有两类，技术路径完全不同：

一类是漫剧/剧情动画短片，比如两三分钟内的诡异反转、情感共鸣、科幻片段，强调人物表演、镜头连续性、情绪递进。它需要更精细的角色设计、镜头语言和前后一致性，制作成本高，但辨识度也高。

另一类是AI 解说/图文转视频，最常见的形式是博主用 AI 生成画面，配上真人声音或者有声书式旁白，内容偏“讲故事”。这类对单张画面的质量要求高，但对镜头连续性的要求低一些，可以用相对固定的模板批量产出，适合练手和走量。

我建议第一天不要贪心，明确告诉自己：先做出“一条 30 秒以内的剧情动画短片”，把完整链路跑通，再考虑做复杂叙事还是大批量解说。

1.3 环境准备：笔记本就行，但这些流程要先搭好

这套流程完全是云端为主，所以我用普通的办公笔记本也能完成，不需要专业显卡。真正需要提前准备的是这么几件事：

• 账号体系：即梦、豆包、剪映各自注册好，并且尽量让三者的登录账号在同一套手机号体系下，导出素材时路径更清晰。
• 文件夹结构：这是我踩过最大的坑。做了两周之后，素材乱到我自己都找不到哪张图对应哪个镜头。现在我的标准结构是这样：

project/ai_short_drama/ 01_storyboard 分镜脚本 02_characters 人物定妆图 03_scenes 场景概念图 04_video 生成视频片段 05_audio 配音与音乐 06_edit 剪映工程与导出

• 时间预算：别以为自己一天就能产出一条大片。我做第一条 30 秒短片，实际花了大概 5 个小时，其中分镜和角色设计占了一半时间。到第三条的时候，全流程压缩到了两个小时左右。这才是“3 天学完”的真实节奏——不是第三天突然成交，而是第三天你已经能稳定用两小时交付一个短样片。

2. 分镜脚本：让豆包把“一个念头”拆成“一份能拍的画面清单”

2.1 给豆包的输入不是一句简单要求，而是角色+需求+风格三件套

分镜脚本是整个项目的图纸，图纸如果模糊，后面出图、剪辑、配音全部跟着歪。

很多人让豆包写分镜，只丢一句话：“帮我写一个悬疑短剧的分镜”，回来的东西多半是空泛的“主角走进老宅——发现秘密——惊慌逃跑”，这种脚本拿去给即梦生成画面，你会发现镜头之间毫无逻辑，人物姿态和情绪对不上。

正确的做法是，先给豆包喂一个“输入包”，包含三样东西：角色、需求、风格。我用一个实际例子示范：

角色：28岁女性程序员，银色短发，蓝色风衣，戴圆框眼镜，性格冷静但有点社恐 需求：创作一条30秒竖屏AI短剧分镜脚本，剧情完整，结尾有反转 风格：赛博都市，冷色调，二维插画质感，节奏快，镜头数15到20个 输出要求：每个镜头包含镜头编号、景别、画面内容、台词、时长

把这段话丢给豆包之后，它会吐给你一个相对规整的分镜表。但这只是初稿。我会要求它继续细化两轮：第一轮把“画面内容”改成更可视化的描述，比如“她抬头，手指停在键盘上，窗外蓝光一闪”；第二轮把每个镜头的时长和情绪节奏标出来。

2.2 实战分镜模板：拿“深夜办公室遭遇”当例子

下面是我用这套方法让豆包生成的一个简化版分镜表，已经经过我的人工修改，你可以直接拿来做参考格式。场景是一条 20 秒悬疑短片。

你看，这张表已经可以直接指导后面的所有工作。每个镜头都有数字编号，这个编号在后续的素材管理里就是身份证号。

2.3 为什么镜头编号要提前排好

没有做过项目的人很难理解为什么我要在分镜阶段就死磕编号。等到了第 5 章，你会在即梦里生成几十张图、几十段视频，如果每张素材都叫“图1”“图2”，你会完全乱套。但如果你从一开始就把所有素材命名为“S03_全景_取景2”，那在剪映时间轴上，只需要按文件名排序，镜头顺序自己就出来了。

这是三个工具协作的核心秘密：保持一套统一的命名规范，贯穿分镜表、即梦素材和剪映时间轴。

2.4 分镜表整理成文档

豆包生成的分镜表，我不建议直接保存在聊天记录里。最好复制到自己的表格软件里，整理成规整的表格，再在右侧加两列：“即梦画面描述”和“动作描述”。这样等会写提示词时，就能直接对着表格逐行抄，而不是重新想。

简单说，分镜脚本不只是一个“创意草稿”，它应该是整个项目的作业指导书。前期花 30 分钟把它写清楚，后期至少省下三小时返工时间。

3. 人物设计：防“跑脸”是 AI 动画制作里最关键的一场仗

3.1 从豆包生成角色设定卡开始

做 AI 动画短剧，角色不统一是最常见的问题。第一幕是黑发女主，第二幕变成了棕发，第三幕连五官都不一样了。这个问题的根源在于：你只用了一句“漂亮女孩”去描述角色，AI 每一次都在自由发挥。

解决思路是反过来，先写一份极其详细的角色设定卡，把 AI 自由发挥的空间压缩到最小。我还是用豆包来生成这份设定卡，直接给它一段指令：

请为我的AI短剧设计主角“林晓”的视觉设定卡，要求包含： 外貌：脸型、眼睛、发型、发色、身高 服装：整套配色、单品细节、配饰 标志性道具：必须随身出现的东西 色彩方案：这个人身上出现最多的3种颜色 画风描述：二维动画质感、赛博都市冷色调 避免模糊词，例如“帅”“美”，全部改为具体描述

豆包会给你一份相对完整的设定卡。比如林晓可以是：瓜子脸，银色齐肩短发，蓝色风衣，浅灰高领内搭，圆框眼镜，左耳有一个“十字星”耳钉，主色是银、蓝、深灰。

这段描述会反复出现在你后续所有提示词里，它就像一个记忆锚点。

3.2 用即梦生成定妆图，最好有正面、侧面、表情三张

角色设定卡拿到后，下一个动作不是急着做镜头，而是先“定妆”。在即梦里生成三张图：正面站姿、侧面转头、一个明显情绪表情，比如微笑或惊讶。

这步关注的不是画得多好看，而是稳定。我们想要的是“以后每次提到林晓，都用这套特征去复现”的底图。因此，我会用同一段提示词生成 4 到 8 张候选图，选出一张脸型五官最稳定、细节最顺眼的，把它作为后续所有图生视频、垫图参考的基准底图。

3.3 防“跑脸”的三个实操方法

第一个方法是垫图/参考图。即梦的图片生成或者图生视频功能里，通常都支持上传参考图。这个功能的作用是告诉 AI：“主角长这样，你照着画”。每次生成新镜头时，我都会把定妆图拖进去，效果比纯提示词稳定非常多。

第二个方法是提示词里强制重复设定信息。哪怕用了垫图，我还是会在每个镜头提示词里把角色设定卡的核心信息再写一遍：“银色齐肩短发、蓝色风衣、圆框眼镜、冷色调”。原因很简单，垫图负责整体气质，文字负责细节约束，两者叠加，角色漂移的概率才会降到最低。

第三个方法是控制画面内要素的数量。AI 在复杂画面里很容易把两个人物搞混。如果一场对话戏里有两个角色，我会先分别生成两个人各自的特写镜头，再生成一个双人同框的远景镜头。在双人同框镜头里，把两个人的特征同时写进提示词，哪怕稍微复杂一点，也要写清楚“左边的人是谁、右边的人是谁、分别穿什么”。

3.4 用“画面锚点”来降低返工成本

还有一个很多人不知道的技巧，我叫它“画面锚点”：在生成第一幕镜头时，不只记录这张图的 prompt，还额外记录它的关键设定词，比如“蓝灰色调、赛博城市夜景、细雨、霓虹灯倒影”。往后的镜头，无论场景怎么换，这些氛围词要尽量保留。这样整条片子看下来，画面风格才是一致的，不会像拼贴画。

角色设计这一关，我要多说一句：宁可多花一个晚上做定妆，也不要急着生成所有镜头。我见过太多人第一天就猛出一堆图，结果做到第三天发现角色全不一样，全部推翻重来。别问我是怎么知道的。

4. 镜头语言：AI 短剧能不能火，分镜阶段就已经决定了大半

4.1 把“镜头”写清楚，AI 才能听你的话

镜头语言不是玄学，它就是在告诉看的人：“此刻你应该看哪里，感觉到什么。”你如果不写清楚，AI 就会给你一个平视的中景，画面里的人像木头一样站在正中间，整条片子自然没有电影感。

在给即梦的每一段提示词里，我要求自己至少包含这几个镜头要素：

• 景别：特写、近景、中景、全景、远景
• 机位/角度：平视、俯视、仰视、低角度
• 运动方式：固定、推进、拉远、跟随、环绕
• 情绪氛围：压抑、明亮、紧张、安静

拿第 2 章的分镜表举个例子。S01 是全景，那提示词里就写“深夜办公室全景，顶视角往下压，压迫感强”；S02 是特写，就写“人物眼睛特写，瞳孔收缩，镜头缓慢推进，能看清睫毛和镜片反光”。这样生成出来的画面，即使构图不完全符合预期，方向也不会偏太多。

4.2 短视频的镜头法则：特写优先，运动克制

通过实际播放数据，我会说一句可能被专业导演嫌弃的话：在短视频平台，特写永远比全景吃香，带情绪的脸永远比大场景留住人。

因此我做 AI 短剧时，分镜比例通常是特写 40%、中景 30%、全景 20%、远景 10%。全景用来交代环境，不能停留超过三秒；特写用来抓情绪，是卡点和配乐的重点。

运动方面，尽量保持单一方向运动。不要一个镜头里既推近又环绕再拉远，AI 视频生成模型在复杂运动下很容易变形、闪烁。最稳的组合是：固定机位 + 人物小幅动作，或缓慢推进 + 人物静止。宁可保守，也不要让角色胳膊突然多一根。

4.3 用“镜头拆分表”把一段戏翻译成画面

我把第 2 章那段 20 秒的“深夜办公室”戏，再拆给你看一遍，但这次标注了更细的画面运动方向：

做完这个表，你会发现，即梦的每个镜头需要生成的视频，其实就是一个 2 到 4 秒的短片段。S01 可以说只是“一个静谧的环境镜头，镜头慢慢推近”；S02 则是一个“她瞳孔放大的面部特写，几乎没有动作”。

语言越简单，AI 越容易渲染稳定。

4.4 转场是救急的，不是炫技的

关于转场，我的态度比较务实：AI 短剧因为生成的是片段拼贴，镜头之间天然会有跳跃感，适当使用转场可以掩盖这种不自然。但转场绝不能多，每条片子里 2 到 3 个醒目的转场就够了，其余用硬切反而更像真实电影。

我最常用的是“加速推进转场”：在上一镜头末尾，用剪映把画面快速放大到 120%，下一镜头从特写直接切入，观众会产生一种“唰”一下被拽进下一场戏的感觉，这比花哨的模糊转场干净得多。

5. 即梦实操：从一张定妆图到每一段动态画面的完整走查

5.1 把分镜表翻译成即梦提示词的公式

到了这一步，终于要打开即梦开始干活了。但注意，我们不是直接把分镜表里的“画面内容”复制进即梦，而是要先翻译成一套生成提示词。我用的公式是这样的：

画面主体 + 环境背景 + 景别机位 + 镜头运动 + 角色锁定 + 氛围光色 + 质量词

拿 S02 镜头来举例。分镜表里写的是“她听到门外声音，瞳孔忽然放大”，翻译成即梦提示词后是这样：

画面主体：银色短发女性，圆框眼镜，蓝色风衣，表情惊讶，瞳孔放大 环境背景：深夜办公室，暗光，窗外霓虹灯 景别机位：面部特写，平视，固定机位 镜头运动：轻微呼吸感，几乎不动 角色锁定：与参考图一致 氛围光色：冷蓝色调，侧光打在脸上 质量词：细节丰富，电影感，8k质感

你看到区别了吗？我不再写抽象的“她”，而是把所有视觉信息全部显式化。即梦不读心，它只读到词。

5.2 先出图，别急着上视频

在即梦里，我的顺序永远是先“文生图”，再“图生视频”，而不是直接“文生视频”。因为文生视频在首帧上不可控，角色形象和构图容易跑偏，而图生视频可以锁定你满意的那张画面。

具体操作是：生成 4 到 8 张图中选出结构、情绪、脸部都最好的那张，放大、保存。然后用这张图作为图生视频的输入图。

这里有一个小习惯：生成图时如果有几十分接近的图，不要急着选最精致的，而是选构图最“正”的。画面里人物居中、比例正常、没有畸形部位，这种图生成视频时更稳定。过度精致的细节点进视频之后往往会因为动态而糊掉。

5.3 图生视频：动作描述要短，幅度要小

图生视频的动作描述和提示词不一样，不需要堆砌很多形容词，只需要清晰的动作短句。比如：

她缓慢转过头，眼睛看向门口方向，肩膀微微缩紧

这种“缓慢”“微微”之类的幅度词，对稳定性很有帮助。我不会写“她猛地站起来打翻桌上的水杯”，这种剧烈动作十次有八次会生成出诡异效果。如果你想表现这种张力，建议拆成两个镜头：先给一个手部特写，拿起杯子；再给一个中景，她站起转身。用剪辑去制造爆发力，而不是让 AI 一镜到底。

5.4 即梦实操中的几个典型翻车现场

我把自己实际遇到过的翻车情况整理成一个表，方便以后对着排查。

还有一个经验是：如果一段视频跑了三遍还是不满意，及时止损。不要跟 AI 死磕某一个镜头。强行耗时间会消磨你的耐心，我一般会换一个角度来表达同样的信息，比如原本是脸部特写的，改成从背后拍，再补一个环境音效。

5.5 素材入库，文件名即命运

所有从即梦下载下来的视频或图片，我都会立即重命名，格式为“镜头编号_内容_第几次尝试”。例如：

S03_转头看门口_取景2.mp4 S01_深夜办公室全景_t1.png

这个习惯能在剪映阶段省掉至少 30% 的挑选时间。刚开始你觉得下载完就在上传文件夹里，找起来很方便，等做到第 20 个镜头时就会感谢自己当初的命名规范。

6. 剪映：把一堆片段变成“成片”的最后冲刺赛道

6.1 先把分镜素材全部拖入时间轴，按镜头编号排列

打开剪映，新建项目，把你生成好的视频按 S01、S02、S03 的顺序依次拖入轨道。此时什么都不要想，不要急着加滤镜、加转场，先把所有镜头按顺序铺好。

这一步看起来简单，其实很关键。它是在做一个“粗剪”，目的是让叙事线先成立。铺完之后快速播放一遍，检查故事是否能看懂。如果某个镜头缺失，赶紧回即梦去补，而不是在剪映里硬用别的素材填空。

6.2 配音与音效的优先级排序

我会在确认画面叙事通畅之后再处理声音，因为声音是帮助观众理解画面的重要线索，也是让 AI 画面看起来更高级的关键。

剪映的文本朗读功能有很多配音员可以选择，我会根据片子风格选择不同的声音。悬疑片，选择一个低沉、语速略慢的男声；治愈系，选择一个轻柔的女声。设置完音色后，我通常会把语速调到 0.9 倍或者 1.1 倍之间，以匹配画面节奏。

配音的排布不需要每一秒都说话。安静的画面里只留环境音效，效果往往更好。比如 S02 里她听到声音愣住，这一下我故意把配音停住，只保留一声玻璃的脆响，紧张感一下就出来了。

音效可以从剪映音效库找，搜索关键词“高跟鞋”“玻璃响”“心跳”“电流”等，很多现成的素材可以直接用。音效的位置尽可能精确到画面上某个动作发生的瞬间，也就是说，画面里她脚刚刚动的那一帧，音效就要同步响，这样观众才不会觉得“声音慢了半拍”。

6.3 字幕的新建与统一

AI 短剧如果没有字幕，完播率至少掉一半，因为很多人习惯静音刷视频。剪映的“智能字幕”功能很省事，语音识别之后能自动生成字幕，但 AI 识别时人名或专业名词经常出错，比如“林晓”可能被识别成“林小”，所以识别之后一定要回头校对一遍。

我会在字幕样式里先设定好一个模板，比如白色字体、黑色描边、字号合适，然后应用到全部字幕。确保同一条片子里字幕位置统一，不要出现一个字幕在顶部、下一个在底部的情况。

6.4 成片前的三道自检关卡

第一条自检是“脸”：从第一帧到最后一帧快速过一遍，重点看主角的脸、发型、服装是否连续。如果某一帧里发型突然变短，我宁可删掉这一段换别的镜头，也不能让它留在成片里。

第二条自检是“音”：关闭画面只看音频时间轴，看配音、音效、音乐有没有爆音或突然中断，人声是否清晰。

第三条自检是“节奏”：全片连续播放两遍，第一遍不用刻意分析，就凭直觉感受有没有明显的无聊段落；第二遍再看，如果一个镜头超过 4 秒还没有任何运动或变化，那大概率要切短。

这三道检查都做完之后，再导出成片。字幕的加粗、封面、标题这些导出后再处理，也不迟。

7. 3天变现路线：从第一支练习作品到第一次接单报价

7.1 第一天的目标：不是做出爆款，而是跑通闭环

很多人把“3天变现”理解为第一天就开始接单，这不太现实。我的建议是，第一天只做一件事：按照前六章的流程，用两天分别制作一个 30 秒以内的完整短片。不要贪多，不要一个晚上切换三个题材，选定一个题材，从分镜到成片完整走完一条线。

第一支作品大概率会粗糙，这没关系。它的意义在于让你把整个链路中所有可能出现的问题都暴露出来，你知道脸会跑偏，你知道运动幅度太大会崩，你知道剪映里的字幕会被识别成错别字，这些经验看多少教程都学不会，只有亲手做一遍才能内化。

7.2 第二天：做出三支不同风格的小样片

流程熟练以后，第二天就不要再做同一种东西了。如果第一支做的是悬疑片，第二支可以做治愈系，第三支可以做赛博科幻。这不是在浪费精力，而是在准备你的作品集。

接单的时候，客户的需求是多种多样的。一个客户问“你能不能做古风”，你说“我没做过，但我可以做”，和你说“给你看看我之前做过的样片”，完全是两种信任度。所以第二天就用最小成本把三种常见风格各做一条 15 秒样片，你之后谈单的时候才能拿出有说服力的东西。

7.3 第三天：整理作品集和报价单

作品集不用很复杂，把三支样片截取封面图，配上标题和一句话介绍就够了。然后是报价单，我建议按“单镜头报价”方式做，先给客户一个区间，再根据修改次数浮动。

下面是一个简化版报价参考：

这个报价只是参考，不是标准答案。不同城市、不同客户预算差异很大，关键是你要建立一个锚点：按时长和镜头数来计费，而不是按“我觉得做这个花了多少小时”。

7.4 接单的第一步是什么

接单渠道我建议从两个维度同时铺：一个是身边的资源，把作品集发给认识的自媒体运营者、电商老板、装修公司，这些人都需要日常短视频素材；另一个是线上接单平台，比如兼职类的社区、设计外包平台，搜“AI绘图”“AI视频”等关键词。

第一次谈单时，一定要在交付标准里写清楚三件事：修改次数（比如最多两次）、交付物格式（MP4、MP3、字幕文件等）、授权范围（是仅用于这一个账号，还是可以多次使用）。

还有一个细节：不要接内容本身有版权风险的单子，比如用某部热门动漫的角色形象做商用视频。AI 生成的内容再好看，一旦涉及侵权，最后承担责任的还是执行者自己。接单之前先问清楚用途，这是保护自己最重要的一步。

7.5 变现的真实预期管理

最后说点实在话。这套流程做熟之后，完成一条 30 秒短剧的效率大概在两到三个小时，其中一大部分时间花在 AI 生成等待和素材筛选上。如果你的成品质量不错、作品集投放准确，一个月接到几个单并不是天方夜谭。但它不会让你一夜暴富，本质上是一个技能变现过程。

我个人做这套流程最大的收获，反而不是那几单收入，而是掌握了一套“把想象快速变成画面”的能力。客户说“我想要一个未来世界的故事”，我不会发懵，而是会打开豆包写分镜，打开即梦出图，剪映配音剪辑，两个小时后就能给对方一个可以讨论的画面雏形。这种确定感，才是这个工具组合真正值钱的地方。

文档里需要完整的分镜模板、角色设定卡和报价单，你在正文里已经看到表格结构了，直接复制到表格软件里就能用。之后每次做新项目，先打开文档模板，改掉角色描述和剧情，省下从零开始想结构的时间。