AI漫剧制作全流程拆解：6道工序从脚本到成片一次讲透

前阵子有朋友问我，一个人能不能做出一部能一直更新的AI漫剧？我说可以，但前提是别把AI当许愿机，而是把它当成一条流水线上的几个工人。我平时接到最多的需求，不是某个分镜画崩了，也不是AI视频动作太肉，而是很多人连“一场戏到底要经过哪些环节”都没概念，就急着开干。这篇教程就按我的习惯，把AI漫剧的制作流程拆成6道工序：剧本分镜、角色场景锚点、分镜图批量生成、图生视频、声音制作、剪辑成片。每个工序我都会给出可复制的参数表和验收标准。适合第一次接触AI漫剧的创作者，也适合那些自己有项目但总在返工的人。

别把“AI漫剧”想得太玄乎，它本质上是“漫画分镜+动态镜头+角色配音+剪辑节奏”的组合。跟传统动画最不一样的地方在于，传统动画是画出运动过程，AI漫剧是先画出关键帧，再靠模型把中间动态“脑补”出来。这个区别决定了整个流程不能照搬动画制作，必须有一套围绕AI特性的做法。下面直接进入正题。

1. 先认清这6道工序：从脚本到成片，AI漫剧到底在做什么

1.1 一场戏的完整链路：6道工序怎么分工

我习惯把一场戏切成6个独立工序，每个工序都有明确的输入和输出任务。第一道工序是剧本与分镜，解决“演什么”；第二道工序是角色与场景设计，解决“谁在演、在哪儿演”；第三道工序是分镜图生成，解决“每个镜头长什么样”；第四道工序是图生视频，解决“画面怎么动”；第五道工序是配音、音效与音乐，解决“声音怎么配合”；第六道工序是剪辑合成和输出，解决“最终怎么把碎片变成完整成片”。

这6道工序不能并行，但可以在小范围内重叠。比如角色设计还没完全确定时，可以同步开始写分镜，但分镜里的画面描述尽量先不给最终角色图，否则后面角色一旦改动，前面的镜头描述可能白写。我自己踩过这个坑，后来固定了一个原则：前一道工序的证书是什么，后一道工序的输入就是什么。角色卡没验收，就绝不开批量生图。

1.2 为什么先定“终点”再动手：倒推法

新手最容易犯的错误，是一上来就打开生图工具，想“先画一张主角看看”。结果画了20张，没有一张能用，于是开始怀疑AI能力不行。其实问题不在AI，在没定终点。

所谓“终点倒推”，就是先想清楚成片时长、画幅比例、剧情节奏，再反推出需要多少镜头、每个镜头多少秒、需要哪些角色、哪些场景。假设你做一部3分钟的竖屏漫剧，按平均每个镜头4秒算，大约需要45个镜头。其中对白镜头大概占一半，剩下的是动作镜头、环境空镜和转场镜头。有了这个镜头数量，你才知道剧本该写多长、分镜表要建多少行、生图阶段要跑多少张。

倒推还有一个作用：控制成本。AI生成不是免费的，时间也是成本。一张分镜图即使再快也要几十秒，一次抽卡往往不只出一张。如果你不清楚整场戏需要多少个镜头，就会在“顺便看看还能画点什么”的过程中浪费大量时间和预算。先定终点，真的能救命。

1.3 新手最常踩的三个流程坑

第一个坑是不写分镜直接生图。很多新人觉得分镜是美术的事，自己脑子里有画面就行。但AI不理解你脑子里的画面，它只理解提示词。你不把镜头语言写下来，生出来的图就只是一张“好看的画”，而不是“有用的分镜”。

第二个坑是角色还没稳定就急着做全流程。某次我帮一位创作者调项目，他第一集已经生成到视频阶段了，但女主角的脸在第八个镜头突然变成另一张脸，原因是他中间换过一次角色参考图，后续所有镜头全部跟着偏。这个返工量非常可怕，几乎等于重做一整集。

第三个坑是声音做完才发现视频节奏不对。旁白跟不上画面，配音念完台词镜头已经切走了。这种问题不是剪辑能硬救的，必须在分镜阶段就确定每条台词对应的镜头时长。我把这三个坑放到前面说，是因为它们比任何参数都重要。

2. 第一道工序：剧本与分镜脚本，先把戏立住

2.1 写剧本之前，先定时长、镜头数和台词密度

剧本是AI漫剧的“工程图”，不是文学创作。对新手来说，不要先写长篇台词，而是先做一个“场面需求表”。以3分钟单集为例，我的建议是：台词加旁白总共600-800字，画面镜头40-50个，场景控制在2-3个，出场角色不超过3个。这不是硬性规则，但很适合入门。

台词密度是个容易被忽略的东西。AI漫剧的对白镜头往往需要口型和表情配合，密度太高会让视频生成阶段压力暴增。哪怕你写剧本时觉得台词很精彩，也要考虑每个镜头能不能撑住这些字。一般一个3-4秒的镜头，放一句12-16个字的台词最舒服。如果台词更多，就把镜头拆成两个，一个是说话人近景，一个是听者反应。

我用一个简单表格来管理场面需求。字段包括：场次号、戏点、时长、景别、运动方式、画面描述、台词、所需角色、所需道具、音效。先把这个表填清楚，再交给AI画图，你会发现提示词好写很多。

2.2 分镜脚本里必须写清楚的七件事

分镜不等于画分镜稿，AI漫剧里的分镜脚本是一段“足足够AI理解”的书面描述。我至少要写清楚七件事：镜头编号、时长、景别、运动方式、角色动作、情绪状态、环境光线。这七件事缺一不可。

比如“女主看着手机，惊讶，然后微笑”这个描述，AI画起来可能给你三种不同构图。但如果写成“女主近景，手机举到胸前，她低头看屏幕，眉毛抬高，嘴角微微上扬，背景虚化，暖黄色灯光从侧前方打来”，生成结果就稳定很多。写分镜时不要怕啰嗦，每个能影响画面的细节都要写。

这里有个小技巧：把“情绪词”翻译成可见的“表情词”。“惊讶”是“眉毛抬高、眼睛睁大、嘴微张”，“焦虑”是“眉头微皱、视线偏移、手指握紧”。AI是根据视觉特征画图的，不是根据心理描写画图的。你在分镜阶段多花5分钟翻译情绪，就能少抽十张废图。

2.3 把分镜转成镜头提示词的通用套路

分镜写好之后，真正给AI用的提示词不用整段复制，而是提炼成六个部分：主体、动作、环境、镜头、光线、风格。我通常把它们拼接成这样一个模板：“主体+角色名+动作，位于环境，景别+运动方式，光线状态，风格词”。

转换示例：分镜里写“女主在咖啡厅窗边看手机，惊讶”，我用的是“年轻女性主角，坐在木质窗台边，低头看手机，抬眼露惊讶表情，近景，镜头缓慢推近，侧光暖调，室内咖啡厅氛围，漫画风格，细腻线条”。

这里面“角色名”必须和角色设定里的角色卡对上。如果角色卡里写“某角色有银白色长发、蓝瞳、黑色高领外套”，提示词里就不要再说“黑发黄瞳的女生”，否则AI会被两条冲突信息干扰。新手最容易在这个环节翻车，看到好看的图就想把发型改一下，结果角色卡形同虚设。

3. 第二道工序：角色与场景设计，稳定性靠这里

3.1 角色设定三件套：角色卡、多视图、参照表

角色稳定是整个AI漫剧的基石。我说的“稳定”，不单纯是脸长得像，而是发型、瞳色、服装、气质在任何角度、任何表情下都能保持一致性。为了做到这一点，我建议你给每个主要角色做三件套。

第一件是“角色卡”，本质是一段严格的结构化描述。写清楚年龄感、发型、发色、眼睛形状与颜色、脸型、体型、常见服装、标志性装饰、以及绝对不能出现的特征。角色卡里还要写负面描述，比如“无眼镜、无胡须、无纹身”，防止AI自由发挥。

第二件是“多视图”：生成一张包含正面、侧面、背面的角色设定图。这张图不需要多好看，但必须是同一角色同一套服装。第三件是“表情参照表”：把平静、微笑、愤怒、惊讶、哭泣、思考这六个基础表情放在一张网格图里。后续做分镜时，可以把表情参照表当做垫图，让AI在指定表情状态里画图。

3.2 场景设计：统一色彩和光线的操作细节

很多新人的角色很稳定，但场景乱跳：上一场是白天，下一场变成黄昏；同一个房间，一会儿暖光一会儿冷光。这是因为没有给场景做统一设定。

在角色设定之后，一定要花时间为每个主场景做一个“情绪板”。情绪板不需要写长文，而是用几张视觉参考图统一六个要素：时间、天气、主色调、光线方向、室内外、物件清单。比如“女主家的卧室”可以固定为：晚上，室内，主色调偏暖黄，主光来自床头灯，衣柜靠左，窗台有绿植。

生成场景时，不要每次都重新描述，最好把固定部分存成一段“场景基础提示词”，每次生图都叠加进去。很多工具支持保存提示词模板，可以事先把场景基础词和角色卡拆开存放，用时拼接。这样既能保证一致性，又能降低每次输入成本。

3.3 提示词之外的三个杀手锏：垫图、LoRA、参考权重

如果你发现角色或场景的一致性还不够，提示词已经写到极限，下一步就是用技术手段锁住风格。我常用三个方案。

第一个是垫图：生成分镜图时，上传角色设定图或场景参考图作为输入，让AI参考角色结构。垫图的权重一般控制在0.4到0.7之间，太高会让新镜头构图被锁死，太低又会失去参考意义。

第二个是LoRA：如果项目里有大量同风格、同角色需求，可以训练一套专用于这个项目的LoRA。新手不需要研究太深，只要几步就行：收集20到40张同一角色不同角度的图像，按模型要求的尺寸处理，然后训练。训练好后，在提示词里添加LoRA并调整权重到0.6到1.0。角色一致性问题能解决一大半。

第三个是参考权重：通过控制姿势、线稿、景深等方式，让新生成的图在轮廓结构上贴合你给的参考。这类工具特别适合锁定“分镜的构图”，比如你想让镜头稳定在“人物面部的九宫格右上角”，可以参考人物面部的位置约束。这个方案稍微进阶，但学一次就回不去了。

4. 第三道工序：分镜图生成与批量管理

4.1 批量生成分镜时，重点盯这四件事

分镜图是整部AI漫剧的原材料，质量直接决定视频生成和剪辑的顺利程度。批量生成时，我重点盯构图、人物一致性、环境光和遮挡关系。

构图上，要考虑主体在画面中的位置。AI漫剧后期还要加字幕，竖屏中下方是字幕区，人物脸尽量不要贴底。如果主体是中近景，眼睛所在高度建议保持在画面从下往上60%到70%的位置，这样人物有呼吸感，又不干扰字幕。

人物一致性上，不要只看第一眼像不像，要看细节。耳朵形状、发际线、瞳孔色差都是AI容易崩的地方。我建议一个镜头至少抽2到3张候选，从中选一张最稳的。环境光不能只看色温，还要看影子方向。同一场戏的光线方向如果变了，观众会有很强的断裂感。遮挡关系则需要检查手部、杯子和人物身体是否有交叠异常，尤其是手指和衣服边缘。

4.2 让每张分镜“能对上戏”：文件命名与参数记录

生成几十张分镜后，你很快会发现找不到某张图。所以从第一张图开始，就要建立命名规范。

我一般用这种格式：剧集_场次_镜头号_版本_用途.png，比如EP01_S03_C02_v1_cover.png。这里的“cover”可以替换为“char”“scene”“prop”等用途标记。如果你用表格管理，表格里至少有镜头号、文件路径、生成参数、种子、参考图路径。种子特别重要，AI漫剧制作里固定种子能有效保持风格，一旦你发现某个参数组合很稳，就把种子记录下来，后续遇到同类型的镜头可以复用。

另外一个细节是生成失败图不要直接删，放到一个_bad文件夹里。不是让你后期再去找它，而是通过对比找出负面提示词的漏洞。比如你发现很多废图都有“背景出现多余角色”，那你就在负面提示词里加上“多人、背景人物、路人”。失败分类整理一段时间，你的生图成功率会肉眼可见地提高。

4.3 分镜图生成阶段参数表

下面这张表是我在项目里常用的基础参数范围，给新手作参考。它不针对某一个具体模型，而是通用调节思路。运行时需要根据你用的模型和风格做小幅度调整。

这些参数不是固定不变的。CFG太高会过饱和，太低会画不干净；步数太高会浪费时间。在新手阶段，建议固定住“步数=25，CFG=7，采样器=某一种”，只调整垫图和提示词，等流程跑通后再放开微调。一次只改一个变量，不然出了问题找不到原因。

5. 第四道工序：图生视频与动态化处理

5.1 图生视频前，先决定这一镜头的运动强度

从静态图到动态视频，是整个流程里最能体现“AI特性”的一步。图生视频模型会读取一张分镜图，然后推算出连续帧。你首先要决定的是运动强度，也就是画面里物体到底动得多剧烈。

我的经验是：运动强度在0.3到0.6之间比较安全。低于0.3，画面容易变成“一张图轻微呼吸”，动态感不足；高于0.6，面部扭曲、肢体变形的概率会大幅上升。具体的运动强度还要看镜头类型。空镜、环境镜头可以把强度设置到0.4到0.6，让云、树叶、窗帘有自然飘动；人物近景说话，强度最好控制在0.3到0.4，主要让人物有眨眼、嘴角轻微动作，避免五官乱跳。

另外，单次生成时长不要贪多。一次生成2到3秒的视频是最稳的，想要一个6秒的运动镜头，可以分成2到3段生成，再用剪辑拼接。如果一次生成太长，后半段AI很容易“忘了”开头是什么样，出现莫名其妙的突变。

5.2 角色说话的三种处理方案

对白镜头是AI漫剧里技术含量最高的地方。很多新手第一次生成角色说话，看到嘴形一塌糊涂就怀疑工具不行，其实要先选对方案。

方案一是关键帧插值：先分别生成角色闭嘴和开口两张关键词帧，用视频模型在这两张图之间生成过渡动画。这个方案适合表情变化简单、只有两三句台词的特写镜头，成本低，但口型准确度有限。方案二是音频驱动口型：先用配音生成语音，再用口型驱动模型让角色根据语音动嘴。这个方案效果最好，但要额外处理语音和画面时长，如果台词超过两秒，口型延迟会很明显。方案三是规避式处理：把对白放到角色背面、剪影、局部特写或遮挡镜头里，用剪辑节奏把听感撑起来。对新手来说，方案三最省事，而且很多短剧里反而更有氛围。

我自己的习惯是混合使用：重要对话用方案二，次要对话用方案三，关键笑点或哭戏用方案一。不要为了“对得上口型”把所有对白都做成大特写，那样又贵又容易崩。

5.3 让动作循环自然的实操小技巧

AI生成的视频经常会有“来回呼吸”的循环感。要让动作循环自然，有几个小技巧可以立刻用上。

第一，给画面设计“可以动的元素”。头发、衣角、窗帘、灯光阴影这些元素在运动强度不高时更容易形成自然循环。别把整张画面都堆满人，稍微留白反而更好处理。第二，首尾帧要衔接。如果你的剪辑里需要无缝循环背景，尽量保证视频第一帧和最后一帧的画面差异越小越好，这样剪到循环时不会跳变。第三，遇到局部闪烁或边缘抖动，不要急着整段重生成，可以用修复工具针对局部重绘，再加光流插帧处理。这里的核心思路是：把问题拆小，一次只解决一个区域。

不要指望AI一次生成“完美无瑕”的视频，那很少发生。你应该把它当成“完成了80%动态的素材素材”，后面还要靠剪辑、变速、衔接来补完。

6. 第五道工序：配音、音效与音乐，别让声音拖垮画面

6.1 配音前，先给每个角色定“声音身份卡”

声音是AI漫剧观感的一半，却往往被新手放到最后。角色们共享同一个音色，会让人觉得特别廉价。我给每个主要角色都做一个“声音身份卡”，内容不复杂：音色类型、音高区间、语速、常用情绪、口头禅或语气词。

比如女主角可以设定为“偏年轻明亮的女声，语速中快，常在句尾带一点气声”，反派则可以是“低沉男声，语速偏慢，句与句之间有停顿”。有了这个设定后，再用配音工具时就能更有目的地选择音色。如果你用的工具支持音色试听，一定要先用同一句话测试三个音色，再决定。

配音生成时不要一整个长段读下来。把每句台词单独生成，再按镜头序号归组。这样可以对某一句不满意的地方单独重录，而不用整段推倒重来。文件命名跟分镜图保持一致，比如EP01_S03_C02_voice.wav，方便后面剪辑对轨。

6.2 音轨三层结构：人声、环境音与BGM怎么排

一部AI漫剧的声音，至少应该分三层：第一层是台词和旁白，第二层是环境音，第三层是音乐。

环境音不需要很复杂，但一定要有。咖啡厅场景加一点杯碟碰撞和低声交谈，街道场景加一点风声和脚步，卧室场景加一点空调底噪和翻书声。没有环境音的镜头会显得特别“真空”，观众会下意识觉得不自然。

音乐层建议根据场次情绪选。推进紧张戏用固定低频节奏，温馨戏用简单钢琴或吉他，悬疑戏用不规则音效。BGM的音量一定不要盖过台词。做人声和BGM混音时，我习惯把人声音量定在-6dB左右，BGM定在-22dB左右，音效则根据内容从-12dB到-6dB浮动。这个不是绝对，但它至少能避免“背景音乐比人声还响”的新手失误。

6.3 音画同步的工程处理标准

音画同步是让AI漫剧“不假”的关键。AI生成视频和AI生成音频，时长都有随机误差，不能假设它们天然对齐。对轨时，我先把视频片段放上剪辑轨，再把对应音频放下一层，通过波形边缘来对齐。

台词的第一个字出现在人物开口的第一帧前后，误差控制在0.1到0.3秒内，观众几乎不会察觉。一旦超过半秒，就会产生“对不上嘴”的观感。旁白不必跟画面逐帧对齐，但要跟镜头切换点配合好。比如旁白结束后0.2秒再切镜头，会显得节奏更舒服，太准反而机械。

还有一个细节是加音效的时机。脚步声通常要踩在人物落脚的那一帧，门声要跟门接触点对齐，风声可以提前一点进入。用剪辑软件缩放波形到秒级，再微调位置。多练几次，你的成片质感会明显提升。

7. 第六道工序：剪辑合成、字幕与成片输出

7.1 剪辑不是拼接，是按“戏点”取舍

AI漫剧生成出来的素材往往比成片多很多，剪辑的作用不是把所有好镜头都用上，而是服务于“戏点”。所谓戏点，就是一场戏里能让观众情绪发生变化的关键瞬间。比如“女主收到消息”是一个戏点，“发现消息来自反派”是第二个戏点，“人物做出决定”是第三个戏点。剪辑时要保证每个戏点被清晰呈现，而不是把所有相似的近景镜头都堆在一起。

AI生成素材有大量重复和冗余，我会先把所有镜头按叙事顺序铺开，然后快速粗剪，把所有拖沓的连接口都切掉。切掉之后再看一遍，哪个镜头情绪衔接不上，就用转场或空镜补。转场不要用过于炫酷的特效，淡入淡出、叠化、快速跳切就足够。

7.2 字幕与画面的配合规范

字幕在AI漫剧里不是可有可无的，它不仅是信息工具，也是节奏工具。新手做字幕时，第一条规范是每屏文案不要超过一行，一行不要超过16个中文字。超出就直接拆成下一屏，拆的时候要断在语义点，不要在主语和谓语中间硬拆。

第二条规范是字体和描边。黑体或圆体相对安全，避免花哨字体破坏画面。竖屏短视频字幕一般在画面底部安全区，离屏幕底部边缘保留至少50到80像素的间距，防止被平台UI遮挡。字幕出现时间至少保证0.7秒，否则观众根本读不完。

第三条规范和画面有关：字幕不要遮挡人脸。如果镜头里人物下半张脸接近画面底部，可以适当把字幕上移到一个不挡脸的位置，或者给字幕加半透明底条。保证字幕可读性的同时，也别让它破坏原画构图。

7.3 输出与多平台适配参数

最后输出成片时，别直接导出最高画质然后到处用。我一般的流程是：剪辑定稿后先导出主成片，再按平台需要做不同版本。竖屏主成片建议1080x1920，帧率24或25帧，H.264编码，码率8到12Mbps。这个参数在观看体验和文件体积之间比较平衡。

如果你要投横屏平台，不要直接把竖屏素材裁成16:9。用单集前15秒做一个“预告版”，把最重要的戏剧冲突剪进去，配合字幕和音效做成完整横屏视频。很多AI漫剧的传播是靠预告版跑起来的，所以这步值得做。

导出前还要检查音频响度。不同平台会自动压缩音量，但主成片尽量避免出现突然爆音或过低的片段。归一化音量之后，再听一遍所有转场处，确保没有因为剪辑造成的瞬间杂音或空白。

8. 附：一张能直接用的生成参数表

8.1 全流程参数速查表

为了方便新手直接开工，我把前面所有环节里的关键参数汇总成一张总表。这张表适用于一支3分钟左右的竖屏AI漫剧，首推给项目初期的创作者。不用死记硬背，项目做到对应环节时再回来看就行。

8.2 不同风格如何微调参数

参数不是一成不变的，根据风格做调整非常必要。如果你做的是写实风，CFG调到4.5到6.5，步数可以提高到30到40，采样器优先选稳定性较强的类型。写实画面容错率低，一旦CFG过高就容易出现油光皮肤和假塑料感。

如果你做的是二次元动漫风，CFG可以放到7到10，步数20到25就够。动漫风格对细节线条的容错更高，可以适当增加运动强度，让头发和衣摆飘动得更明显。

如果是偏厚涂、插画、暗黑风格，建议把光线描述放在提示词前三的位置，同时把色彩统一关键词固定下来。厚涂最怕色彩随镜头漂移，用LoRA锁风格比我前面提到的参数更重要。把参数表当作起点，然后用你的审美去校准它。

9. 常见问题与排查技巧实录

9.1 脸崩、变身、服装突变排查

脸崩通常不是模型随机出来的，而是输入信息打架了。检查三处：有没有同时混入多张角色参考图，参考图之间风格是否一致；提示词里有没有描述互相冲突的服装或发型；负面提示词里有没有把关键特征误伤掉。比如一些模型默认对“长发”有偏见，你把“长发”加进了负面提示词，那角色发丝一定飘不自然。

服装突变往往是因为镜头的裁切范围不同。角色设定图是全身或半身，而你生成特写时没有把服装细节写进去，AI就会“脑补”一件新衣服。解决方法是给每个角色的每个场景保存一个“服装描述片段”，生图时按场景粘贴。我在本地素材库里会给每个角色建一个服装文件夹，分镜生图前先看一眼，避免凭记忆写提示词。

9.2 视频卡顿、跳变、闪烁怎么解决

视频闪烁最本质的原因是帧与帧之间缺少稳定的结构信息。使用图生视频时，你给的关键帧必须有明确的主体轮廓和层次分明的背景。如果原图本身有很多细碎纹理，比如发丝、网格、树叶，视频模型会在这些区域反复跳变。

解决思路有两个方向。第一是降低运动强度，尤其对人物面部和边缘细节多的部分要保守处理。第二是用后期修复：把生成视频中闪烁严重的某几帧单独提取出来重绘，再用光流补帧让它和前后帧对齐。很多新手不知道可以只修几帧，以为整条视频都要重新生成。实际上你修好关键两帧，整段画面就能稳很多。

9.3 素材合规与发布注意事项

AI漫剧制作里，素材合规是一个必须谈的话题。不要用明显来自已发表漫画、动画、真人影视作品的画面作为垫图，也不要直接喂入未经授权的角色形象。垫图的风格可以参考，但不应该逐个人物复制。生成过程中如果用到了本地训练模型和LoRA，尤其要注意训练图像的来源是否允许二次创作。

不同发布平台对AI生成内容的展示规则不完全一样。有的要求添加“AI生成”标识，有的会在审核时询问生成工具和过程。正式发布前，花十分钟去阅读你所使用平台的AI内容说明，别等上传后才发现违规。自己制作一手素材、保留原始参数记录和工程文件，会让后续流程省去很多麻烦。

我个人在实际操作中的体会是，真正卡住新手的往往不是AI画得不够好，而是流程缺少验收节点。把6道工序写成一张检查清单，每道工序完成后再进入下一道，看起来慢，实际上才是快的。最后再分享一个小技巧：不要在同一个镜头里让AI同时做“大动态+复杂面部+多角色互动”，这些不是一次性生成出来的，要先拆成局部和图层处理，再合成。这个方法让我省下的修图时间，足够多做两集成片。