AI短剧系列 | 第 2 天：从剧本到成片——AI 短剧生产流水线全解析运维实战与AI漫画教程

上一篇文章我们梳理了 2026 年开源 AI 短剧工具的全景，很多读者问：工具那么多，到底该从哪里下手？答案其实很朴素——先别急着打开软件，先看清楚一条完整的内容从「文字」变成「视频」究竟要经过哪些环节。今天我们就用一篇文章，把 AI 短剧的生产流水线完整拆开，讲清楚每一个环节做什么、用什么工具、以及它们之间如何衔接。

一、核心概念：AI 短剧的「流水线」是什么

传统影视制作是一条重资产流水线：编剧、分镜师、原画、动画、配音、剪辑、调色、字幕，每一个岗位都需要专业人才。而 AI 短剧的流水线，本质上是把这条链条上的「人」替换成「模型 + 工作流」，用自动化串起每一步。

一条典型的 AI 短剧生产流水线，可以抽象为下面这几个阶段：

剧本阶段：用大语言模型生成或润色剧本，拆出对白、动作、场景。
分镜阶段：把剧本拆成一格格镜头，确定景别、运镜、角色、台词。
画面阶段：用文生图 / 图生图 / 视频生成工具产出每个镜头的画面或动态片段。
声音阶段：AI 配音、BGM、音效的生成与合成。
后期阶段：剪辑、字幕、转场、调色、封面。
发布阶段：多平台适配、标题封面、定时发布与数据复盘。

把这条流水线画成一张图，你可以用下面的 Mermaid 描述，方便放进团队文档或自己的知识库：

flowchart LR
    A[剧本] --> B[分镜脚本]
    B --> C[画面生成]
    C --> D[配音与音效]
    D --> E[剪辑与字幕]
    E --> F[发布与复盘]

理解了这条链路，你就能明白为什么工具是「组合拳」而不是「单点神器」：没有任何一个工具能从头到尾包打天下，关键是让每一步的输出格式，能顺利成为下一步的输入。

二、逐环节拆解：每一步做什么、用什么工具

2.1 剧本：大模型是编剧

剧本是整条流水线的源头，质量直接决定成片上限。现在主流做法是用 Claude、GPT、DeepSeek 等大模型生成剧本，但直接让模型「写个短剧」往往得到的是小说式的文字，不利于后续分镜。正确的做法是给出结构化约束，强制输出「场次 + 镜头 + 对白 + 动作 + 情绪」的格式。

下面是一个能直接复用的 Prompt 模板，你可以保存为 script_prompt.txt：

你是一名短剧编剧。请根据以下主题创作一集 3 分钟的竖屏短剧剧本。
主题：{主题}
要求：
1. 输出 JSON 格式，字段为 scenes（数组）。
2. 每个 scene 包含：scene_id、location、time、summary。
3. 每个 scene 内含 shots（数组），每个 shot 包含：shot_id、shot_type（景别）、camera（运镜）、action、dialogue、emotion。
4. 对白口语化，单句不超过 20 字，冲突前置，每 15 秒一个反转。
5. 只输出 JSON，不要解释。

让模型输出结构化 JSON，是为了下一步分镜和画面生成时能直接解析，避免人工二次整理。这一步的输出，是后面所有环节的「合同」。

2.2 分镜：把文字翻译成镜头语言

剧本解决「讲什么」，分镜解决「怎么拍」。对于 AI 短剧，分镜脚本通常是一张表，每一行对应一个镜头，包含：镜头编号、景别（特写/中景/全景）、运镜（推/拉/摇/移）、画面描述、台词、时长、参考风格。

你可以用一段 Python 把剧本 JSON 转成分镜表格，方便人工检查：

import json

with open("script.json", encoding="utf-8") as f:
    script = json.load(f)

for scene in script["scenes"]:
    for shot in scene["shots"]:
        row = f'{shot["shot_id"]} | {shot["shot_type"]} | {shot["camera"]} | {shot["action"]} | {shot["dialogue"]}'
        print(row)

分镜脚本的价值在于「可执行」：画面描述要具体到人物、服装、场景、光线，这样喂给 ComfyUI、MiniMax H3 或 LTX 2.3 时，生成结果才会稳定。模糊的描述（比如「一个漂亮的女人」）是 AI 生成翻车的头号原因。

2.3 画面生成：三大平台的定位差异

画面阶段是整个流水线里工具最丰富的环节。结合上一篇的工具全景，这里给出三个主力的定位建议：

ComfyUI：适合需要强控制的画面与视频生成，通过节点式工作流实现角色一致性、关键帧控制，学习成本高但天花板也高。
MiniMax H3：全自动导演生成平台，适合「输入剧本直接出成片」的快速路线，控制力弱但产出效率极高。
LTX 2.3：视频生成平台，擅长图生视频、动态镜头，适合把静态分镜图「动起来」并控制时长。

三者的选择不是「三选一」，而是「按镜头分配」：关键镜头用 ComfyUI 精修，量产镜头交给 MiniMax H3 与 LTX 2.3 批量生成，最后统一剪辑。

2.4 声音与后期：让画面开口说话

画面生成后，还需要 AI 配音（TTS）、BGM 与音效。配音要保证同一角色的声线一致，音效要贴合动作节奏。后期则用剪映或开源工具做剪辑、字幕与转场。

三、实战步骤：搭一套最小可用的流水线

如果你是第一次上手，建议按下面 6 步搭建一个「最小可用」版本，先跑通再优化：

准备剧本：用上面的 Prompt 模板生成一集结构化剧本，保存为 JSON。
生成分镜表：用 Python 脚本把 JSON 转成 Markdown 表格，逐行检查画面描述是否具体。
产出画面：先用 LTX 2.3 或 MiniMax H3 快速生成 3~5 个镜头试跑，确认风格方向。
关键镜头精修：对主角特写等关键镜头，用 ComfyUI 加 ControlNet / LoRA 保证一致性。
配音合成：用 TTS 工具给对白配音，导出分段音频，与画面时长对齐。
剪辑发布：在剪映中完成剪辑、字幕、BGM，按平台规格导出竖屏成片。

为了统一管理素材，建议用固定目录结构，下面是推荐的目录约定：

duanju-project/
├── script/            # 剧本与分镜
│   ├── script.json
│   └── storyboard.md
├── images/            # 分镜静态图
├── videos/            # 生成的视频片段
├── audio/             # 配音、BGM、音效
├── edit/              # 剪辑工程与成片
└── publish/           # 发布物料（封面、标题、文案）

规范目录看似小事，却能让你在批量生产时少掉 80% 的找文件时间。

四、常见问题

Q1：为什么我生成的画面和剧本对不上？
多半是分镜描述太模糊。把「主角生气」改成「女主角身穿红色风衣，眉头紧锁，握紧拳头，背景是夜晚街道」，生成命中率会显著提升。

Q2：三个工具都要装吗？
初期不必全装。先用 MiniMax H3 或 LTX 2.3 跑通全流程，等遇到一致性、控制力的瓶颈，再引入 ComfyUI 做精修。

Q3：结构化剧本 JSON 会不会限制创作？
不会。约束的是「输出格式」而非「创意」，创意仍然来自你的主题与设定。格式越规范，自动化程度越高。

Q4：流水线能全自动吗？
可以，但建议先「半自动」：人工审核分镜与关键镜头，其余环节自动。全自动容易在一致性上翻车。

五、总结

AI 短剧的生产，本质是一条「剧本 → 分镜 → 画面 → 声音 → 后期 → 发布」的流水线。每个环节都有对应的模型与工具，关键是让输出格式标准化、让环节之间无缝衔接。今天我们把这条流水线完整拆解了一遍，并给出一套最小可用的目录结构与脚本。下一篇文章，我们会进入落地的第一步——环境准备，聊聊本地 GPU、云 GPU 与工具选型，帮你把这条流水线真正跑起来。

下期预告：第 3 天《环境准备——本地 GPU、云 GPU 与工具选型指南》，我们不见不散。

文章版权归作者所有，未经允许请勿转载。

THE END