两小时做一条AI真人短剧这话我第一次听同行说的时候第一反应是卖课的吧。后来自己动手连着做了十几条从最早的六个多小时一条压缩到现在的一条成片基本落在两小时上下才明白这个数字不是夸张而是熟练度上来的自然结果。它背后不是某个神奇的按钮而是一条被反复跑顺的流水线先用对话类工具把剧本和分镜钉死再用图像/视频生成平台把写实人物和镜头素材做出来最后在剪辑软件里把碎片拼成有节奏的成品。这条链路里AI真人短剧的核心难点从来不在生成,而在一致性和节奏——人物不能一个镜头一个脸情绪不能一条片子三套调。下面我按自己实际跑的流程拆开讲包括那些教程里不会写的翻车点。需要先说明一句标题里提到的那三件套我按功能位来讲——对话生成、图生视频、本地剪辑。每一类市面上都有多个可替代的产品操作逻辑大同小异你手上有什么就用什么不用因为工具不一样就觉得流程跑不通。1. 把两小时这个数字拆开看先拧正预期1.1 时间预算的真实构成很多人对两小时的误解在于以为这两小时包含了想创意。实际上不是。创意、选题、BGM挑选、字体素材准备、片头模板制作这些都属于一次性投入做第一条片子的时候会额外吃掉三到四小时但后续可以复用。真正压在两小时里的是一条90秒竖屏短剧的执行时间我自己的分配大概是这样环节熟练后耗时第一条片子耗时说明剧本分镜表20-25分钟60-90分钟含AI多轮改写、人工润色角色定妆首帧15-20分钟40-60分钟出3-5张可用脸分镜图生成20-25分钟60-90分钟8-12个镜头图生视频25-35分钟90分钟以上排队时间另算配音音效10-15分钟30分钟含口型对齐剪辑合成25-30分钟60分钟含字幕、调色导出自检5-8分钟15分钟逐帧看看这张表能发现一件事时间不是均匀消耗的而是集中砸在生成和返工上。熟练工和新手的差距八成不在操作速度而在一次出片率。老手写提示词的时候脑子里已经预判了模型会在哪里崩所以第一次生成就能拿到七成可用的素材新手往往是先生成一堆挑的时候发现全废再回头改描述重跑一轮就是二十分钟。提示如果你打算认真做这件事别从高难度镜头开始练手。先用单人、中景、室内固定机位、说话这种最稳的配置跑通三条完整片子把整条链路的肌肉记忆建立起来再去碰多人对话、动作戏、大场景。1.2 三个环节各自的不可替代性有人会问现在有些平台已经能一句话直接出视频了为什么还要分三步走不是更慢吗我的实测结论是一句话出片的工具适合做15秒的氛围短片不适合做有台词、有剧情转折、需要人物贯穿的短剧。原因很实在——它对人物身份没有持久记忆。你在第一句提示里描述了一个穿灰色针织衫、短发、三十岁上下的女性第二句换个场景出来的脸就变了。所以这条三步链路的价值在于各管一段对话环节负责逻辑。分镜表、台词、节奏点、情绪走向这些是需要推理和结构化的东西交给语言模型最划算。它还能顺手把提示词按目标平台的语法规范写出来。图像/视频环节负责视觉资产。先出静态首帧是因为静态图便宜、快、可反复试错确认这张脸、这个光影对了再去驱动成动态。反过来先出视频再挑成本高十倍。剪辑环节负责节奏。AI生成的片段有个通病就是每个镜头都太完整——起幅落幅都很稳拼在一起反而拖沓。必须靠剪辑把每个镜头的头尾切掉让它接得上。我个人在实际操作中的体会是这套分工最大的好处不是快而是可控。哪一环出问题你能定位到具体环节去修。一句话出片的工具一旦崩了你根本不知道该改哪句。1.3 一次性准备把返工成本前置正式开跑之前有几样东西必须先备好否则做的过程中会被反复打断统一的素材文件夹结构按01_剧本 / 02_角色 / 03_分镜图 / 04_视频片段 / 05_配音 / 06_音效BGM / 07_成片分好。别小看这个AI生成的文件名全是一串无意义字符不预先归档剪到一半找素材能把你逼疯。一套固定的字幕样式字号、描边、位置、行距。竖屏建议字号控制在画面宽度的6%-7%底部安全区留出约15%防止被UI遮挡。三到五首免版权BGM按悬念/温情/爽感分类。短剧的BGM基本就是这三种情绪轮着用。一个分镜表模板字段固定下来每次复制新建。准备这些东西大概花一次两小时但它能把后面每一条片子的隐性时间省掉三十分钟以上。这是我认为性价比最高的投入。2. 剧本与分镜让对话模型干结构化的活别让它自由发挥2.1 短剧的钩子结构决定了提示词该怎么写90秒竖屏短剧和传统短剧的结构完全不同。它没有铺垫的空间前三秒抓不住人后面全白做。我自己总结的骨架是三秒钩子—十五秒立人物—四十五秒冲突升级—最后二十秒反转收口。这个结构必须在你写提示词之前就明确告诉模型否则它会给你写一个四平八稳、前三秒在介绍天气的文学剧本。这里有个关键认知对话模型不是不会写剧本是它默认的好剧本标准和你需要的不一样。它倾向于完整、匀称、有起承转合而短剧需要的是失衡、突兀、信息密度极高。所以提示词里必须显式约束不能靠它自己领悟。我常用的开场句式是这样的可直接抄改你是一名竖屏短剧编剧。请写一个90秒的短剧剧本要求 1. 题材都市生活围绕一个被误会的瞬间展开 2. 结构0-3秒必须出现强冲突画面或一句反常识台词3-20秒交代人物关系20-70秒冲突升级并出现至少一次情绪反转70-90秒给出反转结局 3. 全片只允许2个角色场景不超过2个 4. 台词全部口语化每句不超过12个字不用书面语、不用成语 5. 输出格式先给一句话故事梗概再给分镜表第3条和第4条是最容易被忽略但最要命的。角色多了AI生成时人物一致性根本保不住台词长了后面配音和口型对不上会非常难受。12个字大概是两三秒的说话时长正好匹配一个镜头。2.2 分镜表的字段设计决定了后面好不好干让模型输出分镜表时字段一定要自己定死不能让它自由发挥。我用的字段是这八列镜号时长景别机位/运镜画面内容台词情绪转场S012.5s中近景正面平视轻微前推女性站在玄关手里攥着手机表情从疑惑转为震惊你怎么会有这把钥匙震惊硬切这么设计的理由每一列都对应后面的一个操作时长直接决定图生视频要生成几秒。这里有个坑生成5秒的片段实际能用的往往只有中间2-3秒头尾容易崩。所以分镜时长我一般按实际可用1.5倍来规划。景别控制生成难度。近景和特写最稳脸部信息集中全景和大场景最容易崩。一条90秒的片子里全景镜头我控制在两个以内。机位/运镜这一列直接翻译成图生视频的运镜指令。写轻微前推缓慢横移是安全的写环绕快速旋转人物转身基本必崩。画面内容这是喂给图像生成的主要描述要具体到服装、光线、环境不能写一个伤心的女人这种抽象描述。台词同时用于配音和字幕。情绪既影响画面表情描述也影响配音的语气参数。转场提前想好是硬切还是叠化剪辑时不用临时纠结。2.3 台词要短且可念别写成小说对白这是我最想强调的一条经验。很多人拿到AI写的剧本看着挺顺一念出来就完蛋——因为写的是阅读语言不是口语。判断标准很简单你自己念一遍如果中间需要换气两次以上或者出现然而因此不禁这类词就得改。改法我一般做两件事一是把长句拆成短句二是把书面语替换成生活词。比如我从未想过你会做出这样的选择改成我真没想到你会这么选。前者念起来像旁白后者才像人在说话。还有一个细节台词的最后一个字尽量避开闭口音。像嗯不一这种收尾配音出来会显得很闷而且口型匹配时容易出现嘴型没闭合的诡异感。这个属于实战里踩出来的经验文档里基本不会写。2.4 让模型顺手把画面提示词也写出来分镜表定稿后我会追加一轮对话让它把画面内容那一列扩写成完整的图像生成提示词。这样做的好处是风格统一因为是在同一个对话上下文里生成的用词习惯、描述粒度能保持一致。扩写的要求我会明确写必须包含主体描述、服装、环境、光线方向、镜头焦段感、画面氛围六个要素输出为一段连续描述不用分点。分点描述喂给图像模型效果反而差因为它会把每个词当成独立标签容易互相打架。3. 人物一致性与画面质感这一步决定片子像不像人拍的3.1 真人感的三个具体来源AI生成的人物一眼假通常不是因为五官不对而是因为三个细节没做到位。我把这三条当成硬标准第一是光比。AI默认喜欢打平光脸上没有明暗过渡看起来像证件照。真实拍摄里人脸一定有主光方向一侧亮一侧暗鼻梁和下颌会有明确的阴影边界。所以提示词里必须指定光源方向比如左侧窗户自然光右侧脸部处于阴影中。第二是皮肤质感。现在的模型有个通病一生成人像就自动磨皮毛孔、细纹、油光全没了变成塑料质感。解决办法是在提示词里反向约束加保留皮肤纹理可见细微毛孔不做磨皮处理这类描述。第三是镜头语言。手机拍摄的短剧视角通常是35mm到50mm之间的自然视角有一定透视但不夸张。如果生成出来是广角大头或者长焦压缩感就会显得像广告片而不是像短剧。提示词里加上焦段描述能明显改善。注意这三条要同时用。只调光比不调肤质出来的是打了光的塑料人只调肤质不调光比出来的是清晰的平光人。三个一起上才有那种随手拍的但很真实的观感。3.2 角色卡先把脸定死再谈其他我的做法是正式做分镜之前先花十五分钟专门造人。针对每个主要角色生成四张图正面中景中性表情45度侧脸微笑侧面低头半身带环境背景这四张图构成这个角色的角色卡。后面所有镜头都以这四张图作为参考图输入。这一步做扎实了后面的一致性会顺很多跳过这一步直接做分镜基本等于给自己挖坑。生成角色卡的时候提示词模板我会固定成年龄段性别发型发色脸型特征服装光线焦段肤质要求其中发型和服装的描述必须逐字固定一个字都不能改。因为模型对服装的理解非常敏感灰色针织开衫和灰色针织外套可能给你两种完全不同的东西。3.3 参考图权重与种子一致性的两个抓手图像生成里控制一致性主要靠两个东西参考图有的产品叫垫图、有的叫角色参考和随机种子。参考图权重这个参数不同产品命名不同但逻辑一样权重太高生成的图会变成参考图的复制粘贴失去新姿势新角度权重太低人物特征又保留不住。我实测下来做同一角色的不同镜头权重放在中间偏上比较合适做同一角色的相同角度不同表情权重可以再调高一些。这个没有万能数值得在你的工具上试三五次找到甜点区。种子seed的作用是固定随机性。同一个种子加同一段提示词出来的图基本一致。所以我的习惯是角色卡定稿后把那张图的种子记下来后续所有该角色的镜头都从这个种子出发只改场景和动作描述。这样能极大降低脸崩的概率。3.4 图生视频运镜越小越安全从静态图到动态视频这是整条链路里最容易翻车的一环。翻车形式很统一人脸变形、手指变成六根、背景物体突然融化、人物做了一半动作卡住。我的避坑原则是三做三不做推荐做法原因避免做法崩坏表现轻微前推、缓慢横移位移小模型有足够信息补帧环绕、旋转、快速摇镜背景撕裂人脸扭曲人物保持基本静止只有表情和头部微动面部信息稳定人物走路、转身、大幅度手势肢体融化脸换人中景、近景主体占比大细节可控大远景、全身、手部特写手指畸形远景糊成一团单镜头2-4秒时长越短崩坏概率越低追求8秒以上长镜头后半段明显失真关于时长这条要展开说。默认生成5秒但真正能用的往往只有中间那一段。我的处理方式是生成时按5秒出剪辑时只取中间2-3秒。多出来的部分不是浪费是保险。如果一个镜头实在需要更长的持续感我会拆成两个连续镜头用相似构图接起来观众基本看不出来。还有一个技巧值得提首尾帧衔接。有些工具支持指定起始帧和结束帧那么把上一个镜头的末帧和下一个镜头的首帧做成视觉上连续的接起来会非常丝滑。这个功能用好了能做出一镜到底的错觉。3.5 生成阶段的排队时间要利用起来图生视频通常要排队一个镜头等几分钟很正常。新手容易犯的错是一个一个等干瞪眼。正确的做法是批量提交把这一场戏需要的六到八个镜头一次性全部提交然后去干别的——写下一场的分镜、准备配音文案、整理素材。等回来的时候素材基本都好了。这也是两小时能成立的关键。真正的时间消耗不是等待而是串行操作导致的空转。把能并行的都并行起来实际的手工时间就压下来了。4. 剪辑台AI素材的救命环节靠的是切不是加4.1 先搭骨架再填肉拿到一堆AI片段之后最忌讳的是打开软件就开始一段段往时间线上拖。我的顺序是反的先在时间线上放占位。把配音先做好、铺进去然后按照配音的节奏把每段视频卡在对应台词的位置上。这样时间线的骨架是由声音决定的画面只是往上贴。为什么这么做因为短剧的节奏感本质上来自说话的速度。人说话有停顿、有加速画面跟着这个节奏走天然就有韵律。反过来先排画面再配音很容易出现画面在动但话还没说完或者话说完了画面还杵着的尴尬。具体操作配音轨铺好后把每个镜头的入点定在台词第一个字前约0.2秒出点定在最后一个字后约0.3秒。这个提前量和延后量是我反复试出来的太紧了显得急太松了显得拖。4.2 三层音轨缺一层就假AI生成的视频有个共同缺陷没有声音而且是死寂的那种没有。哪怕画面很真一放出来还是像幻灯片。解决办法是搭三层音轨人声层配音。这是主体音量基准其他都围绕它调。环境层房间底噪、街道远景、风声、空调声。这层的音量要压得很低低到你不注意听不见但去掉就空。这一层是真实感的最大来源很多人省掉这步成片就会有种录音棚里演的感觉。情绪层BGM和关键音效。关门声、手机震动、心跳声、突然的静音——这些点的作用比BGM大得多。三层的关系我一般这样处理人声做基准环境层压在人声之下很多BGM再低一些只在情绪转折处短暂抬起来。有个小技巧是在反转前留半秒的全静音效果比加任何音效都强。4.3 字幕不是配上就行位置和断句都有讲究竖屏字幕的位置我的经验是放在画面下方约四分之一处避开最底部那里会被平台UI压住。字号要保证在小屏手机上不用眯眼但也不能大到遮挡人物嘴部——嘴部是观众注意力的焦点被挡住会影响真人在说话的感觉。断句比字号更重要。AI配音的停顿和你的字幕断句如果对不上观感会很别扭。我的做法是按语义断不按字数断。一句话如果超过十二三个字就在语义停顿处拆成两行而不是简单地对半切。4.4 调色统一观感比好看更重要不同镜头是用不同提示词生成的色温、对比度、饱和度天然不统一。剪辑时如果不做统一处理拼在一起会明显跳。我的做法是给整条片子套同一个基础调色然后再对个别镜头做微调。具体思路先确定一个基调比如偏冷的都市感或者偏暖的生活感所有镜头往这个基调上靠。肤色是判断标准——所有镜头里的人脸肤色要看起来像同一个人在同一天拍的。这个检查方法很土但很有效把时间线缩略图拉小快速扫一遍如果某个镜头的人脸明显偏黄或偏红那就是它需要单独修。4.5 转场能不转就不转新手特别喜欢加转场特效觉得炫。实际上短剧里最好的转场是硬切。AI生成的素材本身信息密度就高再加转场会显得碎。我整条片子基本只用两种硬切和偶尔在时间跳跃时用一个短叠化。有一个例外值得用动作接动作。上一个镜头人物抬手下一个镜头从抬手的位置继续中间硬切观众会自动脑补连贯性。这种假连贯用AI素材做起来特别有效能掩盖两个镜头其实不是同一次生成的事实。5. 发布前的逐帧自检与反复踩过的那些坑5.1 崩坏点检查清单AI素材的崩坏有个特点在手机小屏上快速播放时看不出来暂停截图就原形毕露。所以自检不能靠看一遍觉得还行得靠定点检查。我固定检查这几个位置检查项常见问题处理方式手指数量不对、关节反向、粘连换镜头或裁掉手部牙齿排列混乱、数量过多避免露齿笑的特写眼睛双眼视线不一致、瞳孔形状怪换镜头耳朵结构缺失、和头发融合侧脸镜头重点看服饰文字出现乱码字符提示词里禁止出现文字背景物体边缘融化、结构不合理缩短该镜头使用时长口型台词和嘴型明显不同步调整入点或换配音段落关于口型这条说句实话完全对上是不可能的也没必要。观众对小屏短剧的口型容忍度比想象中高。真正会让人出戏的是人物说话时嘴完全不动只要嘴在动、节奏大致对就已经过关了。如果工具支持口型驱动那更好不支持的话选那些人物正脸、嘴部清晰的镜头容忍度会高很多。5.2 素材合规这件事比技术更值得花时间这块我要单独说一说因为踩过。AI生成人物这事边界必须清楚不要用真实人物的照片做参考图不管是公众人物还是身边的人。生成的像某个人这件事风险远大于收益。不要生成带有真实机构标识、真实品牌logo的画面。提示词里如果出现具体机构名模型可能会给你生成带有类似标识的画面。不要伪造新闻场景、采访场景让AI人物播报某些内容。这类内容极易被误读。主动标注AI生成。现在多数平台都有相关要求标注了反而能减少后续麻烦。服装和场景避免特定制服、特定场所的精确还原用类似风格代替具体描述。这几条不是道德说教是实打实的风险控制。一条片子火了之后被举报下架损失的时间远超你省下的那点功夫。5.3 发布之后数据反馈怎么用第一条片子发出去别急着看播放量先看两个数据完播率和前三秒流失。如果前三秒流失特别高问题在钩子。回去看第一帧——是不是画面太静或者第一句台词信息量不够。改法通常是把冲突提前哪怕是从中间截一段当开头。如果完播率低但前三秒还行问题在中段节奏。大概率是中间有两个镜头太长或者台词太密没有呼吸口。剪掉三到五秒往往就有明显改善。我自己有个习惯每条片子的分镜表都存着旁边记上这条的实际数据。做了十几条之后回头看会发现某些结构就是稳定表现好某些就是不行。这个积累比任何教程都值钱因为它针对的是你的账号、你的受众。5.4 第二集怎么做得比第一集快最后说个提速的实话。第二条片子想压到一小时半以内核心不是手快是复用复用角色卡。同一个角色四张定妆图直接拿来用省掉造人的二十分钟。复用分镜表模板和提示词模板。改内容不改结构写起来快得多。复用字幕样式、片头、BGM库。复用安全的运镜组合。哪些运镜在你的工具上稳定记下来别每次都试新的。我个人的体会是这条链路真正的门槛不在任何一个单点工具上而在你对哪里会崩的预判。第一次做的时候你会花大量时间在试做到第五条以后你写提示词的时候就已经知道这个镜头能不能成不能成的直接换方案不浪费那二十分钟。所谓两小时本质上是用经验把试错成本压到了最低仅此而已。