如何制作AI短剧：从剧本到成片的完整实战指南

AI短剧是AI视频里难度最高的品类：它既要有叙事，又要跨镜头保持人物一致，还要控制成本。市面上大量教程只演示一个镜头的惊艳效果，不会告诉你整部剧做下来会死在哪里。

这篇从剧本写起，到成片导出为止，把每个环节的实战要点和踩坑经验整理成一条可执行的路线。核心解决两个硬伤：角色一致性和镜头崩坏。读完你能判断一部短剧的可行性，并按检查清单开工。

第一步：剧本——为AI重新设计故事

AI短剧的剧本不是普通剧本

传统剧本可以写”他愤怒地摔门而出”，导演和演员知道怎么处理。AI短剧的剧本必须回答”这个镜头生成什么画面”，所以每句话都要落到可视化的具体描述上。

三条改写原则：

少写对话，多写画面。AI生成说话镜头的口型几乎不可控，台词要么用画外音呈现，要么压缩到最短。一句台词的标准呈现方式是：听话人的反应脸+台词画外音。

单镜头单动作。“她进门、脱外套、坐下”是三个镜头，不是一个。AI生成多步骤动作的失败率极高，剧本阶段就拆好。

场景数量砍到最少。每换一个场景，就多一套环境生成的成本和风格漂移的风险。一部两三分钟的短剧，理想场景数是两个到三个。

一部两分钟短剧的剧本骨架

段落	时长	内容	镜头数
开场钩子	10秒	冲突最激烈的一幕前置	2-3
铺垫	30秒	人物与矛盾的最小交代	5-7
升级	40秒	矛盾激化，情绪最高点	6-8
反转与收尾	40秒	反转揭示+钩子结尾	5-7

总计20到25个镜头。这是新手该控制的规模——超过40个镜头的项目，一致性维护的工作量会翻倍，第一次做大概率烂尾。

让AI帮你写剧本的正确方式

直接说”写一个AI短剧剧本”，得到的是无法生产的文学作品。有效提示词必须带上生产约束：”写一个2分钟的AI短剧剧本，主题【XX】，要求：场景不超过3个；每句台词不超过15字且大部分用画外音呈现；每个镜头只包含一个动作；标注每个镜头的画面描述、景别、时长；结尾留悬念钩子。”

拿到剧本后人工做一件事：删掉所有”情绪渐变”的镜头。”他的表情从愤怒转为平静”这种镜头AI做不了，改成两个镜头：愤怒的脸、平静的脸，中间硬切。

第二步：AI短剧的角色资产——一致性的地基

角色卡制度

每个主要角色建立一张角色卡，包含四样东西：

内容	作用
定妆图（正面标准像）	所有镜头的形象种子
角色提示词（外貌固定描述）	文生图时保持特征一致
服装方案（按场次固定）	服装变化是一致性杀手
参考图集（3-5张不同角度）	供图生图和局部重绘调用

角色提示词要”锁死不可变项”：发型、发色、脸型、瞳色用固定描述词；可变项（表情、姿态、光线）每镜头单独写。经验做法是把不可变项写成一段固定后缀，每个镜头的提示词末尾都带它。

一致性的三道防线

第一道：图生图垫图。每个新镜头的图，都基于定妆图做参考生成，而不是纯文字生成。这一道防线能解决八成的一致性问题。

第二道：局部重绘。脸不一致但构图好的图，不动构图只重绘脸部区域。多数工具支持局部重绘，比重出全图省一半时间。

第三道：LoRA训练或IP-Adapter。大工程或系列剧才需要。训练一次LoRA需要20张以上高质量角色图和一定的技术门槛，回报是极高的一致性。单集短剧用前两道防线足够。

第三步：分镜与生成

分镜表是生产的施工图

AI短剧的分镜表比普通视频更重要，因为它同时是生成任务的工单。每行六列：

列	内容	备注
镜号	编号	按场景分组
景别/机位	近景、俯拍等	相邻镜头景别错开
画面描述	一句话	直接改写成生图提示词
角色+服装	对应角色卡	防串戏
台词/音效	画外音内容	配音时长反推镜头时长
状态	未开始/已出图/已生成/已剪辑	项目进度的抓手

批量生成的顺序

按”场景”批量生成而不是按”剧情顺序”。同一场景的镜头色调光线天然一致，一起生成能共享环境提示词；跨场景跳着生成，风格漂移很难察觉，最后剪辑时才发现镜头像两部片子。

每个镜头的生成节奏：先出图（1-2次），构图满意后转图生视频（2-3次抽卡）。单镜头预算控制在5次生成以内，超了说明镜头设计有问题，回去改分镜而不是继续抽。

崩坏率控制的经验值

实测各类型镜头的首次成功率（供排期参考）：

镜头类型	首次成功率	备注
静态环境（空镜）	90%+	最安全
人物缓慢动作（转头、走路）	70%左右	幅度小成功率高
人物手部动作	50%以下	手指是重灾区
多人同框互动	30%以下	尽量避免
正面说话特写	低	口型必崩，用画外音替代

把高成功率镜头当骨架（空镜、反应脸、环境动态），把低成功率镜头设计成”不需要出现”。剧本阶段就用这张表过滤镜头设计，制作时省一半的抽卡时间。

第四步：配音与声音设计

短剧的声音层结构

四层，从下往上：

台词层（画外音为主）：用付费TTS，为每个角色固定一个音色，全剧不换。角色的”声音一致性”比脸的一致性更容易建立，观众对声音的辨识度惊人地高。

环境音层：场景匹配的环境声（雨声、街道、室内底噪）。没有环境声的短剧像默片，有了立刻有”世界感”。

音效层：转场、动作、情绪强调。短剧的音效密度要比口播视频高，因为画面是”假”的，声音在帮画面建立真实感。

配乐层：情绪段落才进音乐，不要全程铺。音乐进出的时机就是情绪的节拍器。

台词与口型的规避设计

能用画外音的绝不正面说话。必须说话的镜头用三个替代方案：侧面或背影说话（口型不明显）、特写局部（嘴在画外）、反应脸+对方声音。这三个方案能覆盖95%的对话场景。

第五步：AI短剧的剪辑与节奏

短剧剪辑的四个要点

开场10秒定生死。把冲突最激烈的画面放在开头（哪怕它在剧情中段），再用字幕”3小时前”回到铺垫。短剧不是电影，不欠观众线性叙事。

每20-30秒一个信息增量。铺垫段最容易拖。检查方法：每看30秒问自己”观众多知道了什么”，答不上来的段落剪掉。

反转要”意料之外情理之中”。反转的证据要在前文埋两处，观众二刷能发现的才是好反转。AI短剧的反转点建议用”画面语言”埋（背景道具、角色的某个小动作），比台词埋点更自然。

结尾必须挂钩子。未解决的冲突、突然出现的角色、一句意味深长的画外音。系列短剧的追更率靠结尾钩子，单条短剧的完播奖励也靠它。

调色统一：伪统一的捷径

跨场景色调不一致是常态。全线统一调色成本高，捷径是给每个场景定一个色调关键词（暖黄/冷蓝/昏暗），剪辑时用剪映的滤镜统一到关键词，观众对”色调统一”的感知是模糊的，达到”同场景一致”就够。

AI短剧项目管理的最小工具集

一部短剧20多个镜头，靠记忆管理必乱。最小配置是一张在线表格（分镜表）加一个文件夹结构（按场景分目录存图和视频）。进阶一点加两张表：生成记录（每个镜头抽了几次卡，花了多少钱）、素材清单（定妆图、环境图、音效文件的位置）。

工具	用途	必要度
在线表格	分镜表+进度跟踪	必备
网盘/本地目录	素材归档	必备
生成记录表	成本与抽卡统计	建议
剪辑工程模板	字幕样式/音量标准	系列剧必备

成本与周期的现实账

一部两分钟短剧（20-25个镜头）的现实成本：

项目	用量	成本估算
文生图	40-60张（含废片）	20-50元
图生视频	60-100次（含抽卡）	60-200元
TTS配音	全剧台词	5-20元
人力时间	15-25小时（首次）	——

第二次做，人力时间能压到10小时左右，因为角色卡、模板、检查清单都复用了。系列短剧的边际成本递减非常明显——这也是为什么”先做一集试水，数据好再批量”是正确策略。

制作检查清单（发布前过一遍）

一致性：主角在所有镜头里是同一张脸？同一场景的色调统一？服装跨镜头没变？

崩坏检查：逐帧检查手部特写镜头；检查所有转场的前后两帧；检查背景文字区。

声音：每个角色的音色全剧一致？环境声有无突变？台词与字幕完全对齐？

节奏：开场10秒有冲突？每30秒有信息增量？结尾有钩子？

合规：人物形象无真实人物 likeness？音乐音效有版权授权？平台标签和分类选对？

剧本阶段的进阶技巧

用”视觉母题”代替复杂叙事

AI短剧撑不起复杂的叙事结构，但撑得起”视觉母题”的重复：一个反复出现的道具（每集都出现的钥匙扣）、一个固定机位（每次冲突都在同一张桌子前）、一个固定动作（主角犹豫时摸戒指）。母题的成本是一套固定的生成模板，回报是观众对剧集的”辨识度”——这正是系列短剧最值钱的东西。

设计母题的原则：必须容易生成（静态、特写、简单构图），必须能承载情绪（道具与情节有绑定关系）。一个设计好的母题，能让你的生成模板库多一类”零风险镜头”。

对白的最小化设计

检验对白是否过度：把台词全部删掉，只看画面能否理解剧情主线。能，说明画面是主角；不能，说明你把短剧做成了”广播剧配图”。修改方向是把台词的信息转移到画面里——台词说”他骗了你三个月”，画面改成”手机屏幕上的聊天记录特写”，后者更有视觉冲击力，还省掉了口型问题。

情绪节奏的”过山车”原则

两分钟的短剧，情绪曲线应该至少有两个起伏：开场钩子（高）→铺垫（低）→第一次冲突（中高）→短暂缓和（中低）→最终冲突与反转（最高）。全程高能会疲劳，全程平缓会流失，两个波的节奏是完播率的经验最优。

剪辑时把情绪曲线画出来对照：用镜头的景别近远和配乐强弱近似标记情绪高度，一眼就能看出哪一段”该高不高”。

生成阶段的省时秘籍

环境图的复用策略

每个场景出一张”环境总图”（无人物的空镜）加若干”人物在场景中”的图。环境总图有三个用途：开场定场镜头、插在转场处的呼吸镜头、人物镜头崩坏时的降级替补。一张图三个用途，是分镜表里性价比最高的镜头。

提示词的”变体复用”

同一场景的不同机位，不要每次从零写提示词。建立”场景母提示词”（环境+光线+风格后缀），每个镜头只在前面追加主体描述。这个做法除了省时间，更重要的是保证同场景镜头的环境描述一致——手写提示词时环境细节容易漂移，母提示词不会。

复用物	内容	省时估算
角色提示词后缀	不可变外貌描述	每镜头省1分钟
场景母提示词	环境+光线+风格	每镜头省1-2分钟
风格后缀	全剧统一的视觉风格	防风格漂移
环境总图	定场+呼吸+替补	省3-5个镜头生成

抽卡的”批量判断”法

逐个镜头抽卡判断质量，效率低且标准容易漂移。更好的做法：每完成一个场景的全部镜头，把这一批的成品并排快速过一遍——你会立刻发现哪个镜头的色调、风格、人物和其他的不一致，单独看时这些问题很难察觉。批量判断还能帮你建立该项目的”质量基准线”，后面的镜头有了参照。

系列短剧的运营思维

为什么建议做系列而不是单条

单条短剧是烟花，系列短剧是资产。资产属性体现在三处：角色卡和场景模板全部复用，第二集的制作成本比第一集低四成；每集结尾的钩子把观众导向下一集，流量内部循环；平台的连载标签和合集功能，对系列内容有流量倾斜。

第一季的规模建议

三到五集，每集90秒左右。这个规模的总量（6-8小时工作量）在多数人的耐心里，也能让算法有足够的样本判断内容质量。十集以上的规划留到数据验证之后。

数据反馈指导第二季

重点看三个数据：追更率（看完第一集的人有多少看第二集）——低于40%说明钩子设计有问题；单集流失点——各集流失集中在同一时间段，说明是结构性问题（比如铺垫太长）；评论区的角色讨论——观众自发讨论哪个角色，那个角色就是第二季的加戏对象。

指标	健康值	对应动作
追更率	40%以上	低于则重设计结尾钩子
单集完播	30%以上	低于则压缩铺垫段
互动率	3%以上	低于则加可讨论的争议点

一个新手最容易忽略的环节：片名与封面

短剧的片名决定搜索和推荐流量，封面决定点击。片名的公式：身份+冲突。”外卖小哥竟是隐藏大佬”比”逆袭人生”有效十倍——具体的身份和具体的冲突，比抽象的词强。

封面用冲突最高潮的画面（通常是最终冲突段的截帧）加大字标题。竖屏封面的标题字号要大到”信息流里缩略图还能看清”。封面和片名传递同一个信息点，不要各说各的。

这两样东西的制作时间不超过二十分钟，对流量的影响超过你后面两小时的所有剪辑努力。把它们排进工作流，而不是成片后随手截一张。

从0到发布的完整时间线

以一部90秒、18个镜头的短剧为例，两周 weekends 的安排：

第一个周末（约7小时）：剧本与切镜头2小时、角色卡制作2小时（含定妆图抽卡）、分镜表1.5小时、场景母提示词与环境总图1.5小时。

中间的碎片时间：每天晚上抽卡1小时，五天完成全部镜头生成。抽卡是最适合碎片时间的环节——发起生成后等待即可。

第二个周末（约6小时）：配音与音效1.5小时、剪辑3小时、片名封面与发布0.5小时、数据后台熟悉1小时。

两周总计约20小时。这个节奏不需要请长假，是普通人可持续的投入水平。如果你打算做成系列，第二集开始这个时间会降到12-14小时。

六个真实翻车案例与解法

案例一：镜头越做越多，项目烂尾

一位创作者的第一部短剧规划了52个镜头，做到第20个时生成工具的月费额度用完，项目停摆。复盘结论：镜头数应该在剧本阶段就由”可用成本”倒推——预算一百元，按每镜头三次抽卡的成本算，只能支撑25个镜头左右。先算钱再写剧本，剧本自然收敛。

案例二：主角”整容”了

全剧14个有主角的镜头，事后检查发现第9个镜头之后脸型明显变了——因为那个镜头换了新的生成工具。教训：全剧锁定一套工具一个模型版本，中途换模型等于角色重铸。工具的版本更新也要注意，更新前把剩余镜头的生成做完。

案例三：环境穿帮

一场”咖啡馆对话”，主角背后的窗景在两个镜头里分别是白天和黑夜。原因是两个镜头分别生成，环境提示词里没写时间。解法是把时间、天气写进场景母提示词（”黄昏，窗外有夕阳”），母提示词一改，全场景镜头统一。

案例四：配音换人

第三集换了TTS服务商，观众在评论区直接指出”主角声音不对”。声音是角色资产的一部分，和脸同等地位。解法：角色卡里增加”音色档案”——服务商标识、音色ID、语速参数。换服务商是重大变更，宁可重录全剧台词。

案例五：转场处的画面跳跃

单看每个镜头都没问题，连起来看某些转场”跳”——前一个镜头人物在画面左侧，下一个镜头突然在右侧。解法：分镜表加一列”人物屏幕位置”，相邻镜头的位置错落要人工规划；剪辑时在跳变严重的转场加一个环境空镜做缓冲。

案例六：完播率高但没人关注

一条数据很怪的片子：完播率35%（优秀），关注转化几乎为零。检查发现结尾是”全剧终”字样——把观众送走了。解法：结尾改为”第二集明天更新”+主角的一个未解之谜画面。结尾的每一个元素都要为”让下一件事发生”服务。

案例	根因	预防措施
项目烂尾	成本未前置规划	按预算倒推镜头数
角色变脸	中途换模型	全剧锁工具锁版本
环境穿帮	环境描述不固定	场景母提示词
声音换人	音色未入资产	角色卡加音色档案
转场跳跃	位置无规划	分镜表加位置列
高完播零转化	结尾无钩子	结尾服务下一集

不同题材的难度分级

入门级：都市情感、职场日常

场景少（室内为主）、动作简单（对话、行走、表情）、情绪靠反应镜头。这两个题材的镜头85%以上是”高成功率类型”，适合第一部作品。

进阶级：悬疑推理、校园故事

需要道具特写和线索画面（成功率中高），场景略多，但动作依然可控。悬疑类的”证据特写”是天然的零风险镜头，反而是AI友好的题材。

困难级：古装、玄幻、动作

服装复杂（一致性灾难）、特效场面多（崩坏率高）、动作戏多（多步骤动作）。这三类等积累了两三部经验之后再碰，否则抽卡成本会失控。

难度	题材	特征	建议
入门	都市情感、职场	室内、静态、对话	第一部选这里
进阶	悬疑、校园	道具多、场景适中	第二三部
困难	古装、玄幻、动作	服装复杂、特效多	有经验后再做