国内AI短剧制作平台怎么选？10款主流工具按六环七指标横评

讨论工具之前，得先说清楚这门生意的钱是怎么走的。因为大多数“AI 短剧工具测评”都只算第一笔账——制作成本，而那一笔恰恰是现在最不重要的一笔。

1.1第一笔：制作成本，已经被打下来了

按 2026 年行业内公开的普遍口径，一部成熟团队做的 AI 短剧（通常 20 到 40 集、单集一到两分钟），制作成本落在一点五万到两万元区间，周期七到十四天。作为对照，同体量的真人短剧硬成本普遍在三十万到五十万，周期二十到三十天。

也就是说，制作端的成本被压到了原来的二十分之一左右。这个降幅是真实的，也是 AI 进入这个行业唯一无可争议的贡献。

但请注意一个细节：这两万块钱里，有多少是“工具订阅费”？通常不到两千。剩下的全是人力——写剧本的、调提示词的、抽卡的、剪辑的。也就是说，工具已经不怎么贵了，贵的是操作工具的人。

1.2第二笔：投流成本，一点没降

这是最容易被忽略的一笔。短剧的商业模式本质是买量生意：投流买曝光，用户看前几集免费、后面付费解锁。行业内的普遍结构是，投流占全链路成本的七成左右。

AI 把制作成本从四十万降到两万，但投流的钱一分没少。所以一部片子的总成本，从“四十万制作 + 一百万投流”变成“两万制作 + 一百万投流”——总成本降了不到三成。

AI 短剧真正的经济学不是“便宜”，是“试错变便宜”。以前你只有一次机会押一个题材，现在可以用同样的钱押二十个。

这个变化的意义被严重低估了。它把短剧从“赌一部爆款”变成“跑一个组合”——二十部里有一部跑出来就回本，其余十九部当学费。这才是 AI 真正的杠杆所在，而不是省下的那三十八万。

1.3第三笔：时间成本，藏在“抽卡”里

行业里有个不写在报价单上的数字：视频生成环节占全流程约四成工时，而这四成里绝大部分是“抽卡”——同一个镜头生成三到八次，挑一次能用的。

抽卡的次数，直接决定了产能。同样是十个人，一家公司一天出三集，另一家一天出一集，差距不在模型，在“第几次能出可用的”。

所以评价一款工具，有一个比“画质”重要得多的指标：首抽可用率。也就是第一次生成就能用的比例。这个数字每提高十个百分点，产能就提高一截。

1.42026 年真正变了的四件事

把这一年的变化压缩，其实只有四条：

• 从“单帧画质”转向“角色一致性”。观众能忍受画面糙，不能忍受第二集换脸。一致性成了第一硬指标。
• 从“生成器”转向“生产系统”。一批一站式平台在 2026 年上半年集中上线，卖的不是模型，是流水线。
• 从“文生视频”转向“图生视频 + 首尾帧”。懂行的人已经不用纯文生视频了，先出关键帧再让它动，成功率差三倍。
• 从“随便发”转向“要备案、要标识”。AI 生成内容需要标识，微短剧需要备案，这两条已经成了上线前的必经关卡。

短剧的生产是一条流水线，工具是流水线上的工位。有的工具占一个工位，有的占五个。用“哪个工具最好”来问，永远问不出答案；用“这个工位谁最强”来问，答案很清楚。

2.1六个环节

这六个环节里，第①和第③是“脑力活”，决定片子好不好看；第②④⑤是“体力活”，决定片子能不能看；第⑥是“手艺活”，决定片子能不能发。

2.2七个指标

下面这七项，是我给每款工具打分的依据。前四项是短剧独有的，后三项是通用但被严重低估的。

2.3三个不该看的指标

第一，演示片画质。官网首页那条片，是几十次生成里挑出来的一条，还经过后期调色和补帧。你拿同样的提示词，出不来那个效果。

第二，参数表长度。“支持 4K、支持 60 秒、支持多模态”——这些参数在真实生产里的权重远低于“首抽可用率”。一个只能出 720P 但一抽就对的模型，比一个能出 4K 但要抽十次的模型更值钱。

第三，榜单排名。所有“AI 视频模型排行榜”测的都是公开演示集，不是你的题材。你的题材是“民国宅斗”还是“都市逆袭”，结果可能完全相反。

在所有一站式平台里，它的技术姿态最特殊：一边做全流程产品，一边把底层模型开源。这个组合意味着两件事——你能白嫖一套可私有化的底子，也要接受它不如闭源产品打磨得细。

3.1它的骨架：一个 agent 串六个环节

它的核心是一个叫 WorldEngine 的调度层，把“故事概念 → 剧本 → 角色设计 → 分镜 → 视频生成 → 配音 → 多集续写”串成一条链。用户的操作不是逐个调用工具，而是描述意图，让 agent 去拆。

这个设计的好处是跨集连续。普通工具做第二集时，你得重新上传角色图、重新描述画风；它把角色和画风存在项目里，第二集直接继承。对做连载的人来说，这一条能省掉大量重复劳动。

它还集成了 3D 模型能力，这在同类里少见。3D 的用处是解决角度问题——AI 生成最怕“同一个人转个身就变样”，有了 3D 姿态参考，转身、侧脸、俯视这些镜头会稳一些。

3.2SkyScript：专门为短剧节奏训的剧本引擎

这是它最有辨识度的部分。官方说法是，这个剧本引擎在一个十亿级规模的短剧数据集上训练，优化的目标不是“文笔”，是钩子密度和反转节奏。

翻译成人话：它写出来的剧本，是按“每三十秒一个情绪拐点、每集结尾留钩子”这个模板组织的，而不是按小说的叙事逻辑。你给它一个“赘婿逆袭”的设定，它给你的分集大纲会主动安排“第三集被打脸、第五集反转、第八集身份揭露”这种节拍。

这个能力对“不会写剧本但有题材”的人价值极大。它把短剧的叙事套路变成了可调用的模板，你不用懂编剧，也能出一个结构合格的纲。

但它也带来一个问题：所有用它的人，写出来的节奏是一样的。这在跑量阶段是优点（稳定），在差异化阶段是缺点（雷同）。同一个赛道里十部片子用同一套节拍，观众看第二部就腻了。

3.3开源这件事，改变了它的用法

它开源了 V1、V2、A1、A2、A3 一系列模型，可以私有化部署。这个动作的实际意义不是“免费”，是可定制。

如果你的团队有技术能力，可以在开源版上做三件事：一是用自己的素材微调画风，做出别人没有的视觉；二是把生成流程嵌进自己的生产系统，跟内部的素材库、审片流程打通；三是数据不出内网，解决素材保密问题。

这三件事，闭源产品一件都做不了。所以它的真正用户画像不是“个人创作者”，是有工程能力的中小制作公司。

3.4它的短板也很清楚

• 画质不是第一梯队。跟可灵、海螺这些专攻视频的模型比，它的单镜质感差一档，尤其是人物皮肤质感和光影层次。
• 中文生态不如字节系顺。它的主站在海外，国内访问和支付体验一般；分发端也没有抖音那样的原生通道。
• 开源版有门槛。部署、显存、推理优化，没有工程团队搞不定。所谓“免费”，省的是授权费，花的是人力。
• 全流程的代价是每段都不极致。这是所有一站式平台的通病，它也不例外。

它把“长剧本”这件事做到了极致：十万字进去，成片出来。这个能力确实解决了大问题，但也把问题推到了下一个环节——片子出来之后，你还得能改。

4.1十万字这个数字，解决的是“改编”问题

短剧的一大来源是网文改编。一本网文几十万到几百万字，人工拆成几十集剧本要一两周。它宣称支持十万字级别的剧本一次性解析成片，等于把这一步压缩到几小时。

对做网文 IP 改编的团队，这个能力的价值是数量级的。它让“一本小说试一次”变成可行——以前试错成本太高，只能押最看好的那本；现在可以同时试五本，看哪本的成片数据好。

它内置了自研的剧本模型，能把小说文本转成带场景、动作、台词的剧本格式，再自动拆成分镜。这一串动作不需要你介入，是它区别于“模型 + 手工分镜”的核心。

4.2“改动可同步全剧”是它的隐藏杀器

这是我认为它最值得说的一点。传统流程里，你改一个角色的设定（比如把长发改成短发），要回到每一个镜头重新生成。它做的是角色资料库 + 全剧同步：改一次设定，所有相关镜头跟着更新。

这个功能听着像小优化，实际是流程级的改变。它意味着你可以“先粗后精”——先用默认设定把全片跑通，看整体节奏，再统一调角色、调画风，重跑一遍。这个工作方式比“一个镜头一个镜头抠”快得多。

4.3它的短板：精修空间和模板感

一站式平台的通病在它身上很明显：自动化程度越高，你能插手的地方越少。

举个具体的：自动分镜给出的镜号，往往按“对话轮次”切，而不是按“情绪节奏”切。一场戏里两个人说五句话，它给你五个正反打，节奏平得像纪录片。你要改成“先给一个手部特写、再拉一个全景、最后切脸部”，得手动改分镜表，而它的分镜编辑不如专业工具细。

还有一个现实问题：它的输出有比较明显的“平台味”——节奏、配色、转场都朝着抖音的流行样式靠。这在起量阶段是优势（符合平台偏好），在做品牌或做差异化时是束缚。

价格上它走的是低价订阅路线，个人创作者的门槛很低。但低价对应的是额度限制，跑量时要算清楚超额部分怎么计费。

这款产品的定位从一开始就不是个人创作者。多智能体架构、导演级控片、企业级并发——这些词翻译过来是：它是卖给公司的，不是卖给你的。

5.1多智能体架构，解决的是“剧本理解”

普通平台的处理方式是“把剧本切块，逐块生成”。问题是剧本不是均质的：有的段落是过场，有的段落是重场戏，切块会把重场戏切碎。

它的做法是用多个 agent 分工：一个负责通读全篇定基调，一个负责拆场次，一个负责给每个场次配镜头方案，一个负责审片。这个架构的本质是先理解，再执行，而不是边读边做。

实际效果体现在“重场戏”的处理上。一段情绪爆发的戏，它会主动给更多镜头、更长时长、更近的景别，而不是平均分配。这个判断在纯切块流程里做不出来。

5.2导演级控片，是可以逐镜下指令的意思

它提供的控制粒度比消费级产品细一档：镜号、景别、机位、运镜、时长、首尾帧，都能单独指定。这意味着你可以按分镜表“施工”，而不是“许愿”。

这个差别在做系列剧时特别明显。系列剧要求每一集的视觉语言统一，比如“所有内心戏都用特写 + 浅景深”。消费级产品做不到这种一致性，因为它的自动分镜每次都重新判断。

官方口径是制作周期能缩短八成以上。这个数字要打折看——它算的是“生成环节”，不含剧本打磨和后期。真实的全流程缩短，乐观估计在三到五成。

5.3它的门槛在哪里

第一是接入方式。它走的是云服务路线，需要企业账号、需要配置、可能还需要对接自己的素材系统。个人用户基本用不上。

第二是计费方式。按量计费意味着成本随产量线性上升，跑量之前必须算清楚单集成本，否则很容易做一批亏一批。

第三是它不解决创意。多智能体能理解剧本，但不能替你判断“这个题材会不会爆”。它是一台好机器，原料还得你自己找。

它盯的是一个很具体的痛点：连载。不是做一集，是做一百集，而且每一集的人物、画风、配音都不能变。

6.1一百集这个数字，考的是“资产复用”

做一集短剧，角色漂移可以靠后期修；做一百集，漂移会累积成灾难——第三十集的主角跟第一集不像同一个人，观众早就跑了。

它的解法是角色一致性技术加资产库：角色一旦定下来，后续所有集都从同一个资产调用，而不是每次重新生成。这个思路和 SkyReels、小云雀一致，差别在执行精度。

另外它有一个“无限画布”，把分镜、角色、场景铺在一张可缩放的画布上。这个交互对做长篇的人很友好——你能一眼看到整条故事线，而不是在一堆列表里翻。

6.2多人对口型，是它比较独特的一项

短剧里大量是对话戏，两个人甚至三个人同框说话。大多数工具的口型同步只支持单人——多一个人就乱，嘴唇跟着错的人动。

它的对口型方案支持多人场景，能区分谁说哪句。这个能力在实际生产里价值很高，因为对话戏占短剧篇幅的一半以上，每一场都要处理口型，效率差一点就累死。

它还接了外部音乐生成能力做 BGM，视频和音频分两步生成。分两步的好处是可以单独换配音、单独改 BGM，不用重跑视频。这个设计比“音画同出”灵活，虽然慢一点。

6.3它的取舍

它的画质上限不是最高的。跟可灵、海螺比，人物皮肤质感和光影层次差一档，尤其在近景特写上能看出来。

它的强项在“稳”和“全”：稳是角色不漂，全是流程不缺。对一个要做一百集的团队，“稳”比“美”值钱得多——美可以后期调，漂了就得重做。

学习曲线偏陡。画布式交互 + 多层参数，第一次用会找不到北。适合有专人负责的团队，不适合“我自己一个人试试”。

这是十款里最容易上手的一个。选风格、定角色、点生成，三步走完，一部一分钟的短片就出来了。它不追求工业级，它追求“你今天就能做出来”。

7.1它的产品逻辑：把选择权收走

专业工具给你一堆参数，让你自己决定景别、运镜、光线。MOKI 反过来——它把大部分参数收走，只留几个关键选择：视觉风格（3D 卡通、国风漫画、写实等）、角色形象、旁白音色、画面比例。

收走选择权的好处是不会做错。新手用专业工具，最常见的失败不是模型不行，是提示词写错了——镜头语言不对、光位不对、动作太复杂。它用预设规避了这些错误。

代价是做不出差异。用同一个风格模板，十个人做出来的片子长得差不多。这在“先跑起来”的阶段可以接受，在“要做品牌”的阶段不行。

7.2国风是它的舒适区

它的底子是美图自研的图像模型，中文语义理解和东方审美是强项。国风漫画、古风场景、水墨质感这几类，它出来的效果比通用模型自然——不会出现“西式五官穿汉服”那种违和。

单次生成视频最长五秒，成片一分钟、24 帧、1080P。这个规格做漫剧、做绘本视频、做小说推文够了，做真人质感的短剧不够。

它把配音、配乐、剪辑都包在流程里，出片即成品，不用再导到剪映。对完全不会剪辑的人，这一步的价值很大。

7.3明确的边界

• 细节会糊。画面整体观感不错，但放大看，表情、手指、服饰纹样这些细节经不起看。
• 一致性会飘。跨镜头的角色和背景一致性，官方也没说能做到完美，实际用下来属于“大体像、细看有差”。
• 不能导入外部 BGM。这个限制对做系列内容的人挺要命——你想统一用一首主题曲，它不让你换。
• 只有网页端，分享方式单一。作品只能下载到本地，没有社区、没有一键分发。

如果只能选一个模型做真人质感的短剧，多数团队会选它。原因不是画质最高，是它在“长镜头 + 角色不漂 + 动作不崩”这三件事上，是唯一都及格的。

8.1它解决的核心问题：一镜能拍多长

短剧的表演靠“镜头内的时间”撑起来。一个情绪从酝酿到爆发，至少需要五到八秒；一场对峙要十来秒。如果模型只能给你三秒，你就得切成四段，观众看到的是四个碎片，不是一段表演。

可灵的长镜头能力是它最早建立优势的地方，新版本把单段时长推到两分钟级别，还支持在一条里“续写”。这个能力的实际意义是：一场戏可以用一到两个镜头拍完，而不是靠剪辑硬拼。

配合首尾帧功能，你可以把“上一个镜头的末帧”作为“下一个镜头的首帧”，做无缝转场。这套组合是目前做连续动作最可靠的办法。

8.2角色参考：权重可调，这一点很关键

它的角色参考参数可以调权重。这个细节决定了它的实用性——权重太高，人物僵住不动，像蜡像；权重太低，脸就飘。可调意味着你可以按镜头类型分别设定：特写用高权重，动作戏用低权重。

行业内的普遍评价是，它在真人角色一致性上是标杆。同一角色在五个不同景别、不同光线的镜头里，脸型和五官能保持住。这是做连载的前提。

但有一个明确的天花板：镜头里同时出现三个人以上，身份混淆的概率会明显上升。群戏、多人对峙这类场景，它不如 Vidu 的多主体参考稳。

8.3智能分镜：一句话拆成六个镜头

它有一个“单镜内自动拆镜头”的能力，一条提示词里写一段连续动作，它会自己拆成两到六个镜头，配不同的景别和机位。

这个功能省的是分镜环节的功夫。你写“她推开门，看到桌上的信，手开始发抖”，它会给你：门把手的特写、推门的全景、信封的近景、手部特写、脸部反应。这个拆法符合影视逻辑，不是随机切。

但它也会拆错。你想要的是一镜到底的压迫感，它给你五个碎镜头，节奏全散。所以这个功能适合“不知道该怎么拆”的时候用，不适合“已经想好怎么拍”的时候用。

8.4它的三个短板

• 提示词门槛偏高。它对描述的结构敏感，同样的意思，写法不同结果差很远。新手要交不少学费。
• 2D 动漫风容易偏移。它骨子里是真人模型，做动漫会往写实方向跑，出来的东西“半真半卡通”。做漫剧的人一般不用它。
• 大动作偶有崩坏。武打、奔跑、摔倒这类大幅度动作，肢体穿模的概率仍然存在，需要多抽或改成分段。

价格在同类里算中等偏上，会员制，跑量的话成本要单独算。它的性价比不体现在“便宜”，体现在“少抽几次”。

它是十款里“第一次用就能出片”的那一个。中文提示词理解好、免费额度给得足、出片直接进剪映、发抖音一路通。这条链路的顺滑程度，是它最大的竞争力。

9.1中文语义，是它最实在的优势

写提示词这件事，英文模型有个隐性门槛：你得把“她眼神一冷，慢慢把杯子放下”翻译成模型能懂的英文结构。翻译过程中，那些微妙的中文语感就丢了。

即梦对中文的理解明显更好。你可以用很口语的方式描述：“她先是愣住，然后笑了一下，但眼睛没笑。”这种带心理层次的描述，它能接住，给出来的表演有层次。

对不擅长写英文提示词的中文创作者，这一条省掉的是学习成本，不是几秒钟。

9.2长镜头和多镜头一致性

它支持原生三十秒级的长镜头，4K 输出。三十秒对短剧来说够用——多数情绪镜头在五到十五秒，三十秒能覆盖“一场完整对话”或“一段连续动作”。

多镜头一致性是它近两年进步最大的地方。同一个角色在一组镜头里，服装、发型、脸型能保持稳定。这个能力和它的角色参考机制有关，操作上比可灵简单——上传参考图，选角色，生成，不需要调权重。

简单是优点也是缺点：不用调参意味着不容易调错，也意味着遇到特殊情况没法微调。

9.3生态闭环，是被低估的竞争力

生成的素材直接进剪映，剪完直接发抖音。这条链路听起来只是“方便”，实际影响的是迭代速度。

做短剧要快跑：今天出一条，看数据，明天改，再出一条。如果工具之间要导出、转码、重新导入，一天只能跑一轮；链路打通，一天能跑三轮。三轮和一轮，一个月后差距是数量级的。

它每天有免费额度，对试水的人很友好。跑量之后要买会员，价格在同类里偏低。

9.4它的短板：动作容易“发僵”

复杂提示词下，它的动作容易僵。你写“她猛地转身，裙摆扬起，同时抬手挡住飞来的杯子”，这么复杂的复合动作，它大概率给你一个“转身但裙摆不动、手抬到一半停住”的结果。

原因是它的动作生成偏保守——为了保证不崩，宁可少动。这个策略在对话戏里是优点（稳），在动作戏里是缺点（木）。

另外它是纯单点工具：没有剧本拆解、没有多集资产库、没有分镜管理。你要自己串流程，或者配合一站式平台用。

十款里，它的单镜质感最好。皮肤的通透感、眼神的层次、侧光的过渡，这些细节它做得比同行细一档。做特写、做情绪戏，它是第一选择。

10.1微表情，是短剧最稀缺的东西

短剧的表演靠“脸”传递信息：眼神一闪、嘴角一抽、眼皮一垂，观众就懂了。这些动作幅度极小，但对模型的要求极高——它要理解“情绪的物理表现”，而不只是“画一张好看的脸”。

海螺在这件事上明显强。你让它演“听到消息后强装镇定”，它会给一个眼神先亮一下、随即压下去、嘴角勉强提起的微序列。这个层次，别的模型给不出来，它们只会给你一个“微笑的脸”。

光影也是它的强项。侧逆光、窗光、烛光这类有方向的光，它能做出层次和衰减，不像有些模型只会给一张均匀打光的脸。

10.2它的定位：单镜工具，不是叙事工具

它在“一个镜头内”的表现是顶级的，在“一组镜头之间”的统筹是弱的。多镜头叙事、跨镜头角色一致性，它不如可灵和 Vidu。

所以正确的用法是：用它拍关键镜头。一条两分钟的短剧，真正决定质感的是那五到八个特写和情绪镜头，其余都是过场。过场用便宜的工具，关键镜头用它。

这个用法能显著提升成片观感，成本增加有限。很多人做片子“整体平”，就是因为所有镜头都用同一个中等工具拍的，没有起伏。

10.3两个使用上的坑

第一，动漫风格偏弱。它是为写实训练的，做二次元会往真人方向跑。做漫剧不要用它。

第二，原生音频不好关。它生成时会带音频，部分版本关闭不彻底，导致后期配音时出现两套声音。做需要单独配音的片子，要提前确认这一点。

速度是它的加分项，出片快，适合快速试参数。对需要反复调同一个镜头的场景，这个特性能省不少时间。

它解决的是短剧里最难的一个技术问题：两个人同框，还得是两个对的人。多数模型一个人还行，两个人就开始“融合”，三个直接乱套。

11.1七个参考主体，意味着什么

它支持最多七个参考主体的输入。这个数字听着抽象，翻译成场景就是：一场三人对峙的戏，你可以把三个角色的正脸图全传进去，让模型分清谁是谁，而不是生成三张“平均脸”。

短剧里多人同框是常态——对手戏、家庭戏、办公室戏，几乎每一场都有两个人以上。这个能力直接决定了“能不能拍对话”。

配合首尾帧控制，它能把“上一镜的结束状态”精确传给“下一镜的开始状态”。做连续动作序列时，这个机制比纯提示词可靠得多。

11.2动画和打斗，是它的舒适区

它在动画、漫剧、二次元上的表现明显好于真人向模型。角色动态流畅，风格化处理自然，不会出现“半真半卡通”的尴尬。

打斗、追逐这类高动态场景，它的稳定性在同类里靠前。原因是它对“动作连续性”的建模更偏运动学，而不是纯像素预测，肢体不容易散。

这也是为什么做漫剧的团队普遍会留一个 Vidu 的位置——它填的正是“打戏”这个别人做不好的坑。

11.3价格是它最锋利的一刀

按公开口径，它的单条生成成本在几块钱量级，最低能到几毛钱。这个价格意味着什么？意味着一集的素材成本可以压到几十块，一部二十集的片子，素材费不到两千。

低价带来的直接后果是抽卡策略可以变。贵的模型你只敢抽两次，便宜的可以抽十次。抽十次挑一条，成片质量自然上去。

这也是一个反直觉的结论：单条最贵的模型，不一定是最贵的方案；单条最便宜的，也不一定最省钱。要算的是“可用成片”的单价 = 单条价格 × 平均抽卡次数。

11.4它的局限

通用画质和物理合理性不是顶尖。写实人脸的通透感不如海螺，复杂光影的层次不如可灵。它的优势集中在“一致性”和“动作”，不在“质感”。

它也是单点工具，没有剧本、没有分镜管理、没有成片流程。你得自己搭工作流。

它不争画质第一，争的是“单位成本”。按秒计费，价格压到几毛钱一秒，还能开源本地部署。对要跑量的团队，这个组合很难忽略。

12.1价格：它是“预演”环节的最优解

按公开口径，它的 720P 生成价格在每秒几毛钱。这个价位做不了精品，但做预演（业内叫“动态分镜”或“草稿片”）非常合适。

预演的价值被很多人忽略。一条短剧在正式生成前，先用低成本模型把全片跑一遍，看节奏对不对、镜头够不够、哪里拖了。这时候改，成本几乎为零；等 4K 素材全生成完再改，重跑一次就是几千块。

行业里比较成熟的做法是：低分辨率跑通全片定剪，只对最终入选的镜头做高分辨率重渲。这一招能省掉将近一半的生成预算。

12.2口型同步，是它的差异化能力

它的口型同步做得比较扎实，适合虚拟人播报、数字人口播这类场景。对短剧来说，这项能力的用处是“后期补救”——实拍或生成时口型不对，可以用它重新对一遍。

它支持长视频和多参考图，开源版本可以本地部署。对有内网要求的团队，这是少数可行选项之一。

12.3它的天花板

画质上限和镜头控制是它的弱项。人物细节、光影层次、运镜精度，都差头部模型一档。偶发的手指畸变、比例拉伸也时有出现。

所以它的正确定位是“量产层的底座”，不是“精品层的工具”。用它做全片，观感会平；用它做预演和过场，性价比极高。

它还有一条企业路线：阿里云把万相、图像模型、剧本解析、故事板、无限画布打包成工作流平台，面向企业客户。这条线适合已经在阿里云上的团队，接入成本低。

这是短剧 AI 化最难的一关，也是最容易吹的一关。所有平台都说自己“支持角色一致性”，但支持的方式有五种，效果差三档。

13.1方案一：单张参考图

传一张正面照，让模型照着生成。这是最基础的做法，几乎所有工具都支持。

它的稳定性最差。原因很简单：一张正面照只提供了“正面”的信息，模型不知道这个人侧面长什么样、后脑勺什么发型、笑起来什么表情。转到侧面，它只能猜。

适用场景：快速试片、单镜头、不需要跨镜一致的内容。

13.2方案二：多角度参考图

传三到五张：正面、侧面、背面、半身、表情特写。模型的信息量立刻不一样，侧脸和后脑有了依据，稳定性上一个台阶。

这是目前性价比最高的方案。成本是“花十分钟做一套角色卡”，收益是“少抽一半的卡”。行业里的普遍建议是：花十分钟做一张标准人设图，比后期调一百次都管用。

标准角色卡的要素：正面、四十五度侧面、背面三个视角横排，同一角色、同一服装、同一表情，等身高，纯白背景，棚拍平光，全身入镜，头脚完整不裁切。

13.3方案三：平台级角色资产库

把角色存进项目的资产库，后续所有镜头从库里调用，而不是每次重新上传参考图。小云雀、Seko、SkyReels、火山剧创都走这条路。

它的优势是可复用、可批量、可同步修改。改一次设定，全剧生效——这个能力对连载是决定性的。

它的劣势是绑平台。角色资产存在谁家，你就被谁家锁住。想换工具，资产带不走，等于重做。

13.4方案四：LoRA 微调

用几十张同一角色的图训练一个小模型，把这个人的特征“焊”进模型里。这是上限最高的方案，也是门槛最高的。

LoRA 的效果是别的方案比不了的：任意角度、任意光线、任意表情，都是同一个人。做长线 IP 的团队最终都会走到这一步。

代价是需要技术能力：准备数据集、训练、调参、管理多个 LoRA。而且训练需要时间，角色定稿前不能改。

13.5方案五：首尾帧继承

这不是“锁脸”，是“接力”。把上一个镜头的最后一帧，作为下一个镜头的第一帧参考，让角色在镜头之间连续。

它对“同一场景内的连续动作”极其有效——人物转身、走动、说话，跨镜头不会突变。但它解决不了“换场景”的问题：从室内到室外，光线变了，脸还是会飘。

实际生产中，它常和方案二配合：用多角度参考图定身份，用首尾帧保连续。

13.6五种方案的对照

13.7七个最常见的翻车原因

1. 参考图质量差。糊、暗、有遮挡、角度偏，模型拿不到有效信息。这是最冤的一类失败。
2. 参考的人太多。一次传五个人，模型分不清，生成“融合怪”。多人必须用明确的指代语法区分。
3. 动作幅度太大。这是当前技术的物理极限，动作一大脸必崩。重要镜头用小动作、慢动作。
4. 每集改了角色卡。百分之九十的“变脸”是因为设定变了，不是模型不行。
5. 换了场景不换锚点。从白天到夜晚，光线全变，脸的呈现也变。锚点要包括“光线条件下的肤色描述”。
6. 反复改提示词碰运气。跑偏时先修系统变量（参考图、种子、参数），别在提示词上瞎试。
7. 指望一次成功。一致性是需要“抽”的，接受三到五抽，把抽卡成本算进预算。

短剧的节奏是靠镜头切出来的。同样一段戏，用中景平铺是电视剧，用特写加推镜是短剧。模型懂不懂镜头语言，直接决定片子像不像短剧。

14.1模型对镜头的理解，分三个层次

第一层：认词。你说“特写”，它给你一张脸占满画面。多数模型能做到。

第二层：执行。你说“镜头缓慢推近，从半身推到脸部特写”，它真的让画面逐渐靠近，而且推得匀。这一层只有部分模型做得到。

第三层：节奏。你说“这场戏要压抑”，它主动用低机位、浅景深、慢推。这一层没有模型真正做到，能做到的是“猜”，猜对率看运气。

所以指望“一句话让 AI 拍出电影感”是不现实的。现实的用法是：把镜头语言拆成可执行的参数，一条一条喂给它。

14.2一个可复用的提示词结构

把提示词拆成五段，顺序固定，效果最稳：

【角色锚点】固定前缀，一个字不改
【动作】一个具体动作，不要复合动作
【景别与机位】中景 / 平视 / 略低
【运镜】缓慢推近，或固定不动
【光线与画质】侧逆光、暖调、浅景深、9:16 竖屏

这五段里，最容易出错的是第二段。新手爱写“推门进去，看到桌上的信，脸色一变”——三个动作，模型只做一个，或者三个都做但都糊。正确写法是拆成三个镜头，每个镜头一个动作。

第二容易出错的是第四段。运镜写“推拉摇移”这种复合词，模型会随机挑一个。要写“缓慢推近”“水平右移”“固定机位”，一次只给一个。

14.3各家的镜头执行力

14.4短剧镜头语言的三个铁律

第一条，前三个镜头必须建立冲突。观众的划走决策在两秒内完成。开场不要环境、不要旁白、不要字幕，直接给人脸和矛盾。

第二条，每十五到三十秒换一次景别。一直用中景，观众会疲劳；一直用特写，观众会窒息。景别的变化本身就是节奏。

第三条，情绪高点用“近”不用“动”。新手喜欢在情绪爆发时加大动作、加运镜，实际效果相反——镜头越近、越静，压迫感越强。

画面做得再好，声音一垮，观众立刻出戏。而声音恰恰是最容易被“最后再弄”的一环，也是返工最多的一环。

15.1口型对不上，通常不是模型的问题

三个原因，按出现频率排：

1. 台词改了但没重生成。你改了配音文本，视频还是按老台词生成的口型。这是最常见的，占一半以上。
2. 语速不匹配。配音说得快，视频里的嘴动得慢。解决方法是先定配音、量时长，再按这个时长生成画面。
3. 镜头角度不适合对口型。侧脸、低头、遮挡的镜头，模型没有足够的嘴部区域可以对齐。这类镜头要么改成正面，要么干脆不配同期声，用画外音。

正确的工作顺序是：先配音，后生成画面。很多人反过来做，先出画面再配音，结果每一个镜头都要重新对口型，成本翻倍。

15.2配音：一人一音色，全程不换

短剧的观众对声音很敏感。同一个角色在第一集和第二集声音不一样，观众会立刻觉得“换人了”。所以配音的第一原则是锁定音色。

具体做法：给每个主要角色定一个音色，写进角色卡，全程复用。情绪变化靠语速和语气调，不靠换音色。

情绪的处理有三个通用规则：愤怒加快语速、悲伤放慢、台词之间留自然停顿。第三条最容易被忽略——AI 配音喜欢一句接一句，没有呼吸感，听起来像播报。

多人对话时，要注意区分度。两个角色音色太像，观众分不清谁在说。选音色时要故意拉开：一个偏低沉，一个偏清亮。

15.3配乐与音效：情绪的一半在这里

BGM 的音量要压到人声的百分之二十到三十。这个比例是行业惯例，超过就会盖台词，低于就没有情绪推力。

音效比 BGM 更容易被忽略，但作用更大。开门声、脚步声、心跳声、风声、手机震动——这些细节音效填的是“画面的空白”，有了它们，画面才不像“贴图”。

短剧常用的音效其实就十几种：耳光、玻璃碎、心跳、耳鸣、闪回、雷声、雨声、门锁、脚步、呼吸。建一个小音效库，比每次现找快得多。

15.4各家的音频能力

前面所有环节产出的是素材。素材变成片子，靠剪辑；片子变成流量，靠投放。这两步没有 AI 能替你做完，但工具能帮你省一半力。

16.1剪辑这一步，为什么必须自己来

一站式平台号称“成片直出”，但直出的片子有个通病：节奏平。它按剧本的场次切，不按观众的情绪切。该快的地方不快，该停的地方不停。

剪辑的价值就在这：把三秒的镜头砍成一秒，把一句台词后面的空白拉长半秒，把两个镜头之间加一个黑场。这些动作决定了片子“紧不紧”。

剪映之所以是这一环的默认选择，不是因为它的 AI 强，是因为它的基础功能够用且免费：多轨、关键帧、变速、蒙版、字幕、调色、导出参数，全都有。而且和即梦、抖音的路是通的。

16.2短剧剪辑的四条硬规矩

第一，前三秒给冲突。不要 logo、不要片头、不要空镜。第一帧就是人脸，第一句话就是矛盾。

第二，单镜头不超过五秒。除了刻意的长镜头，其余镜头控制在五秒内。观众注意力很短，画面不变就划走。

第三，每集结尾留钩子。最后一句话不能是总结，必须是新问题。“她推开门，看见了一个不该出现的人”——这样才有人点下一集。

第四，字幕要够大。竖屏观看，字幕占画面宽度的八成以上，字号至少 40px，描边加深，保证在小屏上看得清。

16.3导出参数与投放细节

16.4调色：统一感比好看更重要

AI 生成的镜头，每条都是独立生成的，色温、对比、饱和度天然不一致。直接拼起来，观众会觉得“跳”。

解决办法是统一调色：先定一个 LUT 或一组参数，全片套用。不用追求好看，追求一致。同一部片子里，室内和室外的色调可以有差异，但不能每条镜头都不一样。

剪映的“调节”面板够用：亮度、对比、饱和、色温、色调、锐化，六项调一遍，全片统一。这一小时的投资，对观感的提升大于任何单镜头的重生成。

下面这张表是全篇的浓缩。评分是相对定位，不是绝对水平——一站式平台的“●●○”，含义和模型层的不一样。

17.1四种团队的速配

17.2按题材选：三个判断

真人向、情绪重的题材（都市、家庭、古装宅斗）：选一致性和微表情强的。可灵打底、海螺拍特写，这条组合最稳。

动作、打斗、追逐多的题材（玄幻、武侠、逆袭打脸）：选动作稳定性强的。Vidu 是首选，通义万相做预演降成本。

漫剧、二次元、绘本风：选动画表现强的。Vidu 加 Seko，或者直接用一站式平台的全自动产线。

这三类的工具选择几乎不重叠。所以“先定题材，再定工具”这个顺序，比“先比工具”有效得多。

17.3如果只买一个

预算只够一个，选哪个？我的答案是即梦，理由是三条：首抽率高（省时间）、价格低（省预算）、生态通（省流程）。它不是最强的，但它是“一个人能跑完全流程”的最低门槛。

如果你已经有剪辑能力、只缺素材，那选可灵。它的镜头质量能撑起成片，缺的流程你自己补。

这一节算两笔账：一笔是钱，一笔是风险。前者决定你能不能做，后者决定你能做多久。

18.1一条两分钟短剧的账单

按单集两分钟、二十集的体量拆，一项一项算：

这张表最能说明问题的一行是“素材生成”。账面看，模型一条几块钱，二十集两千条素材也就几千块；但算上抽卡损耗（平均三到五抽一条可用），实际支出是三到五倍。

所以谈成本，永远要谈“可用成片单价”，不是“单条生成价格”。这两个数字差一个量级。

18.2三个降本手段，按有效性排序

第一，低分辨率预演。先用 480P 把全片跑通、定剪，只对入选镜头做高清重渲。这一招能省掉近一半生成费，是行业里最通用的一招。

第二，提高首抽率。做标准角色卡、写结构化提示词、固定种子和参数。首抽率每提高十个百分点，素材成本降一截。

第三，减少重跑。把改动集中在“文本层”和“剪辑层”解决，不要动不动重生成。调色能救的镜头不要重跑，加个转场能遮的穿帮不要重跑。

18.3合规：两条硬门槛

第一，微短剧备案。按现行管理规定，微短剧实行分类备案管理，上线前需要相应的备案信息。具体层级和材料要求按题材、投资额、平台规则区分，做之前先跟平台和属地主管部门确认，不要凭经验猜。

第二，AI 生成内容标识。按《人工智能生成合成内容标识办法》的要求，AI 生成合成内容需要添加标识，包括用户可感知的显式标识和写在文件元数据里的隐式标识。这条对短剧的影响很直接：片头片尾、画面角落、发布时的声明，都要按规范处理。

这两条不是“建议”，是上线前的必要动作。缺了，轻则限流下架，重则行政处罚。

18.4版权：三个必须确认的问题

1. 生成内容的商用权。免费版和付费版的授权范围通常不同，做付费短剧要用对应档位。条款要看原文，不要看宣传页。
2. 素材来源的合法性。参考图如果是明星照片、他人作品，即便生成的是“新图”，也可能构成侵权。用自己拍的照片，或者用 AI 生成的原创角色。
3. 音乐授权。BGM 是最容易出事的一环。平台曲库内的音乐通常有授权，外部导入的要单独确认。

最后这一节，是我认为最值得提前知道的六件事，以及被问得最多的八个问题。

19.1坑一：先做画面，后配音

这是新手最常见的顺序错误。先出画面，再配声音，结果每个镜头都要重新对口型，或者干脆对不上。正确顺序是：定台词 → 配音 → 量时长 → 按这个时长生成画面。

19.2坑二：一次性生成全片

“一键成片”很诱人，但一次性生成的结果一定是“平均的”——每个镜头都及格，没有一个出彩。短剧靠的是那几个“高光镜头”，而高光必须单独打磨。

正确做法：全片用自动化跑通，然后挑五到八个关键镜头，手工重做。这一步能让成片质感跳一档。

19.3坑三：忽视首帧

首帧决定点击率，点击率决定投流成本。很多人把精力全放在正片上，首帧随便截一个，结果 CTR 差一半，投流成本翻倍。

首帧的原则：人脸占画面三分之一以上、有明确的情绪、有一眼能看懂的信息（对峙、哭泣、耳光）。不要风景、不要字幕、不要空镜。

19.4坑四：所有镜头用同一个模型

这是“整体平”的根本原因。每个模型有自己的强项：可灵拍情绪、海螺拍特写、Vidu 拍多人、通义拍预演。全用一个，等于只用了一个模型的平均水平。

19.5坑五：低估了“改剧本”的成本

行业里的普遍情况是，一个剧本改七版才进制作。AI 能出初稿，但改的那六版全是人做的——人物动机、冲突递进、结尾反转，这些是 AI 最弱的地方。

预算里要给“改剧本”留出时间，不然会在最后关头崩。

19.6坑六：以为投流能解决内容问题

投流只是放大器。内容不行，投得越多亏得越多。AI 降低了制作成本，但没有降低“内容判断”的门槛——什么题材会爆，仍然靠人的嗅觉。

19.7常见问题

做一部 AI 短剧，最少要几个人？

一个人能做完，但要接受产能低。比较现实的配置是三个人：一个管剧本和分镜，一个管生成和抽卡，一个管剪辑和投放。两个人也能跑，就是慢。

完全没有基础，从哪开始？

先用 MOKI 或即梦做一条一分钟的片子，不求好，求完整——从脚本到成片走一遍。走完这一遍，你就知道每个环节卡在哪，再针对性学。

AI 短剧能过平台的原创审核吗？

能，但要按规范标识。平台对 AI 内容的态度是“允许但需声明”，不是“一律禁止”。关键是别隐瞒，标注清楚反而更安全。

为什么我的片子“一看就是 AI”？

三个特征：脸太完美（没有毛孔和瑕疵）、动作太顺（没有惯性）、光影太均匀（没有脏影子）。破解办法是加噪点、加轻微手持晃动、在后期做一点点色差。这些“不完美”反而让它像真的。

需要自己训模型吗？

做单部片子不需要。做长线 IP、要极致一致性，才值得训 LoRA。训一次的成本，抵得上几十次重跑，划不划算是算得出来的。

一分钟的片子，多少镜头合适？

十五到二十五个。平均两到四秒一个，情绪高点可以到六秒。少于十五个会显得拖，多于三十个会显得碎。

竖屏和横屏，能一稿多用吗？

不能。竖屏的构图逻辑是“纵向信息流”，横屏是“横向场景”。同一批素材硬裁，人脸会切掉一半。做竖屏就在生成时选 9:16。

这个领域半年后会怎么变？

三个方向：一是角色一致性会变成基础设施，不再作为卖点；二是一站式平台会往“协作 + 资产 + 分发”走，模型能力反而同质化；三是合规会越来越细，标识和备案会成为标准动作。

真正会拉开差距的，还是剧本。工具越平权，好故事越值钱。