《万物生》上线之后我身边很多做视频的朋友都在反复讨论同一个问题同样是 AI 生成为什么大部分 AI 短剧一眼就能看出“塑料感”而它却能给人接近电影画面的沉浸体验先说结论差距不在某一个模型有多强而在工作流。AI 短剧的“电影质感”是一个系统性工程。从分镜脚本、角色一致性、关键帧生成、运动控制到配音配乐、剪辑调色每一个环节都可能成为质感的短板。这篇文章就以《万物生》这类高质量 AI 短剧为参照逐镜拆解 AI 短剧的制作工作流。我会把抽象的方法论落到具体环节分镜表怎么写、提示词怎么组织、图生视频参数怎么调、最后怎么用脚本批量拼接成片。文章面向三类读者准备入局 AI 短剧的创作者、正在用可灵 / 即梦 / Runway 等工具做视频的开发者以及想把 AI 视频流程工程化的技术人。读完你会得到一套可以直接复用的工作流框架以及配套的提示词模板和 ffmpeg 批量处理脚本。1. 先理解什么叫“逐镜”工作流1.1 为什么 AI 短剧要逐镜制作传统影视剧的拍摄是摄影师对着实景连续拍摄一个镜头少则几秒多则几十秒。AI 视频生成的底层逻辑完全不同当前主流模型更适合一次性生成 4 到 6 秒的短视频片段生成时间越长画面越容易出现形变、闪烁、角色漂移等问题。所以 AI 短剧的制作思路就是把一个完整的剧情段落拆成几十甚至上百个 4 到 6 秒的镜头每个镜头单独生成最后通过剪辑软件和合成脚本串成完整故事。《万物生》这类作品之所以有电影质感正是因为它在镜头层面做足了功夫。一个 5 秒的镜头里人物可能只有一个细微的眼神变化背景植物在缓慢生长光线在空气中流动。这种克制的运动恰恰是 AI 模型最容易稳定输出的范围也是电影感的重要来源。1.2 电影质感不等于“高清”很多新手会陷入一个误区觉得画质越高越有电影感。实际上电影感的来源是多个维度的综合结果镜头语言景别、机位、运镜设计是否服务于叙事。光影关系有没有明确的主光、辅光、轮廓光光比是否讲究。色彩风格是否形成了统一的色调体系。运动节奏镜头内运动是缓慢还是急促是否匹配剧情情绪。声音设计环境音、对白、配乐层次是否完整。换句话说电影感是“拍出来”和“做出来”的不是单纯靠模型分辨率堆出来的。AI 短剧要想出质感必须在生成之前就把这些电影语言的细节设计好。1.3 一个完整的 AI 短剧工作流长什么样下面这张图概括了一条可复用的生产链路剧本拆解 ↓ 分镜脚本镜头序号 / 景别 / 运镜 / 时长 / 对白 ↓ 角色设定与一致性参考图 ↓ 文生图生成关键帧 ↓ 图生视频生成镜头片段 ↓ 配音 / 配乐 / 环境音 ↓ 逐镜质检与筛选 ↓ 统一转码与拼接成片 ↓ 调色 / 字幕 / 输出接下来我们按这个链路逐环节拆解。2. 分镜脚本镜头语言先于生成2.1 先手动把镜头拆好再让 AI 干活AI 生成有随机性如果只给一个“一段女生走进森林”的笼统描述结果大概率不可控。专业做法是先手动完成分镜脚本把每个镜头需要的内容压缩到一句话以内再交给 AI 生成。分镜脚本要解决四个问题这个镜头讲什么画面中的主体和动作。这个镜头怎么拍景别、机位、运镜方式。这个镜头多长一般控制在 4 到 6 秒。这个镜头和前后镜头怎么衔接是否有动作、视线、位置的匹配关系。2.2 景别与运镜的基础表达分镜脚本里常用到以下术语做 AI 短剧同样适用景别表达适合场景远景人物在画面中占比小交代环境、建立空间感全景人物全身展示动作与空间关系中景人物膝盖以上叙事主力镜头中近景人物腰部以上兼顾表情与动作特写面部或局部细节表现情绪、强调细节运镜则对应 AI 视频平台里的“运镜控制”参数或提示词推镜头缓慢靠近主体常用于情绪递进。拉镜头后退常用于揭示环境。摇镜头固定拍摄方向转动常用于展示空间。移镜头平移跟随主体常用于表现行走或运动状态。升降镜头上下移动常用于改变视角。2.3 用结构化分镜表驱动后续生成为了后续生成和素材管理不混乱建议把分镜脚本结构化。下面是推荐的分镜表字段字段说明scence_id场景编号例如 S01 表示第一场戏shot_id镜头编号例如 S01E03 表示第一场第三个镜头duration目标时长秒shot_size景别camera运镜方式action画面主体动作dialogue对白或画外音key_visual关键视觉描述用于文生图提示词motion_control运动描述用于图生视频提示词对应的 JSON 结构可以这样设计{ scene_id: S01, shots: [ { shot_id: S01E03, duration: 5, shot_size: 中近景, camera: 缓慢推近, action: 女主角站在植物温室中目光缓缓看向镜头, dialogue: 我好像在哪里见过你。, key_visual: 玻璃温室藤蔓垂落晨雾弥漫侧面光, motion_control: 人物保持静止背景尘埃缓慢流动光线轻微变化 } ] }把分镜表先定下来后面每个环节只需要按字段取值效率会高很多。3. 角色与场景一致性电影感的地基3.1 为什么 AI 视频的角色总在“变形”AI 短剧最容易翻车的就是角色一致性。同一个角色上一个镜头还是瓜子脸下一个镜头就变成了圆脸观众瞬间出戏。问题根源在于大多数 AI 模型生成的每一帧图像都是独立推断的文字描述并不能精确锁定一个角色的长相。如果只写“一个穿白裙的女孩”模型每次生成都会得到不同的“女孩”。这也是 AI 短剧和真人影视最本质的区别传统剧组有演员AI 短剧必须自己建立“虚拟演员”。3.2 一致性控制的三层方案从易到难可以分三层控制第一层提示词锁定。在提示词里固定角色最稳定的特征例如“黑色长发、左眼下方有泪痣、穿深蓝色棉布长衫”。这只能保证大方向一致细节仍然会漂移。第二层角色参考图。现在主流 AI 视频平台都支持上传参考图通过图生视频或角色一致性功能把首帧作为角色基准。生成后续镜头时优先使用上一镜头的关键帧作为首帧能让角色一致性显著提升。第三层后期编辑修正。如果某个镜头角色崩了可以先用局部重绘工具修正面部再重新生成视频。这一层成本最高适合关键镜头使用。3.3 建立角色设定卡工程化做法是给每个主要角色做一张“角色设定卡”包含以下内容角色名字与身份。外貌特征描述注意选取稳定、可迁移的特征。服装描述每个场景固定一套。3 到 5 张不同角度的参考图。该角色的语气、口癖、行为习惯。这张卡会贯穿整个项目所有提示词、参考图、分镜表都从这张卡里取值。角色设定卡建议用 Markdown 或 Notion 管理方便随时查阅和版本迭代。4. 文生图生成电影级关键帧4.1 为什么关键帧决定成片上限图生视频的逻辑是“先有图再有视频”。如果第一帧就缺乏电影感后面无论怎么调运动参数成片质感都会受限。所以关键帧生成是整个工作流中投入产出比最高的环节。一个电影感关键帧由五个要素组成主体清晰的主体动作明确。环境能交代空间关系的背景。光线有明确的光源方向和光比。镜头有景别和景深的表达。色彩统一的色调和质感。4.2 电影感提示词的结构化模板新手写提示词容易写成一句大白话例如“一个女生站在温室里”。这种提示词生成出来的画面缺少镜头感。推荐用结构化方式组织提示词每个模块一行用逗号分隔[主体]一个穿深蓝色棉布长衫的黑发女人左眼下方有泪痣表情平静 [环境]大型玻璃植物温室藤蔓从顶部自然垂落空气中飘浮微尘 [光影]晨光从侧后方射入形成丁达尔光束人物边缘有轮廓光 [镜头]中近景35mm 电影镜头浅景深背景虚化柔和 [画幅]16:9 横构图电影宽荧幕比例 [色彩]低饱和青绿色调暗部保留细节轻微胶片颗粒 [质感]自然皮肤纹理细节丰富电影级调色对应的负面提示词可以写低分辨率模糊水印logo字幕塑胶感面目扭曲肢体残缺手指变形过度锐化曝光异常伪影闪烁这里需要留意不同 AI 绘图平台对提示词格式的支持程度不一样有的平台直接支持结构化描述有的平台更适合关键词堆叠。可以先把上述模块写全再根据平台效果做删减。4.3 关键帧的筛选标准生成一批关键帧之后怎么判断哪些能用建议按以下标准筛选构图是否完整主体没有被裁切到奇怪的位置。光线是否统一和前后镜头的光源方向是否有明显矛盾。角色是否符合设定卡特征。画面留白是否充足方便视频生成时加入运动空间。分辨率是否达标不要为了“风格”牺牲基础清晰度。如果同一镜头需要多张候选建议一次生成 4 到 6 张挑出最符合的一张进入图生视频环节。素材宁多勿滥。5. 图生视频让关键帧拥有运动5.1 文生视频与图生视频如何选择文生视频适合生成一些抽象、幻想、不需要具体角色一致性的空镜。但短剧叙事镜头强烈建议使用图生视频原因很明显图生视频以关键帧为起点角色长相、构图、光影都被锁住了模型只需要负责“让画面动起来”翻车概率大幅下降。高质量的 AI 短剧绝大多数叙事镜头都走图生视频路线这正是它能保持“逐镜稳定”的原因。5.2 运动幅度与运镜控制AI 视频平台通常有一个“运动幅度”或“运动强度”参数控制画面变化程度。参数越高运动越明显但形变风险也越大。电影质感短剧通常采用低到中等运动幅度因为电影镜头内的主体运动大多是克制的。运镜控制有两条路参数控制在平台中选择“推近”“拉远”“左移”等运镜方向。提示词控制在文本描述中写明“镜头缓慢推近”“背景逐渐虚化”等。两种方式可以结合。我的经验是提示词负责描述镜头内物体的运动参数负责描述镜头本身的运动职责分离更可控。5.3 镜头内运动提示词怎么写图生视频的提示词不需要重复描述画面内容重点写“变化”和“运动”。参考格式人物保持坐姿不动微风吹动她的发丝玻璃上的雾缓慢凝结成水滴背景藤蔓轻微摆动光影随时间缓慢变化关键原则是写清楚谁动、谁不动、动的方向、动的速度。下面是一个可供参考的镜头级生成参数模板参数建议值说明生成方式图生视频以关键帧为首帧时长4 到 6 秒单镜头控制在模型稳定区间运动幅度低或中低优先保证稳定性运镜由分镜表决定每镜头只做一种运镜尾帧可选用于衔接下一镜头的起幅负向提示固定模板防止形变和闪烁5.4 镜头衔接技巧AI 短剧最容易看出“拼接感”的地方是镜头切换瞬间。要让镜头之间自然衔接可以尝试三种匹配动作匹配上一个镜头人物伸手下一个镜头从近景切入他的手部动作。视线匹配上一个镜头人物看向画面左侧下一个镜头展现她看到的东西。位置匹配人物在画面中的位置尽量保持在同一侧避免空间错乱。这些技巧本质上来自传统影视剪辑理论放到 AI 短剧里同样管用。分镜阶段就做好衔接设计比后期补救要省力得多。6. 声音、字幕与剪辑合成6.1 配音与对白先做声音还是先做视频AI 短剧制作里有个常见的顺序问题对白应该先录还是后配我的建议是对白和配音尽量前置在分镜阶段就确定台词生成镜头时让画面为对白留出空间后期再通过剪辑让口型和声音对位。如果 AI 视频平台支持音频驱动口型可以直接利用配音文件驱动角色嘴型这种做法需要提前准备好音频否则画面和声音很难同步。6.2 声音的三层设计电影感的声音不是只靠一首背景音乐撑起来的。一份完整的声音素材通常包含三层对白层角色台词、旁白、内心独白。环境层风声、雨声、脚步、空间底噪。音乐层场景配乐负责情绪渲染。环境音很容易被忽略但它恰恰是消除“塑料感”的关键。一个安静的室内场景配上轻微的空间底噪画面立刻会显得真实很多。可以在音频素材网站找一些无版权环境音也可以自己用录音笔采集。6.3 用 ffmpeg 统一转码并拼接短剧当所有镜头都生成完后下一步是把几十个片段拼接成完整影片。这里最推荐的免费工具是 ffmpeg。直接拼接的前提是所有片段编码参数一致。如果素材来自不同平台、不同生成批次直接 concat 很容易卡顿或音画不同步。所以标准流程是用 ffprobe 检查所有素材的分辨率、帧率、时长。统一转码为相同分辨率、帧率、编码格式。生成拼接列表。执行拼接。下面是一个可运行的 Python 脚本演示完整流程。import os import glob import subprocess def normalize_video(input_path, output_path, width1920, height1080, fps25): 统一视频编码参数分辨率、帧率、编码格式、像素格式 vf ( fscale{width}:{height}:force_original_aspect_ratiodecrease, fpad{width}:{height}:(ow-iw)/2:(oh-ih)/2, ffps{fps},formatyuv420p ) cmd [ ffmpeg, -y, -i, input_path, -vf, vf, -c:v, libx264, -crf, 18, -preset, medium, -c:a, aac, -b:a, 192k, output_path ] subprocess.run(cmd, checkTrue) print(fnormalized: {input_path} - {output_path}) def concat_videos(video_list, output_path): 使用 concat demuxer 拼接视频 list_file concat_list.txt with open(list_file, w, encodingutf-8) as f: for v in video_list: f.write(ffile {os.path.abspath(v)}\n) cmd [ ffmpeg, -y, -f, concat, -safe, 0, -i, list_file, -c, copy, output_path ] subprocess.run(cmd, checkTrue) print(fconcat done: {output_path}) if __name__ __main__: src_dir ai_shots norm_dir normalized os.makedirs(norm_dir, exist_okTrue) files sorted(glob.glob(os.path.join(src_dir, *.mp4))) if not files: print(no mp4 files found in, src_dir) exit(1) normalized_list [] for f in files: out_path os.path.join(norm_dir, os.path.basename(f)) normalize_video(f, out_path) normalized_list.append(out_path) concat_videos(normalized_list, aigc_short_drama.mp4)用法说明把 AI 生成的镜头片段都放进ai_shots目录。执行脚本python concat_videos.py脚本会把所有片段统一成 1920x1080、25fps、H.264 编码然后按文件名顺序拼接最终输出aigc_short_drama.mp4。这里有一点要注意脚本默认按文件名排序所以素材命名一定要规范。推荐命名格式S01E03_shot04_v02.mp4含义是第一场第三镜、第 4 个片段、第 2 版成品。这样排序自然也能追溯版本。7. AI 短剧制作中的高频问题排查7.1 常见问题汇总问题现象常见原因解决思路相同提示词两次生成结果差异大随机种子或平台随机性固定 seed多生成几版再挑选角色脸型在镜头之间变化只用文字描述缺少参考图使用角色参考图后续镜头以关键帧为首帧画面出现明显闪烁单帧生成或运动幅度过大关键帧改用图生视频降低运动幅度人物运动后肢体变形运动幅度参数过高拆成更短的镜头逐段生成多个镜头拼接后画面跳动分辨率、帧率、编码不一致先统一转码再 concat 拼接口型和配音对不上音频与视频分开生成先确定配音再使用音频驱动口型7.2 典型问题导入工作流提示“请安装缺失的包”在 ComfyUI 这类开源工作流工具中导入别人分享的工作流时经常会看到这样的提示请安装缺失的包以使用此工作流。要安装缺失的节点请先在你的 python 环境中运行...这通常是因为对方的工作流使用了你本地没有安装的自定义节点或 Python 库。处理思路如下先看清楚提示中列出的缺失节点名称例如ComfyUI-AnimateDiff-Evolved、ComfyUI-VideoHelperSuite等。如果是 ComfyUI 自定义节点可以通过 ComfyUI Manager 搜索并安装。如果是 Python 库缺失在 ComfyUI 的虚拟环境中执行pip install 包名安装完成后重启 ComfyUI再重新导入工作流。需要提醒的是从网上下载工作流、模型、Lora 时要注意来源可靠性尽量选择官方仓库或作者发布渠道避免安全风险。7.3 排查清单如果某一帧画面崩了可以按以下顺序排查是随机性导致的单次失败还是参数问题导致的系统性失败关键帧本身质量是否合格运动幅度设置是否过高提示词里是否写了互相矛盾的描述当前镜头是否需要拆分成两个更短的镜头8. 工作流的工程化建议8.1 素材命名与版本管理AI 短剧项目通常有大量中间产物尤其是同一镜头会有多个候选版本。靠文件名区分很容易乱。建议采用统一的素材命名规范场景_镜头_版本_生成平台.mp4 S01E03_v02_kling.mp4每个镜头最终选定版本后单独放入final_shots目录避免和废稿混在一起。8.2 提示词资产沉淀好的提示词是团队或个人的核心资产。建议以分镜表为主线把每个镜头的文生图提示词、图生视频提示词、负向提示词、参数设置都记录在案。项目结束后这份记录可以直接沉淀为提示词模板库供下一个项目复用。8.3 每镜头生成多版候选AI 生成有随机性单个镜头生成一次就采用的效率看起来高但如果遇到角色崩坏返工成本更高。建议重要镜头生成 3 到 5 版候选快速浏览后选择最稳定的一版。这一步虽然增加生成时间但能显著提升成片的整体质感。8.4 版权与合规风险这一点需要特别重视。使用 AI 生成的内容要确认所用模型和平台对生成内容商用有没有限制。角色如果有明显借鉴某位现实演员或知名 IP可能存在肖像权和著作权风险。背景音乐、音效素材要使用有授权渠道的素材。涉及人物肖像的素材上传到云平台时要留意平台隐私政策和数据使用条款。AI 降低了制作门槛但不意味着可以忽略版权合规。发布前多花几分钟确认授权情况可以避免后续不必要的麻烦。8.5 成本与效率平衡AI 短剧的大头成本在于试错。控制成本的有效方式分镜阶段多投入时间减少无效生成。用低分辨率快速验证创意定稿后再生成高清版本。批量生成相似镜头时保持提示词和参数的稳定减少重复调试。9. 总结回顾整条 AI 短剧工作流核心思路可以浓缩为几句话AI 短剧不是“让 AI 写一个故事再生成整段视频”而是把成片拆成几十个 4 到 6 秒的镜头逐镜生成、逐镜质检、最后统一合成。电影质感的来源是分镜脚本里的镜头语言、角色一致性控制、电影级关键帧、克制的运动参数以及后期配音、配乐和统一转码的完整配合。《万物生》这类作品给 AI 短剧行业带来的启发不在于某一个提示词有多神而在于它证明了只要工作流足够严谨AI 工具完全可以稳定地产出接近影视级别的画面。对于创作者来说现在正是建立自己工作流和素材资产库的好时机。下一步可以继续深入的方向包括AI 音频驱动嘴型、镜头级转场设计、Lora 角色训练、ComfyUI 自定义工作流搭建以及把生成链路做成半自动化的 Python 工具集。建议先从小项目练手用一个 30 秒、10 个镜头的 AI 短剧片段把整套流程跑通再逐步扩大体量。动手做一遍比看十篇教程更有用。