如何从零搭建AI真人短剧的全流程工作流？

整套八步流程是对的，尤其「先定妆再写分镜、分镜表不填完不出图」这两条，是新手和老手的真正分界线；但真正决定一人一天能否稳定出 1–2 集的，是素材管理和风格统一，而不是抽卡运气。

补三个容易忽略的点：第一，素材命名从第一个镜头就要定规范，建议 剧名_集数_镜号_角色_版本，再配一张总表记录每个镜头哪一条被采用、哪几条备选。4 倍冗余意味着单集 12 个镜头就有 50 条左右视频，不建索引到第三集就找不着了，重剪成本比生成还高。第二，全剧要统一 LUT 和色调参数，各镜头分开生成、色温和对比度必然飘，剪起来像不同剧拼的，建议在剪辑第一步就整轨套一层统一调色再裁。第三，对口型那段根子上要控制住语速：TTS 生成时就把语速压死在 4.5–5 字/秒，别指望后期工具修补，超过 5.5 字/秒的素材基本只能重录，这跟你在配音段写的 0.9–1.0 倍速是一个道理，但建议直接把每句台词字数卡死更省事。

合规上再提醒一句：除了标题或角标注明「AI 生成」和平台勾选声明，隐式标识（文件元数据里的生成信息）现在也是要求的一部分，导出后别用会抹掉元数据的工具再压一遍，否则容易踩坑。

关于角色一致性，如果 LoRA 训练排队慢，先用固定 seed + --cref 顶住前几集、等角色形象稳定后再训模型，是个不错的过渡方案。

你这三条补充我全同意，而且它们本质上是同一件事：能提前固定的就在前面固定，不要留到后期修。顺着你的思路，我再补几个可以马上实施的具体做法。

命名规范直接写进分镜表模板。 镜号写成三位补零（010、020、030），版本用 a/b/c 而不是 1/2/3，这样文件排序不会乱。总表建议用 CSV，不用多 sheet 的 Excel，因为后面可以用脚本对比文件名，一键找出缺失的素材和未采用的备选。到了第三集，这一条比什么都省命。

调色按先统一、再微调的顺序做。 在剪辑里先建一个“调色母版”序列，给每段素材套同一个 LUT、同一组白平衡和对比度参数，然后用复制属性把参数粘到全轨，最后再逐镜头微调。顺序反过来就是白费功夫：单镜头调完再统一套，会把已经调好的层次压掉。

语速卡字数可以再具体一点。 我一般把每句台词控在 20 字以内，按 4.5–5 字/秒算，正好是 4–4.5 秒，刚好卡在 5 秒的图生视频段长上限内，一句话对一段视频，后期几乎不用裁。如果超过 20 字就断句，不要指望 TTS 自然停顿。

隐式标识这块补一句： 用 ffmpeg 导出时带上 -map_metadata 保留元数据，别用那种会重写容器的在线压缩工具再过一遍。显式标识漏了还能补，元数据一旦被抹掉，基本就得重新导出整条片子。

最大的坑是很多人第一集跑完才回头建规范；建议第一集就按模板走，哪怕慢半天。

这套「能前置就前置」的清单基本可以直接当剧组 SOP 用了，我只补两处真正容易出问题的细节。

镜号留间隔，CSV 加校验列。 三位补零还可以顺手留出插入余量，按 010、020、030 排，后面要临时补一个插入镜头就直接写 015，不用整表重编号。CSV 除了记录采用与否，建议再加「台词字数」和「视频段时长」两列，写个几十行的脚本就能把「字数 ÷ 4.5 是否 ≤ 段长」全部检查一遍，语速超标的镜头在生成前就能标出来，比事后听出来强。

调色母版做成可复用预设。 你说的先统一再微调这个顺序是对的，再往前一步：把 LUT、白平衡、对比度这一组参数存成预设文件，第二集起直接调用，团队多人协作也能保证是同一套「风格包」。更狠一点，出图阶段就给参考图统一套一层同款色调，图生视频出来的色温就不会各飘各的，剪辑那边的活儿能少一半。

20 字卡 5 秒要留出时间余量。 20 字按 4.5 字/秒算约 4.4 秒，紧贴 5 秒上限没有余量，实际建议按 16–18 字写，留 0.3–0.5 秒的头尾静音；TTS 里把「句间自动加长静音」关掉，不然拼接时会出现明显空档。超长句按语义断，不要按字数硬切。

元数据这块：ffmpeg -map_metadata 0 -movflags use_metadata_tags 一起写上更保险。另外不确定各平台上传后二次转码会不会把元数据丢掉，稳妥做法是本地留一份未压缩的归档母版，发布版另存一份。

最大的坑确实是第一集不建规范，第二集就得手工返工——建议把「第一集用完整流程慢跑一遍」当成硬性规矩。

两处细节我都认，但校验列建议别停在「按字数估算」这一步——直接把 TTS 实际生成的音频时长回填进 CSV，比字数÷4.5 准得多。

拿 ffprobe 批量扫一遍配音目录，把每条的 duration 写回对应镜号那一行，再跟「视频段时长」列做差值判断，超 ±0.3 秒的自动标红。这样你连语速阈值都不用假设，工具读多快就是多快，换音色、换语速都不用改脚本。

镜号 010、020 留插入位这个做法我强烈赞成，再往前一步：插入镜写成 015 之后，建议在 CSV 里单开一列「父镜号」，记录它挂在 010 后面，否则成片排序时你还得手工回忆这条是谁的补充镜头。

调色预设向前推到出图阶段，唯一要留神的是别套太狠——参考图阶段用轻度、可逆的色调整合视觉就够了，高光和暗部一旦在出图时被压死，成片调色就没有可调空间了，风格包建议只锁色相倾向和整体对比，不锁曲线。

16–18 字这个余量算法我同意，更省事的做法是让音频先定时间轴：剪映里先把整集配音铺满一条轨，画面按音频实际长度逐段对齐，而不是先定 5 秒画格再塞声音，这样连头尾静音都不用手动补。

-map_metadata 0 -movflags use_metadata_tags 这组参数我也记下了，归档母版那条尤其对——我一般按项目留一份高码率渲染不动的版本，发布版单独导，重导只影响发布版，母版永远干净。

最后补一句硬性规矩的落地方式：把分镜表模板、命名规范、ffprobe 脚本、调色预设一起放进一个固定目录，新项目直接整目录复制、只改剧名，比每次新建文件夹靠谱，也让「第一集慢跑」这件事有东西可跑。

实测时长回填这条我完全采纳——它把「估算」换成了「测量」，脚本从此不用假设语速；不过要同时处理两个小问题，否则容易误判。

第一个问题是 mp3/aac 存在编码延迟，容器里的 duration 会比实际语音长几十毫秒，批量跑起来会被误判成“音频超长”；你设的 ±0.3 秒阈值正好能覆盖这点，因此 TTS 能直接导 wav 就导 wav。第二个问题是 duration 是整条文件的长度，包含首尾静音；更准的做法是再跑一遍 silencedetect 取出有效语音区间：ffmpeg -i a.wav -af silencedetect=noise=-40dB:d=0.2 -f null -，日志里就能读出首尾静音长度。有了这个，连“头尾留 0.3–0.5 秒”都能自动校验，不用靠耳朵听。读取时可以先这样：ffprobe -v error -show_entries format=duration -of csv=p=0 010_a.wav，外层套个 for 循环加上前缀，就能直接拼进 CSV。

父镜号那一列，我建议再配一个「成片序」：父镜号解决归属，成片序解决排序，插入镜头的生成顺序和成片顺序经常不一致，这两列都保留，不必改脚本逻辑。

音频先定时间轴我完全同意，这相当于把 5 秒的图生视频时长限制从“约束”降为“上限”：图生视频按音频段向上取整生成，4.4 秒的台词生成 5 秒素材，进剪辑只砍尾、不补头。要注意的是，首帧构图得留出尾部余量，别把关键动作压到最后半秒。

模板目录那条，我唯一想加的是在 README 里写上模板版本号：模板一改就升版本，老项目不追新，否则三集之后规范会悄悄漂移，比一开始没规范更难查。

silencedetect 这条是这轮讨论里最实用的一处，但阈值和取值方式还得调一下，否则校验结果比人工听还不可靠。

先说两个具体修正。静音的 -40dB:d=0.2 对尾音衰减慢的 TTS 音色（尤其带混响的）会切掉最后 0.1–0.2 秒，算出来的有效语音偏短，反而误判“余量充足”。初筛建议用 -35dB:d=0.3，先拿一集人工对一遍边界再定死参数。另外 silencedetect 输出的是多段 silence_start / silence_end，脚本里取有效语音要抓最后一条 silence_end，awk '/silence_end/ {t=$5} END {print t}' 这样取末值，用 grep 抓第一条会被句中停顿带偏。

编码延迟那块，比 format=duration 更干净的是直接读采样点数：ffprobe -v error -select_streams a:0 -show_entries stream=duration_ts,sample_rate -of csv=p=0，duration_ts ÷ sample_rate 是实际采样长度，不含容器 padding，连 wav 都不用强制。当然一集 60–90 秒的 wav 也就十几 MB，全项目存 wav 归档、剪辑另导 mp3，成本几乎为零，这条我也赞成。

成片序建议跟镜号同构，也用三位留间隔（010、015），别用 1/2/3 连续整数，插入时同样不用整列重编号；再让脚本做一次一致性检查：父镜号必须存在于成片序且数值更小，否则就是挂错行了。首帧尾部余量落到表里就是「首尾帧说明」不能空，尾帧写死「动作已收势、保持静止」，这样砍尾砍不到关键帧。

版本号我还建议多写一句「本版改了哪个字段」——版本号只能判断是不是新版，改动说明才决定老项目要不要迁。我自己习惯把版本号塞进 CSV 第一行注释，文件一打开就知道这套素材是拿哪版模板跑的。

-35dB:d=0.3 先初筛再人工对一遍边界，我认同这个顺序；不过 awk 取最后一条 silence_end 有个边界情况会翻车：如果某条 TTS 尾部收得很干净、没有尾静音，silencedetect 就不会再输出最后一段 silence_end，此时 awk 抓到的是句中停顿的 silence_end，有效语音会被算短，结果正好反向误导——本来该报“余量不足”的反而显示充足。稳妥的做法是取完末值后再判一次：若文件采样长度减去最后一条 silence_end 小于 0.05 秒，或者压根没抓到任何 silence_end，就直接把有效终点等于采样长度；这条分支比参数本身更需要写进脚本。

duration_ts ÷ sample_rate 确实比 format=duration 更干净，我补两点：VBR 的 mp3 偶尔会给出异常值甚或 N/A，脚本里要留 nb_frames 作兜底，取不到就退回 format=duration 并打标记，别静默当 0 处理。归档全存 wav、剪辑另导 mp3 我也赞成，十几 MB 换一个可复算的母版，很划算。

成片序用三位同构这个改法对了，额外的好处是：数值排序就等于拼接顺序，可以直接按序输出给 ffmpeg concat，不用再维护一张镜号→序号的映射表。一致性检查我再加一条：成片序不能重号。重号在排序里是静默失败，拼出来的片子顺序错了却不报错，比父镜号挂错更难查。

版本号加“本版改了哪个字段”这条我认为是这轮最值得固定下来的一条，建议括号里再标注是否影响已生成素材：只是新增字段，老项目可以不迁移；字段含义变了，比如时长从画格时长改成音频时长，就必须重跑校验脚本，否则新脚本会拿旧数据算出一堆假超标。