AI真人短剧的剧本和分镜，用哪些工具衔接最快？

结论：AI 真人短剧从剧本到分镜衔接最快的一条路，是“用 LLM 出结构化剧本表 → 用飞书/Excel 做统一字段的分镜表 → 用即梦/Midjourney 出关键帧 → 用可灵/即梦图生视频 → 用剪映或达芬奇收尾”。真正决定速度的是中间那张字段固定的分镜表，工具本身反而次要。表格字段一旦固定，换成任何生图、生视频工具都不用返工。

剧本阶段用什么工具最快？

结论：用长上下文大模型直接输出“场景表 + 台词 + 情绪提示”三合一的表格，比先写文学剧本再人工拆解快至少一倍。

推荐 Claude、GPT、DeepSeek、Kimi 这类支持长上下文的模型。关键不在选哪个，而在提示词里必须约束输出格式：要求模型输出 Markdown 表格，字段固定为「场次、场景、时间、人物、景别、台词、情绪、预估时长（秒）」，不能输出散文式剧本。

真人短剧单集通常 60–90 秒，对应 8–15 个镜头。让模型一次生成 3 集，再人工挑一集细化，命中率最高。提示词里明确一句“每集 12 个镜头以内，单镜头台词不超过 25 字”，能显著减少后期删改。

剧本怎么转成分镜表才不返工？

结论：剧本不能直接复制粘贴给生图工具，必须先转成一行一镜头的分镜表，字段和顺序全部固定下来。

把 LLM 输出的场景表导入飞书多维表格或 Excel，建立以下列：镜号、景别（远/全/中/近/特）、机位、画面描述（中文自然语言）、生图提示词、参考图路径、首帧文件、时长、运镜、台词、音效。一行一个镜头，一集 12 行。

这张表就是整条流水线的唯一数据源（single source of truth，即全流程只认这一份数据）。后续生图、生视频、剪辑都以它为准，谁改了什么一眼可见。实测这一步花 30 分钟建表，能省掉后面反复改提示词的两三个小时。

分镜图用哪些工具出得最快？

结论：真人质感优先用即梦（Seedream 系列）或 Midjourney，角色一致性靠“固定角色参考图 + 固定种子 + 固定提示词前缀”三件套来保。

Midjourney 用 --cref（角色参考）保持同一角色脸，用 --sref（风格参考）保持全片色调统一，用 --seed 固定随机种子，参数写在提示词末尾，例如 --ar 9:16 --cref 图片链接 --cw 100 --sref 图片链接 --seed 12345。即梦则用「角色参考图」和「主体参考」两个开关，更适合中文提示词直出。

全片分辨率必须统一，竖屏短剧固定 1080×1920、9:16，横屏 1920×1080、16:9。每张出图落地文件名按「S01-E01-Sh03-v2.png」命名（剧集号-场次号-镜号-版本），后面图生视频时靠名字批量对应，不用人工比对。

分镜图怎么变成视频？

结论：图生视频用可灵、即梦、Runway、Luma 都行，但首帧图必须与分镜图同比例同分辨率，否则模型会自动裁切，构图全乱。

单镜头从 5 秒起步，一个 60 秒短剧拆成 12–15 个 5 秒片段最稳。运镜提示词写成固定模板：镜头运动 + 主体动作 + 环境变化，控制在 30 字以内，例如“镜头缓慢右移，女孩转头看向窗外，窗帘被风吹动”。超过 30 字，模型容易忽略前半段。

真人短剧最忌讳脸部崩坏。凡是正面近景，一律用图片首帧生成，不要让模型纯文本生成视频；远景和空镜可以文字生视频，省时间。

声音和对口型怎么衔接？

结论：顺序必须是“先定配音，再做口型”，反过来做等于重做一遍。

配音用 ElevenLabs、豆包语音、CosyVoice 等，先把台词音频按镜号导出为 S01-E01-Sh03.wav。对口型用即梦的对口型功能或 LatentSync 这类开源方案，输入是“该镜头的视频 + 该镜头的音频”，一对一出。

注意配音语速。中文真人短剧常用每分钟 260–320 字的语速，配音前把台词按这个语速读一遍，超时的当场删字，别等到对口型时才发现画面不够长。

整条流水线怎么串起来最快？

结论：把所有环节挂到同一张表上，用文件命名和镜号做唯一纽带，任何工具都可以随时替换。

具体做法：分镜表里预留“首帧文件”“视频文件”“音频文件”三列，文件名严格用 S01-E01-Sh03 前缀。生图、生视频、配音全部按镜号落盘，剪辑时按镜号排序拖进时间线，不用二次核对。

工具会换，字段不会。这张表建好一次，以后换模型、换生图平台、换剪辑软件，成本几乎为零。这也是 AI 短剧能批量产出、而不是每集都从零开始的核心原因。