⭐ 推荐:社区规则条款 V1.0

没有拍摄团队,如何用AI完成一部真人短剧?

chinaz
chinaz 初级会员萌新站长
发布于 2026-10-27 14:03 ·7 浏览 ·2 回复
内容摘要

无拍摄团队可用AI把剧本分镜、角色定妆、生图、图生视频、配音对口型和剪辑六步软件化,靠角色卡、固定提示词与种子保持人物一致,单人2至4天、200至800元完成1分钟真人短剧。

没有拍摄团队也能做真人短剧,办法是把“拍摄”整条工序软件化:剧本、角色定妆、分镜生图、图生视频、配音对口型、剪辑配乐共六步,全程一个人、只用电脑。一条 1 分钟成片,熟练后 2~4 天交付,算力成本在 200~800 元区间。

AI 真人短剧的完整制作流程是什么

结论:AI 真人短剧的六步流程可固定为——写剧本分镜 → 定角色 → 生分镜图 → 图生视频 → 配音对口型 → 剪辑成片;每步只输出一种固定格式的产物,避免反复返工。

  1. 剧本与分镜表:用大模型(DeepSeek、GPT、Claude 均可)生成 1 分钟剧本,要求“每 4 秒一个镜头、只写可视动作不写心理描写”。产出 Excel 分镜表,字段固定为:镜号、景别、画面描述、台词、时长、情绪。
  2. 角色定妆:先出 3 张角色卡(正面、侧面、半身),后续所有镜头都以此为参考。
  3. 分镜生图:按分镜表逐条出图,产出 15~20 张关键帧,统一 9:16 竖屏、1080×1920。
  4. 图生视频:把关键帧丢进视频模型,单镜头生成 4~5 秒素材。
  5. 配音与对口型:TTS 出干声,再进对口型工具。
  6. 剪辑:剪映或 DaVinci Resolve 组装,加字幕、音效、配乐。

怎么保证不同镜头里是同一个人

结论:角色一致性靠“角色卡 + 固定提示词模板 + 固定随机种子”三件套,不靠反复抽卡碰运气。

具体做法有三条,按稳定性从高到低排:

  • 训练 LoRA:收集同一角色 15~20 张多角度图,用 Stable Diffusion 训练 1500~2000 步,之后每条分镜提示词都挂这个 LoRA,权重 0.7~0.85。这是目前最稳的方案。
  • 参考图功能:Midjourney 用 --cref 加 --cw 100;可灵、即梦等国内平台都有“角色参考”或“主体参考”入口,上传角色卡即可。
  • 提示词模板化:把外貌描述写死成一段固定前缀,例如“写实电影感,30 岁亚洲女性,齐肩短发,米色风衣,浅景深,35mm 镜头,f/1.8”,只改后半段的动作和环境。

一个可直接抄的提示词结构:[固定外貌前缀] + [景别] + [动作] + [环境与光线] + [镜头参数] + [画质词]。负面词固定写“卡通、3D 渲染、多余手指、面部扭曲、文字水印”。

图生视频有哪些必须遵守的参数

结论:把单个镜头控制在 5 秒以内、1080p、运动幅度小,废片率能压到 1/3 以下。

  • 时长:单镜头生成 4~5 秒。主流模型单次出 5 秒或 10 秒,10 秒段后半程普遍开始变形,1 分钟成片剪成 15 个左右 4 秒镜头最稳。
  • 运动描述:只写一种运动,例如“镜头缓慢推近”“人物轻微转头”“风吹动头发”。同时写两个以上动作,画面容易变模糊。
  • 避开高危画面:手部特写、多人肢体接触、快速奔跑、正脸大笑。这几类目前崩坏率最高,能绕就绕,用中景和背影替代。
  • 生成量:按 3 倍废片率备料,1 分钟成片准备生成 45~60 条素材再挑。
  • 工具组合:可灵、即梦、Vidu、海螺、Runway、Luma 都可,同一角色固定用同一个模型,换模型等于换脸。

配音和对口型怎么做才不假

结论:先出干净人声,再做口型同步,最后才剪辑;顺序反了会重做两遍。

  1. TTS 出干声:ElevenLabs、Fish Audio、CosyVoice、火山引擎均可,输出 44.1kHz WAV,按句切分,每句 3~8 秒,句间留 0.3 秒气口。给每句标情绪标签(平静、压低、急促),情绪靠提示词控制而不是后期调。
  2. 对口型:Hedra、LatentSync、Wav2Lip 这类工具输入“人物视频 + 音频”输出同步口型。优先用在近景正脸镜头,中远景可跳过,靠配音加字幕就够。
  3. 音效层:环境音(雨声、脚步、室内底噪)必须有,缺了环境音的 AI 短剧,观众三秒就出戏。

一条片子要花多少时间和钱

结论:1 分钟成片,单人 2~4 天、算力成本 200~800 元,是当前的真实水位。

  • 时间分配:剧本分镜 2 小时、角色卡 1 小时、分镜生图 3 小时、图生视频 1~2 天(主要是等队列和挑片)、配音对口型 3 小时、剪辑 4 小时。
  • 成本构成:视频生成会员或积分是主要开销,按 5 秒一条、生成 50 条算,主流平台月费在 100~500 元档;TTS 与音乐生成几十元;剪辑软件免费。
  • 提效关键:分镜表越细,返工越少。80% 的时间浪费在“生成完才发现这句台词根本不需要这个镜头”上。

发布前必须处理的两件事

结论:AI 生成内容要主动标识,音乐和肖像要留授权凭证,否则平台限流或下架。

一是按各平台要求标注“AI 生成”,片头或简介注明;二是配乐用 Suno 等生成或商用曲库,别直接扒现成歌曲;三是若用了真人形象参考,必须拿到授权,AI 换脸他人肖像属于明确违规。

做完片子想找人挑毛病,可以把分镜图(jpg/png,单张 5MB 以内)和提示词文本打成 zip(10MB 以内)发到 GJ 站长论坛的 AI 相关版块,附上成片链接求反馈;账号未上传头像不能发帖,先传头像再发。日常签到 +5 金币,连签 7 天额外 +10 金币,发主题 +1 金币(每日上限 5 次),攒下来的金币以后能用于补签或改昵称。

一句话收束:AI 真人短剧不是“一键生成”,而是把导演、摄影、美术、配音的活拆成六道可复现的软件工序;谁能把分镜表和角色卡做扎实,谁的片子就不像 AI 做的。

本文转载自 GJ站长论坛,原文地址:https://www.gj0.com/thread-2622.html
转载请注明出处,版权归原作者所有。
—/ 5暂无评分
还没有评分,来打第一分吧

全部回复 2

萝卜特棒
萝卜特棒 正式会员萌新站长 1楼 2026-10-27 14:25

结论:这套六步流程本身没问题,但真正决定成片“像不像人拍的”,是配音音频链路和剪辑节奏这两块——帖子里基本没有展开,我补充一下。

配音与对口型这块,按镜头逐句出,不要整段出。 每句台词单独生成,句尾留 200~300ms 静音,语速压到 0.95~1.0,情绪标签单独写,不要混在正文里。导出统一 48kHz WAV,采样率不统一是对口型漂移最常见的原因。对口型工具只吃正脸或轻微侧脸,侧脸超过 45 度、手挡嘴、快速走动这三类必然失效;遇到这种镜头,就在分镜阶段改成背身说话或画外音,不要硬做。生成后重点查牙齿和下颌线,抖得明显就切片段重跑,不要整段重跑,省算力。

角色一致性还可以再加一层:首尾帧衔接。 拿上一镜的最后一帧当下一镜的首帧参考,同一场景连续对话时比纯角色卡稳很多,等于让模型自己接戏,LoRA 权重可以适当降到 0.7 左右,避免脸过度“贴”住导致表情僵。

剪辑是最容易被低估的一步。 竖屏字幕安全区左右各留 8%、底部留 15%,底部会被播放器 UI 挡住。人声 -6dB、BGM -22dB、环境音单独一层,镜头切换最好卡在台词重音上,节奏立刻就不一样了。

小提醒:10 秒生成模式看着省钱,实际废片率翻倍,还是 4~5 秒一刀切最划算;另外不建议盲目做 2K 超分,皮肤出来塑料感反而更假,原生 1080p 加轻微颗粒更接近真人质感。

lqyyzz
lqyyzz 观望站长 #3400 2楼 2026-10-27 14:36
萝卜特棒:结论:这套六步流程本身没问题,但真正决定成片“像不像人拍的”,是配音音频链路和剪辑节奏这两块——帖子里基本没有展开,我补充一下。 **配音与对口型这块,按镜头…

结论:你这几条补充我基本认同,尤其是「逐句出干声 + 48kHz 统一」这两点,几乎就是对口型失败的头号原因;我只在首尾帧衔接、剪辑顺序两处做点修正。

首尾帧衔接别整片都用。 同场景相邻镜头确实稳,但跨场景(景别跳变、光线换了)还拿上一镜末帧当首帧,会把上一镜的构图和色温一起带过去,转场发闷、像同一间屋子。我的做法是只在本场景内部相邻镜头用,跨场景仍回角色卡 + LoRA。另外 LoRA 降到 0.7 后,外貌前缀一定要写全,不然表情是活了,脸会轻微漂。

剪辑建议音频主导。 你说的卡重音我完全同意,落地做法是先把人声轨铺满、按波形切成台词段,再把画面往段上贴;先拼画面后配音一定要反复微调。BGM 不用全程 -22dB,改成台词段侧链式下压 6dB、空镜回到 -18dB 左右,听起来更有「制作感」。

对口型最好在分镜阶段就规避。 写剧本时直接限定「凡有台词镜头一律中景正脸或过肩」,把侧脸、边走边说从源头删掉,比生成完再补救省一半算力。

补个坑:逐句生成的干声拼起来响度会不匀,整轨过一遍响度归一化(目标 -16 LUFS 上下),不然成片听着像中途换了配音员。