AI真人短剧全流程中，哪一步最容易翻车？

学完这篇，你能准确判断 AI 真人短剧从剧本到成片七个环节中，最容易导致整片报废的是哪一步，并拿到对应环节的参数范围和补救办法，而不是把时间浪费在反复重抽视频上。

第一步：先建立完整流程地图，弄清哪一环最容易出问题

这一步要做的，是把“AI 真人短剧”拆成可独立验收的七个环节，做完后你能对照自己的项目，快速定位卡在哪一步。

标准流程是：选题与剧本 → 分镜脚本 → 角色定妆（一致性资产）→ 分镜图生成 → 图生视频 → 配音与口型同步 → 剪辑成片。

按实际返工率排序，最容易出问题的是第三步角色一致性和第四步图生视频，这两个环节决定了成片是“短剧”还是“PPT 换脸”。口型同步排在第二梯队，剧本和剪辑相对安全。

注意：很多人把“画面好看”当验收标准，结果十几段素材风格各异，剪到一起根本不像同一个演员。验收标准应该是“同一个角色、同一个机位逻辑下能连起来”。

第二步：剧本与分镜，先把不能生成的镜头筛掉

这一步要做的是把文学剧本翻译成 AI 能执行的镜头清单，做完得到一张带景别、时长、动作描述的分镜表。

每个镜头写四件事：景别（近景、中景、全景）、机位（正面、侧面、过肩）、光线（窗光、顶光、夜景霓虹）、动作幅度（说话、转头、起身、走动）。单镜头时长控制在 5 秒以内，超过 5 秒的连续动作一定要拆成两段。

注意：像“她愤怒地冲过去推开门跑下楼”这种复合动作，直接生成几乎一定会崩。拆成“推门特写 + 走廊奔跑中景”两段，再靠剪辑拼节奏。

第三步：角色定妆与一致性资产，最容易出问题（★★★★★）

这一步要做的是把主角变成一套固定的资产包，做完后每个镜头都能调用同一张脸。

具体做法：

1. 先用图像模型（即梦、Midjourney、Seedream 均可）出角色三视图：正面、侧面 45°、半身。统一提示词前缀，写清发型、肤色、痣、服装款式，固定同一随机种子（seed）。
2. 从三视图里挑 15～25 张同角色、不同角度的图，训练一个角色 LoRA（ComfyUI + kohya_ss，训练 20 轮左右即可），或直接使用平台的“角色参考、人物参考”功能上传定妆图。
3. 把这段角色描述存成一段固定文本，之后每条提示词都原样粘贴，只改景别和动作，不改服装和发型关键词。

注意：图生视频阶段角色变形，八成不是视频模型的错，而是这一环节根本没做资产包。换一套衣服、换一个发色关键词，模型就会给你另一个人。

第四步：图生视频，最容易出问题（★★★★★）

这一步要把静帧变成动态片段，做完得到可直接进剪辑轨的 3～5 秒素材。

关键参数：单段先出 5 秒，稳定后再试 10 秒；运动幅度（motion，或称运动强度）压到 3～5，不要拉满；运镜选择固定机位或极缓推，优先用“首尾帧”模式让起止画面可控；分辨率 1080p，帧率 24 或 25fps，全程统一。

已知崩坏点：手部动作、快速转身、多人同框、正脸说话超过 8 秒。规避方式是把这些镜头改成半身、侧脸、手部不入画或快速切镜。

注意：一段镜头抽 5 次以上还不满意，说明提示词或素材有问题，继续抽只是在浪费时间。回头改分镜或者换首帧图，比换随机种子更有效。

第五步：配音与口型同步，顺序不能反

这一步要生成台词音轨并对齐嘴型，做完得到声画同步的对白片段。

先出音频、再做口型，不要反过来。中文配音用 GPT-SoVITS 或 CosyVoice 克隆音色，导出 44.1kHz wav；然后按句子切分，每段 3～8 秒，逐段丢进口型工具（LivePortrait、Hedra、Sync、可灵对口型均可）。

注意：一整段 30 秒的台词一次性对口型，越到后面嘴型偏移越明显。按句切分，误差通常能压到 2 帧以内，剪映专业版里用“音频对齐”逐段微调即可。

第六步：剪辑验收，按清单过一遍

这一步把素材拼成成片，做完可以交付。

统一工程设置为 1080×1920、25fps；逐段检查穿帮帧、口型偏移、角色脸型和服装是否连贯；配乐音量压到人声的 20% 以下；字幕用剪映“智能字幕 → 识别字幕”生成后手动校对错别字。

第七步：把返工记录下来

每次翻车都在分镜表上标注原因（一致性不足、动作过复杂、口型超长），下次写分镜时直接避开。这套记录比任何教程都贴合你自己的模型版本和出片习惯。

拿不准的参数组合，可以到 GJ 站长论坛的 AI 版块发帖，附上提示词截图和参数面板截图，比在群里零散发问更快得到可复现的答案。记得先在个人资料页上传头像，未上传头像的账号无法发帖，发帖也受 30 秒冷却限制，一条帖子把问题描述完整更高效。

小结

• 最容易翻车的是角色一致性资产和图生视频两环，不是剧本。
• 角色先出三视图、训练 LoRA 或锁定角色参考，提示词只改景别不改外貌。
• 单镜头 5 秒起步，运动幅度 3～5，避开手部、快转身、多人同框。
• 配音先行、口型后做，按句切分每段 3～8 秒。
• 一段素材抽 5 次不过就回头改分镜，不要靠随机种子硬碰硬。
• 每次返工都记录原因，形成自己的避坑清单。