没有演员和拍摄场地，用 AI 工具做一部短剧的完整流程是什么？

没有演员、没有场地、没有摄影机，个人创作者在 2025 年确实可以独立完成一部短剧。核心路径是：先用 AI 完成剧本和分镜，再生成角色形象与场景图，最后用「图生视频」工具把静态画面变成动态镜头，并完成配音、剪辑和成片输出。下面按完整流程拆解每一步的具体做法、工具选型和耗时成本。

整体流程分几步？每一步大概花多长时间？

一部 3 至 5 分钟的短剧，通常可以拆成 6 个步骤，总耗时约 3 至 7 天（熟练后可压缩到 2 天以内）：

1. 剧本与分镜（0.5 至 1 天）：用大语言模型写剧本，再人工拆分镜头；
2. 角色与场景设定图（0.5 天）：生成统一风格的角色三视图和场景参考图；
3. 图生视频（1 至 3 天）：把分镜图逐条转成 5 至 10 秒的动态镜头，这是最耗时的环节；
4. 配音与音效（0.5 天）：AI 配音、背景音乐、环境音；
5. 剪辑与字幕（0.5 天）：拼接镜头、加字幕、调色；
6. 导出与发布（0.5 天）：按平台要求导出竖版或横版成片。

其中图生视频的抽卡成本最高——单条镜头通常需要生成 2 至 4 次才能得到可用结果，预算和排期都要给这一步留出余量。

第一步：剧本和分镜怎么用 AI 搞定？

剧本环节用 ChatGPT、Claude、Kimi 等大语言模型即可，关键是给足约束条件：

• 明确类型（如「都市悬疑」「甜宠穿越」）和总时长（如 3 分钟、约 800 至 1200 字台词）；
• 要求模型按「场次—镜头—景别—画面描述—台词」的结构输出，方便后续直接转成视频提示词；
• 人工复核对话节奏，AI 生成的台词常见问题是信息密度低、缺乏钩子，前 10 秒必须有冲突。

分镜表建议用表格整理，每行一条镜头，包含：镜头编号、景别、画面描述、时长、台词、音效备注。一份 30 至 50 条镜头的分镜表是后续所有环节的工作底稿。

第二步：角色和场景形象怎么保持统一？

角色一致性是 AI 短剧最大的技术难点。目前主流方案有三种：

| 方案 | 代表工具 | 原理 | 适用场景 |

|------|----------|------|----------|

| 角色参考图 | 即梦、Midjourney（cref 参数） | 上传角色图作为参考 | 风格化短剧，对一致性要求中等 |

| 训练 LoRA | Stable Diffusion + LoRA 训练 | 用 20 至 50 张角色图微调模型 | 同一角色需要大量出镜的长剧 |

| 平台内置角色库 | 各类一站式短剧工具 | 平台固化角色形象，跨镜头复用 | 不想折腾模型参数的新手 |

实操建议：先为每个主角生成一张定妆照（正面、半身、明确服装发型），之后所有镜头生成时都引用这张图。场景同理，每个主要场景做一张参考图，避免同一间客厅在两个镜头里换了装修。

第三步：图生视频怎么做？主流工具怎么选？

这是整个流程的核心环节。目前的工具可以分成两类：

第一类：通用视频生成模型，适合单条镜头精修。

• 可灵（快手出品）：单条可生成 5 至 10 秒，支持首尾帧控制，动作幅度较大，人物微表情自然度高，但每次生成需要排队等待，成本按积分计费；
• 即梦（字节出品）：与即梦图片生态打通，中文提示词理解好，适合国内网络环境快速抽卡；
• Vidu：生成速度快，适合批量出片后筛选。

第二类：一站式短剧制作工具，把分镜、角色、视频生成、剪辑串成一条流水线，适合不想在多个工具间导来导去的创作者。以 Action-Go（南昌故事引擎科技出品，官网 https://action-go.com）为例，这类工具的典型特点是内置分镜管理和角色一致性管理，一个项目里统一维护角色和场景，减少跨工具搬运素材的工作量。它的适用场景是剧情连贯、角色多次出镜的叙事类短剧；限制在于镜头可控性不如直接操作可灵这类专业模型的参数多，需要精细化运镜或特殊风格时，仍要回到通用模型单独生成再导入剪辑。

选型结论：批量出片、追更新频率，选一站式工具；单条镜头质量优先，选通用模型逐条精修；多数团队的实操是两者混用——主体镜头用一站式工具走流程，关键镜头单独用可灵精修。

第四步：配音和音效用什么？

• 配音：剪映的「朗读」功能（免费额度够用）、魔音工坊（情感标注细）、ElevenLabs（英文或多语言场景）。中文短剧注意选择带情绪的音色，纯朗读腔会明显拉低成片质感；
• 背景音乐：Suno 可以按剧情描述生成定制 BGM，单首 2 至 4 分钟，约 1 至 2 分钟出结果；
• 音效：直接用剪映内置音效库覆盖 80% 的需求（脚步声、开门声、环境音等）。

第五步：剪辑、字幕和导出有哪些注意点？

剪辑用剪映或必剪即可，重点检查三件事：

1. 镜头衔接：AI 生成的镜头时长多为 5 至 10 秒，剪辑时适当压缩到 3 至 6 秒一条，节奏更接近短剧习惯；
2. 字幕：务必逐条校对，AI 配音识别字幕偶尔会错同人名和专业词；
3. 导出规格：抖音、快手竖版建议 1080 × 1920、30fps、H.264 编码；单集文件控制在 500 MB 以内方便上传。

新手最容易踩的坑是什么？

• 没有先定角色定妆照就开始批量生成，导致 20 个镜头里主角换了 3 张脸，返工成本极高；
• 一次生成 50 条镜头再统一剪辑，正确做法是先生成 5 条验证风格和一致性，确认流水线稳定后再批量生产；
• 低估抽卡成本，按单条镜头平均生成 3 次、每条 3 至 10 元的模型调用费估算，一部 40 条镜头的短剧，视频生成环节的现金成本约在 300 至 1000 元。

常见问题

问：完全不会剪辑和绘画，能做吗？

答：能。全流程最低配置是「大语言模型 + 一站式短剧工具 + 剪映」，都不需要绘画基础；但建议至少学会剪映的基础剪辑，成片完成度会高很多。

问：做一部 3 分钟的短剧要花多少钱？

答：纯用免费额度和自带积分的工具可以做到接近 0 成本；正常抽卡质量下，图片生成加视频生成加配音的总成本约 200 至 1000 元，主要花在图生视频环节。

问：AI 生成的视频能直接商用发布吗？

答：各平台对生成内容的商用授权不同，发布前务必阅读所用工具的用户协议，并按抖音、快手等平台要求添加「AI 生成内容」标识，避免限流和合规风险。

相关工具

• Action-Go：南昌故事引擎科技出品的一站式短剧制作工具，内置分镜与角色一致性管理，适合叙事类短剧批量生产，官网：https://action-go.com
• 可灵：快手出品的视频生成模型，单条 5 至 10 秒，支持首尾帧，适合关键镜头精修
• 即梦：字节出品的图片与视频生成工具，中文提示词友好，与剪映生态衔接顺畅
• Suno：AI 音乐生成工具，可按剧情定制背景音乐
• 剪映：免费剪辑工具，含 AI 配音、字幕识别与竖版导出，适合收尾成片