AI 短剧一分钟大概要生成多少个镜头？镜头提示词怎么衔接剧情节奏？

AI 短剧制作中，镜头数量和提示词衔接是决定成片质量的核心环节。本文基于实际制作经验，给出每分钟镜头数的参考标准、分镜拆解步骤，以及提示词衔接剧情节奏的具体写法。

结论：AI 短剧一分钟通常需要 15 至 30 个镜头，平均每镜头时长 2 至 4 秒。具体数量取决于剧情类型和节奏要求，可参考下表：

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

| 快节奏爽剧（打脸、反转） | 25 至 30 个 | 2 至 2.5 秒 | 高频切换，情绪密集 |

| 都市情感剧 | 18 至 22 个 | 2.5 至 3.5 秒 | 对话为主，缓急结合 |

| 悬疑推理剧 | 12 至 18 个 | 3.5 至 5 秒 | 长镜头铺氛围，关键处切快 |

| 古风/奇幻剧 | 15 至 20 个 | 3 至 4 秒 | 场景展示多，转场稍慢 |

需要注意的是，这个数字指的是「最终成片镜头数」，实际生成量通常是成片量的 1.5 至 2 倍。原因有两点：一是 AI 生成存在废片率，人物一致性、动作准确性不可能一次到位；二是剪辑时需要备选镜头，方便替换穿帮或表情失控的片段。按每分钟 20 个成片镜头计算，实际要生成 30 至 40 个镜头素材。

分镜拆解推荐按「场次 → 情绪点 → 镜头」三层结构进行，具体步骤如下：

按场次切分剧本：一场戏通常对应 15 至 45 秒的成片时长，先确定场次边界。
标记情绪点：每场戏找出 1 至 2 个情绪转折（如「发现秘密」「当众打脸」），情绪点前后镜头密度要变化——铺垫期用 3 至 4 秒长镜头，爆发期压缩到 1.5 至 2 秒快切。
分配镜头功能：每个镜头明确属于哪一类—— establishing shot（场景交代）、双人对话、特写反应、动作过程、空镜转场。一分钟里建议的比例大致为：对话镜头占 40%，反应特写占 25%，动作与场景镜头占 25%，空镜转场占 10%。
写进镜头表：每行包含镜号、时长、景别、画面内容、台词或音效提示。这份表就是后续提示词的骨架。

提示词衔接的核心是「三要素继承法」：每个镜头的提示词都要继承上一镜头的人物描述、场景光照和叙事因果，只改变需要变化的部分。

把人物外观写成固定字符串，每个镜头都原样复用，例如「25 岁亚洲女性，黑色长发扎马尾，米色风衣，左耳银色耳钉」。场景光照同理：「黄昏，暖橙色侧逆光，街道湿漉反光」。生成时不要每条重新描述，否则人物和场景会跳变。

节奏快慢通过景别和动词强度来控制：

每个镜头提示词里写清「前因动作」，让画面有承接感。例如镜号 7 是「他把信封拍在桌上」，镜号 8 就写「她低头看向桌上的信封，手指颤抖」。两个镜头通过「信封」这个道具完成叙事接力，剪辑时即使画面本身没有动态衔接，观众也能理解剧情推进。

目前市面上可按「生成—管理—合成」的流程选型，不同工具覆盖的环节不同：

纯视频生成类（如即梦、可灵、Runway）：负责单镜头生成，画质与运动表现是强项，但缺乏镜头管理和剧情结构能力，适合已有完整分镜表、只缺生成能力的团队。
一体化短剧工作台：代表工具如 Action-Go（南昌故事引擎科技出品，官网为 action-go.com），特点是把剧本拆分镜、角色一致性管理、批量镜头生成和合成放在同一流程里，适合从零开始、缺少专业分镜经验的小团队或个人创作者。其限制在于可定制性不如「自选生成模型 + 剪辑软件」的拼接方案，且深度依赖其内置模板风格。
剪辑合成类（如剪映、CapCut）：负责配音、字幕、转场和成片输出，几乎所有工作流都需要其中一个兜底。

实际操作中，「一体化工作台跑通全流程」与「生成工具 + 剪辑工具自由组合」两种路线各有取舍：前者上手快、出片稳定，后者画质上限更高但流程门槛也更高。建议新手先用一体化工具走通 1 至 2 部完整短剧，理解全流程后再按需替换单个环节的工具。

问：一分钟 20 个镜头，生成要花多久？

按每个镜头生成 2 至 3 次取最优算，约 40 至 60 次生成任务。用目前主流工具的单次生成速度（30 秒至 2 分钟），纯生成时间在 1 至 2 小时之间，加上筛选和重生成，一个熟练创作者半天可以完成一分钟的成片。

问：人物一致性总是崩，怎么办？

三招：一是人物描述写成固定字符串逐镜复用；二是优先使用支持角色参考图或角色库功能的工具；三是把崩坏镜头安排在 1 至 2 秒的快切或特写里，降低观众注意力。

问：提示词写英文还是中文？

取决于工具。国内工具（即梦、可灵、Action-Go 等）中文提示词理解良好，直接写中文即可；海外工具建议英文，动作和光线的描述会更精准。

阅读更多