企业官网建设流程全解析

AI视频制作全流程实战：从分镜脚本、人物设计到剪辑配音，一篇文章跑通AI动画短片

先说一个容易被短视频平台“标题党”带偏的结论：AI视频制作，不是输入一句话就自动出片的魔法，而是一条可以被拆解、被标准化、被复用的内容生产线。

真正做过AI动画的人都会遇到同一个尴尬：模型生成的单张图质量很高，但人物在下一个镜头里就不是同一个人了；镜头单独看很惊艳，但拼在一起没有叙事节奏；配音倒是快，但和画面情绪完全对不上。这些问题靠换一个“更强的视频生成模型”是解决不了的，因为它们的源头都在流程设计上。

这篇文章不聊虚的。我会从分镜脚本、人物设计、镜头语言、剪辑配音四个环节，把AI动画短片的生产全流程拆开来讲，并给出可以直接复制的Prompt模板、配置文件和工作流命令。无论你是想做信息流广告、AI漫剧、短剧预告片，还是接外包单子，这套流程都能让你从“生成素材”升级为“生产内容”。

1. AI视频制作：不是一键出片，而是一条内容生产线

很多人第一次接触AI视频，都是被“一句话生成一只赛博狐狸在雪地里奔跑”这种视频冲击到的。但请注意，这类视频能成功，是因为它只需要一个镜头、一个主体、一个氛围，根本不需要考虑叙事连续性。

一旦要做真正的短片，哪怕只有30秒，问题立刻变多：

• 主角从第1镜头到第8镜头，脸型、服装、配色必须保持一致；
• 分镜之间的景别切换要符合观看逻辑，不能一会儿特写一会儿远景乱跳；
• 画面中出现的光线方向、天气状态、时间线要统一；
• 配音、字幕、转场、BGM要和画面的节奏匹配。

所以，我更愿意把AI视频制作定义为“内容工程”，而不是“视频生成”。它的核心能力不是点几个按钮，而是：

1. 把故事转成结构化的分镜脚本；
2. 用可控的方式生成一致性人物素材；
3. 按镜头语言设计运镜和转场；
4. 把素材批量处理成成片。

这套流程对新手最友好的地方在于：你不需要等到视频生成模型足够强才能开工。只要把前两步做扎实，哪怕用很普通的图生视频工具，也能产出比“单独抽卡”稳定得多的作品。

2. 核心概念：分镜脚本、人物一致性、镜头语言到底指什么

在进入实操之前，先把几个高频关键词讲清楚。这些词的理解深度，直接决定你后面会不会返工。

2.1 分镜脚本

分镜脚本，就是把“文字故事”翻译成“画面清单”。它需要写明：每个镜头是几秒、什么景别、什么机位、画面里有什么、角色做什么动作、有没有台词或旁白。

为什么要先在脚本阶段下功夫？因为AI视频制作成本集中在“生成环节”。如果脚本含糊，你根本不知道要让模型生成什么，只能一遍遍试，成本完全失控。脚本足够具体，生成时才能做到“一次接近可用”。

下面是一个基础分镜字段设计：

2.2 人物一致性

人物一致性，指的是同一个角色在多个镜头里看起来是同一个人。这是AI动画最核心的难点，也是接单时客户最看重的点。

目前业界用的不是某一种“万能功能”，而是组合策略：

• 固定种子：尽可能用同一个随机种子生成；
• 垫图/参考图：用首张满意的角色图作为后续生成的参考；
• 角色描述符：一段非常详细且固定的人物外观文本，始终拼在Prompt里；
• 图生视频：先有图，再让画面动起来，而不是每次文生视频。

这个策略不一定能让两个镜头完全一致，但能把偏差控制在一个可接受的范围内。对商业项目来说，“可接受”比“完美”重要得多。

2.3 镜头语言

镜头语言是指用景别、机位、运动方式、光线来传递情绪和叙事信息。AI视频生成工具往往提供“镜头运动”参数，但我们自己要先知道哪个镜头该做什么选择：

• 远景/大远景：交代环境、人物所处位置；
• 全景：看清角色全身动作；
• 中景：兼顾动作和表情，适合对话；
• 近景/特写：强调情绪、细节；
• 推镜头：引导观众注意力；
• 拉镜头：从细节扩展到环境；
• 摇镜头：展示空间关系。

很多新人走到“画面生成”这一步才开始想景别，这是本末倒置。景别应该在分镜脚本阶段就决定好，因为不同景别对人物细节的暴露程度不同，直接决定一致性控制的难度。

3. AI视频工具矩阵：不同环节选什么工具

AI视频生产线的每个环节都有相对好用的工具类型。这里不写具体版本号，因为工具更新实在太快，给一个选型思路更可靠。

3.1 文本生成与脚本工具

用来写故事、拉分镜、生成Prompt。可以选择ChatGPT、DeepSeek、Kimi等通用大模型。这一阶段的重点不是“文采”，而是把一句故事扩写成结构化、可执行的分镜JSON。

3.2 图像生成与人物设计

主流方向是Stable Diffusion、Midjourney、即梦、可灵等。绘图工具负责产出“人物三视图”“关键帧插画”“场景背景图”。

从工程角度看，Stable Diffusion生态更受团队欢迎，因为它有Lora、ControlNet、固定Seed、批量脚本这些可控性功能；Midjourney则在单图质量和美观度上更省心，但一致性控制偏弱。短期项目、强风格化作品可以多用Midjourney，连载型AI漫剧则更推荐Stable Diffusion生态。

3.3 视频生成工具

视频生成这一步，常见选择包括可灵、即梦、Runway、Pika、Sora等。很多视频生成工具同时支持图生视频和文生视频。做剧情短片时，图生视频是优先选择，因为它能继承你精心设计的人物图。

3.4 配音、音乐与剪辑工具

配音可以用Edge TTS、剪映、魔音工坊等；音乐可以在剪映曲库、网易天音等平台找；剪辑统一用剪映或Premiere Pro。AI动画的剪辑量不大，剪映足够。

4. 第一步：用结构化提示词生成分镜脚本

很多人的第一句Prompt是：“帮我写一个关于失恋的短剧。”然后得到一段漂亮但没有执行性的故事文案。问题出在：你让模型写的是“故事”，而不是“制作方案”。

正确做法是，让模型直接输出可解析的分镜JSON，并在里面固定场景、人物、镜头、台词、时长。这样一个Step，能把后续所有环节的输入词都统一起来。

下面这个JSON模板，可以直接复制给大模型让它按格式输出：

{ "project": "雨夜告别", "story": "男主角在雨夜路灯下告别旧城，五年后回到原地发现一切都已改变。", "character": [ { "id": "male_01", "name": "阿远", "appearance": "28岁，黑色短发，深灰色长风衣，内搭白色衬衫，五官轮廓清晰，眼神疲惫但坚定", "style": "写实都市漫画风格，电影感光影" } ], "shots": [ { "shot_id": "SC-001", "duration": 4, "scene": "雨夜老城街道，昏黄路灯，地面有积水倒影", "shot_size": "全景", "camera_movement": "缓慢推近", "action": "阿远打着一把黑伞，站在路灯下抬头看旧楼", "dialogue": "旁白：五年了，我还记得这个路口。", "emotion": "压抑、怀念" }, { "shot_id": "SC-002", "duration": 3, "scene": "同上", "shot_size": "近景", "camera_movement": "固定镜头", "action": "阿远低头，雨滴打在伞面上，表情露出一丝苦笑", "dialogue": "", "emotion": "孤独、释然" } ] }

生成这个JSON后，建议让模型再输出一份人类可读的分镜表，方便放在剪辑软件旁边对照使用。可以有这样一个Prompt：

你是AI动画短片的导演兼分镜师。请根据下面要求输出分镜： 1. 故事主题：都市奇幻，主角能在旧照片中穿行； 2. 总时长：30秒； 3. 输出格式：先输出每个镜头的表格，再输出符合以下字段的JSON：shot_id、duration、scene、shot_size、camera_movement、action、dialogue、emotion。 4. 要求：每个镜头之间景别有变化，避免连续三个镜头都是同一种景别。

值得注意的是，分镜脚本生成后，不要马上进入绘图。建议先做一次“脑内放映”：把每个镜头按顺序读一遍，想象画面是否连贯。如果自己脑海里都断片，模型一定生成不好。

5. 第二步：人物设计与一致性控制

人物做不好，后面所有镜头都会翻车。这个环节有两个核心任务：先定外观，再保一致。

5.1 人物外观固定

首先要把“角色外观”从分镜故事里单独抽出来，写成一个固定描述串。这段文字在每次生成图像时都要用，尽量一字不改。我建议的字段顺序是：

年龄+性别，体型特征，发型发色，脸型，眼睛颜色，五官特点，服装（上身、下身、外套、配饰），材质细节，整体绘画风格，光影风格

示例：

28岁亚洲男性，偏瘦，黑色微卷短发，脸型偏窄，深棕色眼睛，五官轮廓清晰，下巴有轻微胡茬，身穿深灰色长风衣，内搭白色衬衫，黑色长裤，黑色皮靴，服装材质有明显布料质感，写实都市漫画风格，电影感光影，浅蓝灰冷色调

这段文字建议配一个“角色卡”字典，方便后续程序自动拼接。

5.2 通过代码批量构造Prompt

如果镜头数量多，手写每条Prompt容易漏字，你可以用一个小脚本把“固定角色描述 + 场景 + 镜头运动”拼起来。下面是一段Python示例代码，假设你拿到了第4节的分镜JSON：

# 文件路径：build_prompts.py import json # 角色固定描述，生成所有镜头时保持不变 CHARACTER = ( "28岁亚洲男性，偏瘦，黑色微卷短发，脸型偏窄，深棕色眼睛，" "身穿深灰色长风衣，内搭白色衬衫，黑色长裤，黑色皮靴，" "写实都市漫画风格，电影感光影，浅蓝灰冷色调" ) def build_prompt_for_shot(shot: dict, character: str) -> str: prompt = ( f"角色：{character}。" f"场景：{shot['scene']}。" f"景别：{shot['shot_size']}。" f"动作：{shot['action']}。" f"镜头运动：{shot['camera_movement']}。" f"情绪氛围：{shot['emotion']}。" "高质量，细节丰富，画面干净，无文字水印" ) return prompt if __name__ == "__main__": with open("fenjing.json", "r", encoding="utf-8") as f: data = json.load(f) for shot in data["shots"]: print(shot["shot_id"], build_prompt_for_shot(shot, CHARACTER))

这段代码看起来简单，但它保证了“角色描述不漂移”。实际项目中，很多人翻车就是因为每个镜头都临时改了一句服装描述，导致角色气质完全失控。

5.3 用参考图和图生视频锁一致性

如果你使用支持参考图功能的工具，操作路径通常是：

1. 先生成一张你最满意的角色站姿图；
2. 用图生图/局部重绘调整表情和动作；
3. 把最终定稿图作为每一段视频生成的起始帧；
4. 视频生成时选择“图生视频”，并控制运动幅度不要太剧烈。

这套组合的核心逻辑是：让AI在“已有图上补动作”，而不是“凭文字重画一张图”。

5.4 一个需要提前避开的坑

在人物外观中加入过多当前工具不理解的抽象词，只会降低命中率。比如“高智商脸”“破碎感”“忧郁氛围”这类词，不同模型理解完全不同。宁可把这些情绪放进场景、光线和动作里，也不要放进人物形象描述里。

6. 第三步：镜头语言设计与AI运镜控制

绘图和视频生成工具都支持在Prompt中描述镜头，但描述方式有讲究。用自然语言描述“镜头慢慢推近”是有效的，但如果需要更强控制，建议同时给出“景别 + 机位 + 运动 + 结束画面”四要素。

6.1 常用镜头提示词模板

[景别]，[机位]，[镜头运动]，画面主体[动作描述]，背景[环境描述]，光线[光线描述]，情绪[情绪描述]

示例：

近景，平视镜头，缓慢向前推近，画面主体为黑衣男子站在雨夜路灯下低头苦笑，身后老城街道虚化，暖黄路灯与冷蓝夜色对比，情绪孤独但释然

6.2 连续镜头要避免“镜头跳跃感”

30秒短片里，镜头之间的景别节奏要设计过，不能随机抽。推荐一个基础节奏公式：

全景定环境 -> 中景进入人物 -> 近景给情绪 -> 特写给细节 -> 全景收束

如果连续三个镜头都是近景，观众会缺少“空间定位”。如果全是全景，又看不到情绪。真正有镜头感的片子，就是在这几个景别之间来回切换，而且切换原因都是“为了让观众注意什么”。

6.3 运动幅度不是越大越好

AI视频生成工具对大幅运动的处理能力有限。人物跑步、快速转身、镜头急推，都容易出现形变和闪烁。从工程角度看，建议：

• 人物动作幅度控制在小到中等范围；
• 优先使用“缓慢推近”“缓慢上摇”“固定镜头加人物移动”这类稳定性高的运镜；
• 真正需要剧烈运动时，把动作拆成多段，中间用转场过渡。

在分镜阶段就设定好“每个镜头只有一到两个核心动作”，能显著提升成片率。

7. 第四步：批量生成镜头素材、剪辑与配音

当分镜脚本和人物设计都定了，就可以进入批量生产阶段。这个阶段最值得投入时间的不是素材生成本身，而是建立一套统一的文件命名和素材管理规范。

7.1 素材文件命名规范

推荐命名格式：

{项目名}_{镜号}_{版本号}.mp4

示例：

yuwang_gaobian_SC-001_v1.mp4 yuwang_gaobian_SC-001_v2.mp4

为什么要带版本号？因为AI生成经常需要抽卡。不带版本号时，改两版之后你就分不清哪个是最终版，剪辑时极其痛苦。

7.2 用Edge TTS快速生成配音脚本

配音是AI动画很容易“出戏”的环节。如果工具自带的音色不够有感情，可以先用Edge TTS批量生成小样，再进剪映精调。Edge TTS支持多个中文音色和语速调节，适合快速试听。

# 安装Edge TTS pip install edge-tts # 生成配音，指定音色、语速、输出文件 edge-tts --voice zh-CN-YunxiNeural --rate=-10% --text "五年了，我还记得这个路口。" --write-media sc001.mp3

这里选用zh-CN-YunxiNeural只是示例，也可以用其他音色。生成后关键一步是：把配音文件按镜号对应好，再剪掉多余空白。

7.3 用FFmpeg合并视频和音频

如果镜头已经导出为独立mp4片段，可以用FFmpeg做一次拼接。下面是一个基础示例，把SC-001到SC-003加上配音文件合成一段预览：

# 文件列表filelist.txt里按顺序写入 # file 'yuwang_gaobian_SC-001_v1.mp4' # file 'yuwang_gaobian_SC-002_v1.mp4' # file 'yuwang_gaobian_SC-003_v1.mp4' ffmpeg -f concat -safe 0 -i filelist.txt -i voice.mp3 -c:v libx264 -c:a aac -shortest preview_30s.mp4

如果镜头时长和配音时长不匹配，建议先按旁白节奏剪辑，再调整画面速度。不要上来就把每个镜头锁死成4秒，旁白长一点就露怯。

7.4 剪辑时机的把控

从流程上说，AI视频制作最合理的顺序是：

1. 先配好旁白/配音；
2. 按配音节奏切分镜时长；
3. 再根据分镜时长去生成或剪辑画面；
4. 最后加字幕、BGM和转场。

很多新手喜欢先生成一堆视频素材，再开剪辑软件硬拼。这样很容易出现“画面好看但节奏稀碎”的结果。

8. 实战案例：30秒都市奇幻AI短片全流程拆解

用一个30秒短片来串联前面的所有步骤。这是一个非常典型的信息流广告或者AI漫剧预告片场景。

8.1 故事设定

主题：主角阿远发现自己可以穿进旧照片，改变过去的一点小事，却导致现实发生巨变。

8.2 分镜脚本

这份脚本只有5个镜头，但把背景、人物、冲突、悬念都交代清楚了。实际执行时可以从这个体量开始，先跑通，再扩成60秒。

8.3 关键执行顺序

1. 先用第4节的JSON模板把分镜输出为结构化数据；
2. 用第5节的方法生成主角阿远的固定角色描述，并生成角色定妆图；
3. 每个镜头用“固定角色 + 场景 + 景别 + 动作 + 运镜”构造Prompt；
4. 优先用参考图和图生视频生成镜头素材；
5. 用Edge TTS按旁白生成音频；
6. 在剪映里按旁白节奏排列镜头，加字幕、BGM和转场；
7. 导出预览，检查人物一致性和镜头连贯性，不合格的镜头单独重抽。

9. AI视频制作常见问题与排查思路

新手最容易在下面几个问题上卡住。记住一个原则：先判断问题发生在“生成环节”还是“剪辑环节”，再动手重做，不要从头推倒。

如果镜头生成出来人物变了，建议优先重抽当前镜头，而不是全局调整。每次只改一个变量：要么改Prompt里的一处描述，要么换参考图，要么改运动幅度，直到找到稳定因素。

10. AI视频制作的最佳实践与变现建议

最后这部分，写给那些准备把AI动画当成作品集、兼职接单甚至团队项目的读者。

10.1 内容制作层面的最佳实践

第一，建立可复用的项目模板。把分镜JSON、角色描述符、Prompt拼接脚本、文件命名规范沉淀成一个固定模板，每次接新项目只替换项目名和故事内容。这样能大幅降低重复工作。

第二，素材库要分类管理。我建议按“角色”“场景”“表情”“动作”“道具素材”文件夹分类，方便后续复用。比如上个月设计的“雨夜街道”，这个月可能改个天气描述就能再用一次。

第三，成片率意识。AI视频不是一次成功，而是“批量生成-筛选-修复”的过程。给每个镜头批量生成多个候选再挑，比反复手动调参生成同一镜头更高效。

第四，版本回溯。每个阶段保存一个版本，脚本改到第3版时你突然觉得第1版更好，这种情况很常见。保留版本文件，比事后后悔更实际。

10.2 变现路径建议

AI视频制作的变现，并不只有“做号涨粉”这一条路。从实际市场看，比较常见的方向有：

无论选哪条路，最核心的能力都是“稳定交付”。客户不会因为你某条视频爆了就买单，但会因为“这次的脸和上次一模一样，不会崩”而信任你。

10.3 现阶段的学习顺序建议

如果你是从零开始，不建议一上来就学十种工具。按下面顺序推进：

1. 先用通用大模型生成一个包含5个镜头的分镜脚本；
2. 用任意一款绘图工具生成一张角色定妆图；
3. 用图生视频工具把这张图变成一个5秒镜头；
4. 用Edge TTS生成旁白，在剪映里拼成15秒短视频；
5. 把流程跑通之后，再回头研究人物一致性和镜头语言优化。

不要把时间浪费在“囤积Prompt”上。同一个Prompt在不同模型、不同参考图、不同参数下的表现差异巨大。真正重要的是你能不能让角色连续出现在三个镜头里，并且让观众看完之后愿意把进度条拖回去再刷一遍。

AI视频工具会在未来一年内继续升级，但“内容工程化”这套思维方式不会过时。脚本先行、人物可控、镜头有依据、剪辑有节奏，这才是AI动画从“能出片”走向“能接单”的临界点。建议收藏这篇文章，下一部想做的短片，就照着这套流程跑一遍。