企业官网建设流程全解析

1. 内容整体设计与思路拆解

先说个现象。我从去年年底开始系统研究AI漫剧，到现在完整跑通了七八个案例，从最初一套分镜出三张废图，到如今基本能稳定出一条不露怯的短视频，中间踩的坑比我前五年写代码加起来都多。这篇文章就是把我跑通的全链路——剧本、分镜、静帧、视频生成、配音、剪辑——一件件拆开讲透，每个环节给你现成的模板、参数和避坑清单。

先说个扎心的事实：大多数新手做AI漫剧，不是输在不会用某个工具，而是输在不知道“每一步要做到什么程度才能进入下一步”。你花两小时磨出一张超精美的女主角立绘，结果到分镜阶段发现每个镜头都要重新描述一遍她的长相，表情还总崩——这就是典型的流程设计失误，把力气花错了地方。所以这篇文章第一部分，我先不讲具体操作，而是先把整个AI漫剧的制作链路给你摊开，讲清楚每一环的核心目标和交付物是什么。

AI漫剧的本质，是用AI工具以极低的成本完成传统动画工业里需要几十人协作的工序。传统漫剧是怎么做的？先有编剧写脚本，再有分镜师画分镜脚本，然后原画师做人设和场景设定，再交给动画师做动态，声优配音，最后剪辑合成。AI漫剧把这条流水线压缩成一个人的工作流：大模型帮你写剧本、改对白，AI绘画工具生成分镜草图和静帧画面，图生视频模型让画面动起来，语音合成给角色配音，最后用剪辑软件把素材拼成片子。不是每个环节都能省掉，但每个环节都能大幅提效。

基于这个逻辑，我把整个流程抽象成了五个交付物：剧本Word文档、分镜Excel表格、静帧图片素材库、视频片段文件夹、配音音频轨。每个交付物之间是有依赖关系的——分镜表必须能对应上剧本的每个镜头，静帧必须能对应上分镜表的每个格，视频必须对应上静帧的关键动作。很多新手做崩了，就是因为这个链条中间某一步断开了：分镜写了个“女主角愤怒地推开门”，结果静帧生成了二十张不同视角的图，没有一张是门正面的，后边视频就没法接。

我另一个体会是，AI漫剧的成败在前期设定，不在后期生成。你剧本里角色设定越具体，分镜拆得越碎，后边每个环节就越省心；你要是剧本只有“男主救女主”这种粗颗粒描述，到静帧阶段AI只能给你自由发挥，出来一堆不能用的大脸特写，那才是灾难。所以下面的实操篇，我会把“如何把剧本拆成分镜”“如何做角色设定表”这两个最容易被忽略的环节，放在最前面讲。

2. 核心细节解析与实操要点

2.1 剧本阶段：一次性把设定做扎实

剧本环节真正要交付的不是“故事”，而是“两套说明书”：一套给AI用，一套给自己用。

给AI用的，是你投喂给大模型的提示词。我常用的做法是：先让模型扮演编剧，基于一个一句话梗概扩写完整大纲，然后把大纲里每个场景再扩成“场景编号＋场景地点＋时间＋出场角色＋画面描述＋对白＋剧情提示”的结构化格式。初期不要直接让它生成完整对白文本，而是先让它生成“画面描述＋对白提示”的分场表。比如“机场大厅，夜晚，男主拖着行李箱快步走向出口，看到女主站在接机口，两人对视，沉默三秒”，这一段画面描述出来，你后边做分镜就有抓手了。

给AI这套描述，有几个技巧实测下来很重要。第一，场景描述必须带光线和机位感。不要写“公司会议室”，要写“落地窗前的长会议桌，午后阳光从左侧打入，逆光形成轮廓光”。不是让你写摄影脚本，而是当你把这段文字喂给AI绘画工具时，它生成的光影方向会更统一，后期视频运动的明暗变化也更自然。第二，人物状态要写情绪，不只是写动作。“男主攥紧拳头”和“男主不知道说什么好，攥紧拳头又松开”是两个完全不同的画面，后者更能影响镜头节奏。

给自己用的说明书，是一张角色设定总表。这张表我会固定维护在一个文档里，包含每个角色的姓名、年龄、外貌关键词（发型、发色、瞳色、服装、配饰）、性格标签、说话风格。这张表在后边所有环节都会反复用到：写分镜时补充镜头细节，写静帧提示词时拼接描述，做视频时判断角色是否崩了。前面多花二十分钟把这张表做扎实，后面省两个小时。

我给一个自己常用的角色描述模板：

角色名：林晚 base：成年女性，25岁，长发及腰，深棕色直发，刘海偏分，琥珀色眼睛，高挑纤细 服装：米白色风衣、黑色高领毛衣、深蓝牛仔裤、白色帆布鞋 配饰：银色细链项链，右手腕一条红绳 风格标签：清冷、克制、微皱眉习惯

这段就是“可复用素材”。之后无论用哪款AI绘画工具，只要把这几个关键词拼进提示词里，就能稳定复现人物，剩下的是调整表情、角度和景别。

关于剧本长度我多说一句。新人第一次做，别一上来就搞三分钟五集连播。一集时长控制在30~60秒，大概是200~300字对白，或者60到90个短句，这种体量刚好能走完一整个流程而不至于崩溃。等你用这个体量把全流程跑通三遍，再考虑扩充成三集以上的系列。

2.2 分镜阶段：镜头感是AI漫剧的分水岭

分镜表是整条生产链的中枢。它连接着剧本的文字和静帧的画面，也是你后期剪辑的“剪辑脚本”。很多新手觉得分镜就是把剧本每一句拆出来配一张图，大错特错。分镜的质量直接决定了成片的节奏感，一些很简单的场景，如果你只给一张静态图，观众很快就审美疲劳；但如果你拆成“全景交代环境＋中景展示动作＋近景切表情”三张图，节奏一下就起来了。

我按“一镜一格”原则来拆。所谓一镜一格，就是每个行，代表一个镜头，且这个镜头内部不切换机位。比如“男主走进咖啡店，看到窗边的女主”这个动作，我会拆成三个镜头：

镜头1：全景，街道，前推，男主推开咖啡店玻璃门（2秒） 镜头2：中景，门内，侧拍，男主走进来，视线扫向窗边（2秒） 镜头3：近景，过肩视角，男主看到女主，停顿（2秒）

每个镜头控制在两到三秒，这是短视频的标准节奏。太长了观众划走，太短了观众看不清内容。如果不确定节奏，可以找几个爆款漫剧对照着拆解，把每一秒对应什么画面什么对白列出来，拆完三个就知道规律了。

分镜表里每个栏位有四个必须填的字段：景别、运镜、画面内容、时长。景别决定生成图时写什么镜头词，运镜决定视频生成时的运动参数，画面内容描述给静帧绘画工具，时长决定剪辑时视觉节奏。

我习惯用表格工具管理分镜表，每集一个sheet，表头是这样的：

这个表后边剪片子的时候就是导航，你按着它找素材、对画面、卡时长就行。分期表的紧要之处在于细致的画面描述写得越具体，后面的AI绘画和视频工具就越不会自由发挥，成片的稳定性立竿见影。

2.3 静帧阶段：先统一三件套，再谈风格

到了静帧环节，很多新手上来就纠结“用哪款模型”、“哪个风格好看”，但我建议先把三个基础参数统一了，否则画风一集一个样，剪辑时穿帮穿到怀疑人生。

第一是固定seed值。AI绘画软件里seed是随机数种子，决定了画面噪音的初始状态。同一条提示词，换了seed画出来的人物脸、衣服褶皱、背景构图都会变。尤其是用同一套角色提示词生成连续镜头时，必须锁定seed，才能让同一角色在不同画面里尽量接近。如果你用的工具没有seed参数，那至少要把同一角色对应的seed记下来并保持同一工作区重复使用。

第二是宽高比统一。竖屏短视频用9:16，横屏用16:9，千万别混着来。一旦混了，后边视频生成和剪辑阶段要么裁剪损失构图，要么拉伸变形。我见过不少人，静态图出了9:16，视频生成时工具锁定16:9，结果人物被左右拉胖，只能重新生成，白白浪费几个小时。

第三是画面色彩倾向统一。同一集里，尽量用相同的时间段和天气设定，比如都设定在“阴天下午”，或者都设定在“夜间暖色灯光”。AI绘画对太阳角度、色温的反应特别敏感，前一个镜头是正午，后一个镜头是黄昏，即使人物长得一模一样，观众也能察觉出违和感。

至于风格参考图，如果你用的是支持垫图或者参考图的工具，强烈建议挑一张你最喜欢的成图当作“风格锚点”，后续所有镜头都把这张图作为参考垫进去。这个做法比反复刷提示词要省事得多。

3. 实操过程与核心环节实现

3.1 静帧生成实操：提示词拼接公式

我实测下来最稳的静帧提示词结构，是下面这个“五段式拼接公式”：

[角色描述] + [服装细节] + [表情/动作] + [景别/镜头词] + [环境/氛围/画质词]

举例，接上面的角色林晚：

林晚，25岁女性，棕色长发琥珀色眼睛，穿米白风衣黑色高领毛衣，站在雨天霓虹灯下，转头看向镜头，表情平静带一点警惕，中景，胶片质感，电影感布光，柔光，8k画质

这里几个细节值得说下。第一，角色描述里的底色信息（年龄、发型、瞳色）每张图都要原样保留，一个字都别改；第二，景别词我会放在中间位置而不是最后，实测放在前面容易被模型忽略；第三，画质词放在最后，用来统一全集的渲染质感。

至于工具选择，Midjourney、Stable Diffusion、国内的可灵、即梦都在用，你要是新手建议从一个工具开始跑通流程再考虑横向对比。以Stable Diffusion为例，如果你有本地显卡，建议用SD 1.5或SDXL底座加上一个适合动漫风格的微调模型，打出好的底图后还要记得做第二步——局部重绘，人物面部如果崩了或手势不对，局部重绘是最快的修复方式。

再分享一个提高产出效率的高阶玩法：选好一款工具后，先批量生成“情绪/角度矩阵”。什么意思？就是拿同一套提示词，只改表情和角度词，一次性生成十几张角色同一姿态不同表情的图。比如“微笑”“皱眉”“惊讶”“侧脸”“回眸”“背影”，这些图单看不惊艳，但到了剪辑阶段，你会发现它们能嵌入任何情绪节点，大大降低后续视频生成出废片的次数。

3.2 图生视频实操：让静帧动起来

静帧只是中间态，AI漫剧真正的效果来自动态画面。图生视频工具现在已经很成熟了，主流选择有可灵、即梦、Runway、Pika等，各有特点。我的经验是：先定时长，再定运动方式。

每次生成的视频时长尽量控制在5秒以内，这是目前大部分工具生成效果最稳定的区间。超过5秒，人物容易变形，动作容易失控。剪辑里需要长镜头的话，可以把多个5秒片段用叠化硬切接起来，观众感知不明显，但生成难度低了一个量级。

运动方式的选择，我一般遵循“能不动就不动，动则单方向”。什么意思？就是每个镜头只有一个主要运动方向，要么镜头推近，要么角色转头，要么风吹发丝，不要让画面同时发生两种以上的主要运动，AI模型一旦同时处理多运动就容易崩。人物转头＋镜头推近，已经算高难度了，新手先别碰。

操作界面上，我一般会传一张静帧图片，然后在提示词里写运动描述。参考结构是：

[主要动作]+[次要动作]+[镜头运动]+[时间感]

例如这个镜头：

她缓缓抬头看向镜头，头发轻轻飘动，镜头缓慢推近，3-5秒

生成之后，我的例行动作是逐帧检视。把视频导入剪辑工具，一帧一帧地过，只看两件事：脸有没有崩、动作是否连续。脸崩了不能用作素材，因为后年如果大量用这种废片，整个视频会有恐怖谷效应。

还有个省钱省时间的小技巧：先用低分辨率快速出一版，确认动作、构图、表情对了，再调高分辨率重新生成高质量版本。你在低清版发现动作不对，直接改提示词重出，出的还是低清版，成本低；等确认没问题再花高倍成本出高清版，就不会浪费太多资源。

3.3 配音实操：先配音，再剪画面

我早期是从网站上下载现成配音，后来发现节奏对不上，情绪也拉胯，改成自己做配音之后再剪画面，整体质感提升非常明显。

第一次做AI漫剧的新手，我建议你在静帧阶段结束后、视频生成阶段开始前就把配音做掉。为什么？因为配音确定了每一句对白的准确时长，你在剪辑时就能“以声定画”——先放配音轨，再把对应的视频片段往上面对齐，节奏自然就对上了。而你如果先剪画面再配音，很容易出现画面0.5秒以后角色还没张嘴等问题。

配音工具现在的选择也不少。在线TTS流可以直接用剪映自带的，胜在便宜方便；要更细腻的情感表现，可以用ElevenLabs或GPT-SoVITS这类工具。实操层面，我建议你先做一条“白板轨”——用文本转语音把对白全录出来，音色、语速都放进去，然后用这条白板轨做剪辑草稿，定好每个画面的落位以后再用正式音色替换。白板轨就是你的“节拍器”，帮你管理画面的疏密和情绪的起伏。

再来一个关键点：配音要带画面感。你听很多爆款漫剧的对白，会发现每一句都极短，情绪也直接打成语言。这种“短句化”之后，剪辑更容易切镜头，观众停留时间也更长。写对白的时候，比如把“你今天怎么会突然来这里”改成“你怎么来了”，效果天差地别。

3.4 剪辑实操：对白轨先行，画面后置

剪辑环节我用的就是剪映，免费版基本够用。核心流程分三步：

第一步，导入配音轨。先把配音文件拖进去，然后把白板轨铺成一条主时间线，标记每句对白的起止时间。

第二步，按对白铺画面。打开分镜表，对照每个镜头的时长和对白位置，把对应的视频片段拖到时间线上。这里有个判断标准：镜头切换点尽量卡在情绪转折处，而不是卡在对白中间。“她回过头来”这句话说完的瞬间，就该切到她的表情特写，而不是继续停留在全景上。

第三步，加字幕、BGM、音效。字幕的关键是说话的人头上要有名字标识，不然观众搞不清楚谁在说话。BGM音量压到人声的1/3以下，音效以环境音为主，比如开门声、脚步、雷声，出现一点就足够过渡。

剪辑时还有一个通用原则：能用画面讲清楚的，就删掉对白。很多新手担心观众看不懂，恨不得每句话都说透，结果整个片子像是念稿子。我通常的做法是反复看三遍成片，把每一集里“去掉也完全不影响理解”的旁白切掉，节奏立刻舒服很多。

4. 常见问题与排查技巧实录

这里把我实操中最常遇到的六个问题整理成速查表，每个都是我真实踩过的坑：

这些问题里，绝大部分都能通过“前移控制”解决，也就是把控制动作放到流程更早的环节中去：剧本阶段把场景描述具体化，分镜阶段把镜头运动和情绪写明白，静帧阶段锁定所有可复现参数，出图的废片量自然就少了。等到视频和剪辑阶段，更多是锦上添花，而不是勉强救场。

5. 这一套流程跑通以后，怎么提升上限

当你按上面的流程完整跑出一集，大概能体会到“能出片”和“能出好片”之间的差距。这个阶段再谈进阶，我的建议是往三个方向补：

第一是自动化工作流。把脚本编写开始到配音结束这几个环节尽量串联起来。现在很多AI工具都开放了API，也有类似AI Agent的工作流编排工具，可以把“读分镜表→生成提示词→批量出图→按固定模式生成视频”串成半自动流水线，早上起来点一下运行，晚上回来收素材，效率完全是质变。我不是说新手要一上来就搞自动化，而是在人工流程稳定后，再逐步外包给工具链处理机械重复的部分。

第二是建立自己的素材资产库。每一次跑流程生成的优质静帧、视频片段、配音文件，都按“项目/场景/角色/情绪”分类存档。攒两个月之后，再出新片子时，很多素材可以直接复用，甚至旧片段的背景、道具、服饰也能作为新片的新参考素材，省下大量生成和筛选时间。素材库的建立，是我觉得比任何高级技巧都划算的一步。

第三是训练专属风格LoRA或角色LoRA。如果你平时在Stable Diffusion生态里玩，可以拿你喜欢的角色设定图集去训练一个轻量级LoRA模型。这个模型训练好以后，你用简单的提示词就能生出一致性极高的人物，几乎告别抽卡。训练数据不用多，30~50张高质量角色图就能覆盖静态和动态画面里的多种角度。步骤不复杂，但非常吃耐心，建议在已经能稳定出片的基础上去尝试。

6. 写在最后的实操体会

我做了大半年的AI漫剧，最大的体会其实不是那些工具参数，而是一句话：AI漫剧拼的是流程管理，不是单张画面的惊艳度。很多人的废片是流程前段偷懒造成的——剧本里一句话写得不清楚，到了分镜就要发挥想象力补图，到了静帧就会出两张完全不同的图，到了视频就会动不起来，到了剪辑阶段就得硬凑。任何一个环节的省事，都会在后面的环节加倍偿还。

所以如果你看完这篇文章只记住一件事，我希望是“先打磨依赖关系再谈操作细节”。在你的第一个作品里，别急着追求画面多酷炫，先把人物一致性指标和镜头连贯性做好，把每一段的依赖关系理顺。这东西是越做越顺手的基本功，哪怕以后换再新的工具，这套思路都不过时。

最后再分享一个小习惯：每次跑完一个项目，用十分钟复盘一下，记下“这次哪张图生成得最满意，它前面的提示词是什么”“哪个镜头花了三次才成功，第一次和第三次改了什么”。攒下来的笔记就是自己最好的教程，比任何网上的“完整流程”都贴合你的需求。AI工具迭代比谁都快，但你的复盘笔记迭代得更快，这才是别人拿不走的核心竞争力。