企业官网建设流程全解析

AI真人短剧这个方向，过去一年多我见过太多人冲进来又悄悄退场。退场的原因往往不是不会写提示词，而是卡在三个很具体的地方：同一个人物在第30个镜头里换了张脸，做出来的片子看着像PPT配上机械配音，还有就是辛苦做完几集发现根本没有变现路径。这篇笔记想聊的就是这三件事——角色一致性怎么锁死、成片质感怎么拉起来、商业变现的路子怎么铺。它适合已经会用基础绘图和视频生成工具、正在尝试把单张图变成连续剧情的朋友，也适合做内容运营、想评估这个赛道投产比的人。我不会给你一堆“万能提示词”，那些东西换个模型就失效。我要给的是能复用的工作流骨架、参数区间和我自己踩过的坑，你拿去改一改就能跑起来。

1. 先算清账再动手：这个赛道的真实成本结构

很多人一上来就问“用什么模型最好”，这问题问反了。真正决定你能不能做下去的是单位内容成本，也就是做出一分钟成片需要投入多少时间、多少算力、多少返工。模型选型只是这个成本结构里的一个变量。我在正式开工前做过一次完整的时间记录，把一条90秒的短剧从剧本到导出拆成十几个环节逐项计时，结果和我最初的预估差了将近两倍——最大的时间黑洞不是生成，而是筛选和返工。

1.1 一条90秒短剧的时间账与算力账

先说结论性的数字。一条90秒的AI真人短剧，按15到22个镜头算，熟练之后我这边能压到8到12小时出片，其中纯生成时间大约占三分之一，剩下的全是写分镜、挑图、修图、对齐口型、剪辑调色。新手第一条普遍在25小时以上，主要浪费在反复重生成同一张图。

下面这张表是我记录的实测区间，硬件是一张消费级显卡加一台普通工作站，云端算力只在赶工时补充使用：

真正需要你死死盯住的是“图生视频”和“返工修补”这两项。图生视频按秒计费或者按显存占用时长计费，一条90秒的片子如果每个镜头平均重生成5次，实际生成的视频总时长会接近8分钟，成本直接翻五倍。所以后面第3章讲的首尾帧策略，本质上不是为了画面更好看，而是为了把重生成次数从5次压到2次以内。

1.2 三种内容形态的取舍：别一上来就做系列剧

市面上能跑的AI真人短剧大概分三类，选错形态是新手最常见的战略失误。

第一类是单集闭环短剧，60到120秒讲完一个完整小故事，有反转有钩子。优点是沉没成本低，做废了不心疼，适合练手和测试平台反馈。缺点是单集很难积累观众，播放量靠平台推荐，波动极大。

第二类是连载系列剧，同一组人物演10到30集。这是真正能积累IP的形态，但前提是角色一致性必须做到90分以上，否则观众第三集就跑了。它对你的角色资产库要求极高，第2章会重点讲。

第三类是口播/情景对话型，人物基本不动，靠台词和表情推进。这类对图生视频的要求最低，几乎可以用“静态图加轻微运镜”糊弄过去，制作成本能压到前两者的三分之一。缺点是画面单调，长期做会让账号标签变窄。

我的建议很直白：第一条片子做单集闭环，第二条开始尝试三到五集的迷你系列，验证完一致性工作流之后再考虑长连载。跳过这个阶梯直接上20集，大概率在第6集崩盘，因为人物服装、光影、发型在不同场景下的组合会指数级膨胀，你的资产库根本覆盖不住。

1.3 工具链选型的底层逻辑：稳定压倒一切

工具选型上我有一个不太主流但很实用的原则：优先选你能本地复现的，其次选参数暴露得多的，最后才考虑出图效果最好的。

原因很简单。云端闭源工具出图确实漂亮，但你没法固定随机种子，没法控制参考图注入权重，没法批量跑同一套参数。而角色一致性这件事，本质上是“用完全相同的条件反复生成”，只要有一个关键参数你摸不到，一致性就无从谈起。我早期用过一个出图质量很惊艳的在线服务，前五张图惊艳，第六张开始脸就变了，而且我完全不知道为什么会变，这种黑盒体验对做剧来说是灾难。

所以我的主力工作流是节点式的本地生成环境：图像生成、参考图注入、局部重绘、批量抽帧都在同一套流程里，参数全部可见可存。视频生成这一段，如果本地显存吃得消就本地跑，吃不下就用云端，但必须支持首帧和尾帧同时输入——这个功能是后面降低重生成次数的关键，没有它，成本会失控。

提示：工具链不要频繁更换。我见过太多人每周换一套新工具，结果三个月下来一套完整工作流都没沉淀下来。选定一套，把参数表、提示词模板、资产库全部围绕它建起来，比追新重要得多。

2. 角色一致性：把“同一个人”锁死的四道闸门

这是整个AI真人短剧里最硬的技术问题，也是决定你能不能做连载的唯一门槛。我先说清楚一件事：不存在“一次性解决”的方案，所有号称能完美保持一致的教程，本质上都是在多个环节上叠加约束，把漂移概率从80%压到5%以内。你要做的是建一条防线，而不是找一把钥匙。

2.1 脸为什么会漂：先定位漂移的四个来源

不理解漂移的成因，你调的每个参数都是瞎猜。我复盘了自己早期的失败案例，漂移基本来自四个地方：

第一，文本描述本身有歧义。“二十多岁的年轻女性”这种描述，模型每次理解都不一样。你必须在提示词里把发型长度、刘海走向、脸型、眉形、瞳色、肤色、妆容浓淡全部写死，而且要写成固定顺序的模板，一个字都不要改。

第二，随机种子变了。这是最容易被忽略的。同一个提示词配不同种子，出来的就是两个人。做剧的时候，主角的每一个镜头都应该绑定一组固定种子区间，而不是随手点生成。

第三，参考图权重给得不对。权重太低（0.3以下）模型基本无视参考图；权重太高（0.85以上）会导致画面僵硬、构图被参考图锁死、换个角度就崩。实测下来，正面半身镜头用0.55到0.65，侧脸和全身镜头用0.45到0.55，是比较舒服的区间。

第四，场景光影的干扰。同一个角色放在暖光咖啡馆和冷光医院里，肤色和五官立体感会明显不同，观众会觉得“不像”。这不是模型的问题，是物理上就该不一样，但观众不管这个。解法是后期统一调色，第3章会讲。

把这四个来源列清楚之后，你会发现一致性其实是一个工程问题，不是玄学。

2.2 第一道闸门：建一个够用的角色资产库

动手生成任何一集之前，先花两三个小时把主要角色的资产库建起来。这是整个流程里投资回报率最高的一步，我现在的习惯是角色没建库就不许开工。

资产库至少包含以下内容，缺一项后期就要返工：

• 三视图基准：正面、侧面45度、正侧面各一张，统一灰底、统一光照、统一服装、无遮挡、无配饰干扰。
• 表情库：中性、微笑、惊讶、愤怒、悲伤、挑眉六个基础表情，每个表情至少两张，用来做镜头情绪的过渡。
• 半身与全身：注意全身图要额外准备站姿和坐姿，服装褶皱和鞋子细节要一致。
• 光影参考：同一角色在暖光、冷光、逆光下的三张参考，方便后期调色时对齐。
• 细节特写：眼睛、手部、发型分缝各一张，专门用来救急。

建库的时候有个细节特别重要：所有参考图必须是同一套服装、同一发型、同一妆容。我早期偷懒，用了一张戴耳环的图做参考，结果后面所有镜头里角色耳朵上都有个模糊的金属块，怎么去都去不掉，因为模型把它当成角色特征了。

注意：资产库图片的分辨率不要低于1024×1024，背景尽量干净。背景越乱，模型越容易把背景元素误判成角色特征，这是“人物身上莫名多出一条纹路”这类问题的常见原因。

2.3 第二道闸门：参考图注入的权重与搭配

有了资产库，接下来是把参考图“喂”进生成流程。这一步的核心是控制权重和组合方式。

我常用的组合是这样：一张正面半身图作为主参考，权重0.6；一张侧脸图作为辅助参考，权重0.35；如果当前镜头是全身，再加一张全身图，权重0.4，同时把主参考权重降到0.5。这样做的逻辑是——主参考定脸，辅助参考定角度，全身图定比例，三者分工明确，不会互相打架。

如果同时把三张图权重都给到0.7以上，画面会明显发灰、细节糊成一团，因为模型在几组互相矛盾的特征之间反复妥协。这个坑我踩过不止一次，症状很好认：人物五官轮廓还在，但皮肤质感像磨皮过度的老照片。

提示词模板我建议固定成一个结构，顺序不要变：

[角色ID固定描述段] + [当前镜头景别与角度] + [表情与动作] + [服装细节] + [场景与光线] + [画质与风格后缀]

举个具体的写法，角色描述段固定为一段60字左右的白描，每次原样复制，只在后面的段落做替换。这种“半模板化”的写法，比每次重新组织语言稳定得多。

2.4 第三道闸门：小规模微调模型的数据配比

当你的角色要演10集以上，光靠参考图注入是不够的，因为权重调低了锁不住，调高了构图死板。这时候就需要给角色单独训练一个小模型（LoRA）。这一步听起来很技术，实际操作门槛不高，难的是数据配比。

我试过好几轮，最后稳定下来的配置是这样的：

过拟合是这一步最大的坑。症状是：生成的人物确实很像，但永远只有一种表情、一个角度、一种光照，稍微换个场景就崩。判断方法是拿训练集里没有的角度去测，如果侧脸一塌糊涂，说明数据配比偏了，得补侧脸图重训。

配置文件大致长这样，具体字段名按你用的框架调整：

network_dim: 16 network_alpha: 16 learning_rate: 1.0e-4 text_encoder_lr: 5.0e-5 unet_lr: 1.0e-4 batch_size: 1 max_train_epochs: 12 save_every_n_epochs: 3 resolution: "1024,1024" shuffle_caption: true keep_tokens: 1

keep_tokens: 1这个参数值得单独说一句，它保证触发词不会被随机打乱位置，对角色稳定性有实打实的帮助。很多人忽略这个参数，结果训练出来的模型时灵时不灵。

2.5 第四道闸门：生成后的筛选与人工回修

前面三道闸门做完，一致性能到85分左右，剩下15分靠人工回修。这一步没有捷径，但可以流程化。

我的做法是每个镜头生成4到6张候选，按三个维度快速筛：脸像不像、手有没有崩、构图能不能用。三秒内判断，不要犹豫，因为犹豫的时间成本远超重生成。筛出来的图如果只是局部问题，比如手崩了、耳环多了、衣服图案错了，就用局部重绘修，不要整张重生成——整张重生成有概率把脸也一起改了。

局部重绘的蒙版要稍微画大一点，边缘留出15到20像素的过渡区，否则修完的地方会和周围有一道明显的接缝。重绘强度控制在0.5到0.65之间，太低修不动，太高会把周围的皮肤质感带跑。

还有一个救急手段：换脸式回修。当你有一张构图完美但脸跑偏的图，可以用角色资产库里的标准脸做一次面部替换，再轻微融合。这条路能救回不少废片，但它会损失一点皮肤细节，所以只作为兜底，不要当成主力。

3. 从分镜到成片：一条能跑通的流水线

工作流搭起来之后，最怕的是“哪里都能改”。我的原则是每个环节只允许往下走，不允许回头改上游。分镜定了就不改剧本，关键帧定了就不改分镜，视频生成完了就不改关键帧。这个纪律听起来死板，但它能把返工率压下去一大截。

3.1 分镜表的颗粒度决定成败

分镜表不是给导演看的，是给生成流程看的。所以它必须包含机器能直接读懂的字段。我用的字段是七个：镜号、景别、时长、画面描述、台词、运镜、情绪。

其中“画面描述”这一栏，要写到能直接转成提示词的程度。比如不能写“女主在咖啡馆等人”，要写成“中景，女主坐在靠窗位置，右手扶杯，视线看向画面左侧，午后侧逆光，浅景深，背景虚化的其他客人”。区别在于前者模型要猜，后者模型只需要执行。

“时长”这一栏也有讲究。AI生成的视频片段，单段超过5秒就容易出现动作漂移和肢体扭曲，所以我所有镜头都控制在3到5秒，长镜头靠后期拼接。这不是妥协，是当前技术条件下的最优解。

3.2 首尾帧策略：把重生成次数压下来的关键

这是我认为整个流程里最值得学的一个技巧。传统做法是给一张首帧图，让模型自由发挥生成5秒视频，结果经常是动作方向不可控、结尾姿势崩坏，只能重生成。

首尾帧策略是：同时提供这个镜头的第一帧和最后一帧，让模型在两者之间插值运动。这样做有三个好处。第一，运动方向可控，因为终点是定死的；第二，结尾不会崩，因为最后一帧是你精心挑过的；第三，重生成次数从平均5次降到1.5次左右。

代价是你需要为每个镜头多准备一张尾帧图，图像生成的工作量增加约60%。但图像生成比视频生成便宜得多，这笔账怎么算都划算。

准备尾帧的时候有个细节：首尾两帧的人物位置偏移不要超过画面宽度的20%，背景元素位置也要基本对齐。偏移太大，模型插值时会画出诡异的中间状态，比如人物突然多出一条手臂。

3.3 图生视频的参数与运镜控制

视频生成的参数比图像生成敏感得多，稍微调过头就崩。我这边稳定下来的区间是这样：

• 运动幅度：拉到满值的30%到40%。这是最关键的参数，超过50%几乎必崩，尤其是手部和快速转头。
• 帧率：24帧起步，做慢动作或需要后期变速的镜头用30帧。
• 分辨率：1280×720够用。1920×1080的生成耗时大约翻倍，而短剧在手机端播放，720p和1080p的观感差异远小于成本差异。
• 单段时长：3到5秒，超过5秒必须拆段。
• 运动提示词：要写“缓慢”“轻微”“平稳”这类限定词，不要写“快速转身”“奔跑”这种。

运镜方面，AI目前最擅长的是缓慢推近、缓慢横移、轻微手持晃动这三种。复杂运镜比如环绕、跟拍、变焦，成功率很低，建议用后期缩放和位移来模拟，效果反而更稳。我做过对比，同一个镜头，AI直接生成环绕运镜的成功率不到三成，而用一张图加后期关键帧做缓慢环绕，成功率接近百分之百，只是会损失一点立体感。

3.4 先音后画：配音与口型的对齐逻辑

口型对不齐是AI短剧最容易被观众吐槽的点，也是“廉价感”的主要来源。我的解法是先配音，再生成画面，而不是反过来。

流程是这样：剧本定稿后立刻进棚录音（或者用语音合成），拿到每一句台词的精确时长，然后按这个时长去定分镜的镜头长度，最后才生成视频。这样生成出来的视频，嘴部动作只需要做“大致贴合”，不需要做“精确匹配”，难度下降一个量级。

如果已经生成了视频才发现口型对不上，也有补救办法：用驱动类工具，输入音频和视频，让它重新驱动嘴部区域。这条路能救，但会有轻微的嘴部模糊，特写镜头慎用。

配音这块还有个经验：不要用单一的合成音色贯穿全剧。同一个角色在不同情绪下的语速、停顿、尾音都要有变化，否则观众听两集就出戏。我的做法是每个主要角色准备两到三套音色参数（平静、激动、低落），按场景切换。这套参数调起来麻烦，但一旦调好可以复用几十集，非常值。

3.5 剪辑与统一调色：廉价感的最后一刀

很多AI短剧看着“假”，问题不在生成，在剪辑。我总结了三个最影响观感的点。

第一是节奏。AI生成的片段往往“太完整”，每个镜头都有头有尾，剪在一起就显得拖沓。解决办法是把每个镜头的头尾各切掉0.2到0.4秒，只留中间最有力的部分。这一刀下去，节奏立刻紧凑。

第二是统一调色。不同镜头的光线、色温、对比度天然不一致，必须用统一的调色预设拉平。我的做法是先选一个基准镜头，调出目标风格，把这套参数存成预设，然后批量套到所有镜头上，再逐个微调。调色这一步能把“拼凑感”消掉大半。

第三是音效层。这是最容易被忽略、但提升质感最快的一环。环境音（咖啡机、街道、雨声）、动作音（杯子放下、脚步、开门）、情绪音（低频铺底）三层叠上去，画面的“真实感”会明显提升。我用命令行批量处理音频的时候，常用这样一条命令做响度统一：

ffmpeg -i input.wav -af "loudnorm=I=-16:TP=-1.5:LRA=11" -ar 48000 output.wav

I=-16是目标响度，短视频平台普遍在这个区间，TP=-1.5是峰值限制，防止爆音。批量跑的时候写个循环就行，比一个个手动调快得多。

4. 踩坑实录：常见故障的排查表

这一章全是我自己撞过的墙。AI生成有个特点：同一个故障现象，可能由完全不同的原因导致，所以排查必须按顺序来，不能跳步。

4.1 画面类故障：脸不像、手崩了、构图怪

脸不像是最常见的。排查顺序是：先看种子是否固定，再看参考图权重是否被场景描述压过，最后看是不是服装或发型变了。我遇到过一种很隐蔽的情况——提示词里写“穿着白色衬衫”，但资产库参考图里角色穿的是米色，模型在两种颜色之间反复横跳，脸也跟着糊了。这种问题只能靠“提示词与参考图严格一致”来避免。

手部崩坏目前没有完美解法，只有缓解方案。第一，构图尽量避开手部特写，用道具遮挡（拿杯子、插口袋、扶栏杆）；第二，生成时在手部区域加负面提示；第三，实在不行就局部重绘，重绘时把手指数量写进提示词。我现在的习惯是分镜阶段就规避手部大特写，这个习惯让我的返工率降了至少三成。

构图怪通常是因为参考图权重过高，把参考图的构图也一起锁死了。症状是无论怎么改提示词，人物永远在画面同一个位置。解法是把参考图权重降到0.5以下，或者换一张构图更中性的参考图。

4.2 视频类故障：闪烁、变形、动作诡异

画面闪烁是图生视频里最烦人的问题，表现为整体亮度或颜色逐帧跳动。原因通常是生成时的一致性约束不足，或者分段生成后拼接处的参数不一致。解法有两个：一是把运动幅度降下来，闪烁程度会明显减轻；二是后期加一层轻微的时域降噪，能压掉大部分跳动。

人物变形（脸逐渐扭曲、四肢拉长）几乎都发生在单段超过5秒的片段里。这个没什么好商量的，拆段。我现在的标准是宁可多生成两段再拼，也不做长段生成。

动作诡异，比如人物走路像滑行、转头转了一半卡住，通常是运动提示词写得太具体。AI对“走三步然后停下转身”这种精确指令的理解能力很弱，你写“缓慢移动”反而效果更好。这一点挺反直觉的，但实测下来确实如此。

4.3 音频类故障：口型错位、音画不同步、音量忽大忽小

口型错位在第3章讲过，核心解法是先音后画。如果已经错位了，用驱动工具重新对，但对特写镜头慎用。

音画不同步在拼接多段视频时特别常见，原因是每段视频的实际帧率和标称帧率有细微差异。解法是在剪辑软件里统一所有片段的帧率，再做拼接，不要依赖自动对齐。

音量忽大忽小是配音和音效分层叠加时的典型问题。我的处理顺序是：先统一所有配音的响度，再统一音效响度，最后整体混音时再做一次总线压缩。顺序反了，怎么调都不对。

提示：每次改完一个参数，只改一个，然后生成三张图对比。同时改三个参数再对比，你永远不知道是哪个起了作用。这个习惯看着笨，但它是把“玄学调参”变成“可控工程”的唯一办法。

5. 商业变现：把作品变成收入的几条路

技术跑通之后，绕不开的问题是钱从哪来。我把接触到的变现路径按“启动难度”和“收入稳定性”两个维度排了一下，这个排序和你想象的可能不太一样。

5.1 流量分成：门槛最低，但别当成主业

平台创作者激励是最容易上手的路径，作品发出去有播放就有分成。但它的问题也很明显：单价不透明、波动极大、且高度依赖平台推荐。我见过同一条片子在不同账号上播放量差十倍的情况，原因可能只是发布时间差了半小时。

把它当什么？当成免费的流量测试工具。你发十条不同题材的片子，看哪条数据好，就知道观众吃哪一套，这个信息比那点分成值钱得多。我早期的选题方向基本是靠这个方法试出来的，试错成本几乎为零。

真要在这条路上多赚一点，有两个可操作的点：一是控制单集时长在平台推荐权重较高的区间（通常60到120秒），二是保持更新频率稳定，算法对稳定更新的账号更友好。

5.2 定制商单：目前最实在的收入来源

品牌方、本地商家、知识付费从业者，对“一分钟讲清楚一件事”的短剧有真实需求。这类单子的特点是：需求明确、预算可谈、交付周期短。

报价上我接触到的区间大概是这样，具体看画面复杂度和修改次数：

报价里必须写清楚修改次数，这是最容易扯皮的地方。我现在的合同模板里固定写“含两轮修改，第三轮起按工作量另计”。不写这条，一个单子能拖你半个月。

还有一点经验：先给对方看样片，再谈价格。AI短剧这个东西，客户看文字描述想象不出来，看完样片接受度立刻不一样。样片不用做完整，30秒精华片段就够。

5.3 系列IP与衍生：慢，但天花板高

如果你的人物立住了，观众记住了这张脸，那价值就不在单条片子上了。可以延伸的方向包括：角色形象授权做周边、把工作流打包成课程或模板售卖、承接同类型的长期内容代运营。

这条路的问题在于周期长。一个角色要让观众记住，至少需要稳定更新20到30集，按一周两集算就是三四个月。这期间基本没有收入，纯投入。所以我建议的做法是：用商单养活自己，用业余时间养IP，两条腿走路，别把身家押在IP上。

还有一个务实的变现点是卖工作流本身。你踩过的坑、调好的参数、建好的模板，对刚入门的人是有价值的。这块的收入不稳定，但边际成本极低，做一次可以卖很久。

5.4 定价与交付里的几个实操细节

第一，不要按“AI生成很快”来定价。客户不关心你用什么工具，他关心的是成片效果和交付时间。按分钟报价、按条报价都行，就是别按“生成次数”报价，那会让你越做越亏。

第二，交付物清单要写死。成片、字幕文件、封面图、源工程文件（可选），这四项分开列清楚。很多人栽在“客户临时要源文件”上，给也不是不给也不是。

第三，预付款比例不低于50%。AI短剧的返工率天然偏高，没有预付款的单子风险太大。

第四，留一份自己的素材库。每次做完商单，把可复用的场景、道具、光影预设整理归档。做够十个单子之后，你会发现新单子的制作时间能压到最初的三分之一，这部分省下来的就是纯利润。

6. 素材合规与风险自查：别让片子死在发布前

这一章不讲大道理，只讲操作层面能做的自查动作。AI短剧因为生成过程不透明，很容易在素材来源上出问题，等发布之后被下架或者限流，前面的功夫全白费。

6.1 素材来源留痕：一个文件夹解决大半问题

我的习惯是每个项目建一个_source文件夹，里面按日期存放所有原始素材：参考图、配音文件、音效、字体、贴图，每一项都记录来源和授权方式。这个动作看起来很琐碎，但它是唯一能在事后证明“我用的是什么东西”的办法。

具体的自查清单：

• 参考图是否为自己拍摄或已获授权的素材，避免直接使用他人照片做人脸参考。
• 音效和背景音乐是否来自可商用曲库，注意区分“免费试听”和“可商用授权”。
• 字体是否可商用，很多系统自带字体在商用场景是有使用限制的。
• 生成的角色形象是否与真实存在的公众人物高度相似，这一点必须主动规避。

6.2 人物形象的“去真实化”处理

AI生成真人形象，最大的风险点是撞脸。你随手生成的一张脸，可能和某个真实存在的人高度相似，而这种相似是无意造成的，但后果要你承担。

我的处理办法是：生成角色时，在提示词里刻意加入一些非典型特征，比如轻微不对称的眉形、特定的痣的位置、非常规的发际线走向。这些细节能让角色“脱离大众脸”，同时也降低了撞脸概率。建库完成后，我会把角色的正面图做一次反向检索，确认没有明显重合再投入使用。

另外，如果片子里出现任何真实机构、真实场所的标识，一律在后期抹掉或者替换成虚构名称。招牌、门牌、制服上的字样，这些细节最容易被忽略，也最容易出问题。

6.3 发布前的三分钟自查

我现在每条片子发布前固定走一遍这个流程，三分钟能走完，但能避开绝大部分麻烦：

第一，通读一遍台词和字幕，确认没有歧义表述、没有可能引发误解的用词。第二，检查画面里有没有不该出现的文字、标识、二维码。第三，按平台要求标注AI生成内容，这一步不要省，主动标注反而能减少后续争议。第四，确认片子里的人物、场景、情节均为虚构，且不与现实中的真实事件、真实人物对应。

注意：涉及医疗、金融、教育等专业领域的内容，即使包装成短剧，也要格外谨慎。这类题材的表达边界比娱乐类窄得多，我现在的做法是直接不碰，把精力放在生活情景、职场日常、情感故事这些相对安全的赛道。

7. 我个人的几条经验总结

最后说几条不在流程里、但我觉得更有价值的东西。

第一条，先做完一条烂片，再谈优化。我见过太多人卡在“角色一致性还没调到完美所以不敢开工”，结果三个月过去一条片子都没有。正确的顺序是：用60分的一致性做完一条完整的片子，走通全流程，然后再回头优化一致性。因为流程里每个环节的坑是相互关联的，你不走完一遍，根本不知道哪个环节最值得优化。

第二条，把参数表当成核心资产。我现在有一个表格，记录了每个角色、每种场景、每种光线下的完整参数组合：种子、权重、步数、提示词全文。这个表比任何工具都值钱，因为它是我几个月试错换来的。换工具的时候，这张表可以迁移过去大半。

第三条，别迷信“一键生成”。市面上所有号称全自动的工具，做出来的东西都长一个样，观众一眼就能认出来。真正拉开差距的是分镜设计、节奏控制、音效层次这些“手工活”。AI负责的是把制作成本降下来，不是把创作判断也替你做掉。

第四条，控制单条片子的野心。90秒能讲清楚一个反转就够了，别想着在一条片子里塞三条线索。AI短剧的观众注意力极其有限，前3秒抓不住人，后面做得再好也没人看。我现在的习惯是把最抓人的画面放在第1秒，把最大的信息量压在前8秒，这个习惯让完播率提升很明显。

如果这套流程你跑到第三、第四条片子还是觉得卡，大概率不是技术问题，是分镜阶段偷懒了。回头把分镜表逐条拆细，把每个镜头的画面描述写到“模型不需要猜”的程度，问题通常就解决了。