1. 先把“兩小時”這件事拆開看這條流水線到底在跑什么兩小時做一條AI真人短劇這話我第一次聽也覺得是吹牛。真上手跑了幾輪才發(fā)現(xiàn)卡時間的從來不是生成速度而是動手之前那半小時的猶豫——角色長什么樣沒定、臺詞改到第八版、首幀圖出來不滿意又推翻重來。所以這篇我不打算從“點哪個按鈕”講起而是先把整條流水線的時間賬算清楚你才知道哪一步該快、哪一步不能省。先說清楚概念。這里講的AI真人短劇指的是用AI生成寫實向人物畫面、再配上配音與剪輯做成一條有起承轉(zhuǎn)合的豎屏短視頻通常30秒到90秒人物看起來像真人拍攝而不是卡通或三維渲染。它解決的核心問題是一個沒有演員、沒有場地、沒有攝影器材的人能不能在半天內(nèi)產(chǎn)出一條看起來“像那么回事”的劇情短片。答案是可以但前提是你把工作流拆對了。為了讓內(nèi)容對任何人都能復(fù)現(xiàn)下文不綁定具體產(chǎn)品統(tǒng)一用三個代稱對話式AI助手負(fù)責(zé)寫劇本、分鏡、改臺詞我用的是常見的國產(chǎn)大模型對話工具同類產(chǎn)品流程完全通用、AI視頻生成平臺負(fù)責(zé)文生圖、圖生視頻、部分平臺還帶口型同步、桌面剪輯軟件負(fù)責(zé)拼接、字幕、配樂、調(diào)色。這三類工具市面上都有多個選擇選哪家不影響流程骨架只影響手感和出片風(fēng)格所以你完全可以按自己順手的來替換。適合誰看想試水短劇但沒團(tuán)隊的個人創(chuàng)作者、做賬號內(nèi)容需要批量產(chǎn)出的運(yùn)營、以及被“AI短劇”這個詞吸引但一直不知道從哪下手的新手。如果你已經(jīng)能穩(wěn)定出片這篇里關(guān)于角色一致性和鏡頭節(jié)奏的部分應(yīng)該還能挖到點東西。注意本文所有參數(shù)、時長、比例都來自我自己的實操記錄不同平臺版本更新后數(shù)值會變看邏輯比抄數(shù)字重要。1.1 三個環(huán)節(jié)、四種素材缺一不可把整條鏈路壓縮到最簡其實只有三個環(huán)節(jié)寫清楚要拍什么、把畫面生成出來、把碎片縫成一條片子。圍繞這三個環(huán)節(jié)你需要產(chǎn)出四種素材這四種素材構(gòu)成了整條片子的骨架素材類型產(chǎn)出環(huán)節(jié)關(guān)鍵要求缺失后果分鏡腳本表劇本環(huán)節(jié)每鏡頭一句話畫面一句臺詞生成時全靠現(xiàn)編風(fēng)格亂飄角色定妝圖造型環(huán)節(jié)正臉清晰、光線均勻、背景干凈每個鏡頭像換了演員視頻片段生成環(huán)節(jié)單鏡2-5秒、動作幅度可控剪輯時無米下鍋配音音軌配音環(huán)節(jié)語速統(tǒng)一、情緒貼合臺詞口型對不上、節(jié)奏拖沓這四樣?xùn)|西里最容易被人跳過的是第一樣。我見過太多人直接打開生成平臺腦子里想著“一個女孩在雨里回頭”然后生成出來發(fā)現(xiàn)不知道該接什么鏡頭。分鏡腳本的意義不是讓你顯得專業(yè)而是把“想象力”提前固化成可執(zhí)行的指令——你寫下來的每一行后面都會對應(yīng)一次生成任務(wù)寫不清就是白燒額度。1.2 為什么我堅持“圖生視頻”而不是“文生視頻”這是整條流水線里最重要的一個技術(shù)選擇值得單獨說。文生視頻是直接給一段文字描述讓平臺吐出動態(tài)畫面圖生視頻是先出一張滿意的靜態(tài)圖再讓這張圖動起來。我踩過的坑是這樣的早期用文生視頻做連續(xù)劇情同一個角色在第一鏡是短發(fā)圓臉第二鏡變成長發(fā)尖臉第三鏡干脆換了性別。因為純文字描述里“二十多歲亞洲女性”這種詞模型每次理解的都不一樣你對角色的控制力幾乎為零。圖生視頻把這個問題解決了一大半——你先把角色的“定妝照”定死后面每個鏡頭都以這張臉為基礎(chǔ)去生成人物一致性立刻上了一個臺階。代價是多了一道出圖工序但這一道工序省下來的重試時間遠(yuǎn)遠(yuǎn)超過它本身的耗時。我的經(jīng)驗是做劇情類內(nèi)容圖生視頻的成功率大概是文生視頻的兩到三倍尤其是需要同一角色連續(xù)出鏡的短劇。還有一層原因跟剪輯有關(guān)。圖生視頻的每一段都是從一張確定的構(gòu)圖開始運(yùn)動的你能預(yù)判畫面里人物站在哪個位置、朝向哪邊。文生視頻的畫面構(gòu)圖是隨機(jī)的兩個鏡頭接在一起經(jīng)常出現(xiàn)人物突然跳到畫面另一側(cè)剪輯時你只能靠加轉(zhuǎn)場硬遮觀感很廉價。1.3 兩小時的時間預(yù)算怎么分不給時間表兩小時就是句空話。我實際跑下來的分配大致是這樣環(huán)節(jié)計劃耗時實際容易超時的地方選題分鏡腳本25分鐘臺詞反復(fù)改越改越長角色定妝圖15分鐘糾結(jié)臉型細(xì)節(jié)出圖幾十張分鏡首幀圖30分鐘場景不一致反復(fù)重出圖生視頻35分鐘動作崩壞單鏡重試五六次配音10分鐘語速調(diào)不順剪輯合成25分鐘字幕校對、卡點對不齊導(dǎo)出與檢查5分鐘忘了看首幀和結(jié)尾加起來大概145分鐘留一點余量剛好兩小時出頭。關(guān)鍵在于圖生視頻和出圖環(huán)節(jié)要學(xué)會“排隊并行”平臺生成一段五秒視頻通常要等一到三分鐘這段時間不要干等著刷手機(jī)去寫下一鏡的描述、去調(diào)配音稿把等待時間填滿實際體感時間能砍掉三分之一。我個人的硬規(guī)矩是任何一個鏡頭重試超過五次就換方案。不是換提示詞是換構(gòu)圖、換景別、換動作方向。因為在同一個方向硬磕往往越磕越崩而換個角度描述經(jīng)常一次就過。這條規(guī)矩幫我省下的時間比任何技巧都多。2. 劇本與分鏡把“靈感”翻譯成機(jī)器能讀懂的表格很多人以為AI寫劇本就是丟一句“幫我寫個短劇”然后等它吐一篇小說出來。那樣出來的東西沒法用因為它寫的是文學(xué)你要的是可執(zhí)行的拍攝指令。這兩者的差別就像“一個失落的男人走在街上”和“中景男性三十歲灰襯衫低頭從畫面左側(cè)向右側(cè)走背景虛化的便利店霓虹”——前者是情緒后者是參數(shù)。所以在對話式AI助手這邊我用的不是“寫劇本”的提示詞而是“寫分鏡表”的提示詞。核心思路是把輸出格式提前鎖死讓它沒機(jī)會發(fā)散。我通常會給它一段結(jié)構(gòu)化的指令明確要求輸出表格列包含鏡號、時長、景別、畫面描述、臺詞、音效備注。這樣拿到的結(jié)果可以直接貼進(jìn)表格里當(dāng)工作清單用。2.1 一個能直接抄的分鏡提示詞結(jié)構(gòu)我常用的提示詞骨架大致是這五段順序不要亂角色設(shè)定幾個人、什么關(guān)系、外形特征、服裝要具體到顏色和材質(zhì)因為后面出圖要用場景設(shè)定發(fā)生在哪、時間、光線條件、畫面整體色調(diào)劇情要求一句話核心沖突加一個明確的結(jié)尾落點時長與鏡頭數(shù)比如“總時長60秒拆18到22個鏡頭單鏡不超過5秒”輸出格式表格字段固定禁止輸出額外說明文字第五段特別關(guān)鍵。不加“禁止輸出額外說明”它會給你寫一段“本劇本講述了……”的導(dǎo)語你得手動刪。加了之后拿到的就是干凈的表格直接能用。還有個小技巧把臺詞長度也用字?jǐn)?shù)約束住。我一般要求單句臺詞不超過18個字。原因是豎屏短劇的節(jié)奏極快一句話超過20字配音出來觀眾就跟不上了而且字幕一屏放不下要折行觀感直接崩。這個約束讓AI在寫的時候自動壓縮表達(dá)出來的臺詞反而更有沖擊力。2.2 分鏡表里那幾個必須盯死的字段表格拿到手不要直接開工先逐列檢查。我見過的新手最常犯的錯是只看“臺詞”列把“畫面描述”當(dāng)成裝飾。實際上畫面描述才是決定成敗的那一列。景別字段要檢查是否有變化。如果二十個鏡頭全是中景成片會像監(jiān)控錄像。合理的節(jié)奏是開場用全景或中景交代環(huán)境沖突升級時切近景甚至特寫情緒落點用大特寫轉(zhuǎn)場用空鏡。我自己總結(jié)的一個粗略比例是一條60秒的片子里中景占一半、近景三成、特寫和空鏡各占一成左右。畫面描述字段要檢查是否包含可執(zhí)行的視覺元素。合格的描述應(yīng)該能回答人物在畫面哪個位置、朝向哪邊、做什么動作、背景是什么、光從哪來?！八軅摹辈缓细瘛芭越巧诘匕迳媳晨可嘲l(fā)低頭雙手抱膝右側(cè)窗戶透進(jìn)冷光”才合格。時長字段要檢查總和是否對得上。AI經(jīng)常把每個鏡頭都寫成五秒二十個鏡頭就是一百秒跟你要求的六十秒差遠(yuǎn)了。拿到表先算總和超了就砍鏡頭別指望剪輯時壓縮——素材生成出來是固定長度你只能剪短不能拉長。注意分鏡表里的“音效備注”列不要留空。哪怕只寫“關(guān)門聲”“雨聲”“心跳”后期剪輯時這一列能幫你省掉大量翻素材的時間。2.3 臺詞要按“說出來的感覺”改一遍AI寫的臺詞有個通病書面語太重主語齊全、邏輯完整讀起來像新聞稿。真人說話不是這樣的——會省略、會重復(fù)、會答非所問。我的做法是拿到臺詞后用朗讀測試過一遍自己出聲念凡是念著別扭的地方就改。比如“我認(rèn)為你應(yīng)該重新考慮這個決定”改成“你再想想”字?jǐn)?shù)少了情緒反而更足。這個動作花不了五分鐘但對成片質(zhì)感的提升非常明顯因為配音是觀眾唯一能百分百聽懂的信息通道臺詞別扭整條片子的可信度就沒了。另外我會刻意在臺詞里放一到兩個口語碎詞比如“行吧”“你知道吧”“算了”。這些詞在書面表達(dá)里是噪音在短劇里是真實感的來源。當(dāng)然不能濫用一條60秒的片子里出現(xiàn)三四次就夠多了顯得啰嗦。還有一點結(jié)尾那句臺詞單獨打磨。短劇的完播率和結(jié)尾強(qiáng)相關(guān)最后一句要么是反轉(zhuǎn)、要么是鉤子、要么是一句能讓人想評論的話。這句我通常不用AI的原稿自己重寫因為它決定了這條片子有沒有人愿意看完。3. 角色一致性整條片子最貴的一環(huán)如果說整條流水線有一個地方值八成的時間那就是這里。觀眾可以接受畫面不夠精致、可以接受運(yùn)鏡簡單但絕對接受不了“同一個角色每個鏡頭長得不一樣”。一旦臉變了觀眾立刻出戲你前面所有的努力歸零。角色一致性的本質(zhì)是讓模型在每一次生成時都能拿到足夠強(qiáng)的“這個人長這樣”的信號。信號越強(qiáng)一致性越高。文生視頻時代我們只能靠文字描述信號弱得可憐圖生視頻時代我們有了參考圖信號強(qiáng)度直接上了一個量級。但參考圖也有講究不是什么圖都能當(dāng)參考。3.1 定妝圖的四個硬指標(biāo)我總結(jié)的定妝圖標(biāo)準(zhǔn)是四條缺一條后面都會出問題指標(biāo)具體要求不達(dá)標(biāo)的表現(xiàn)正臉為主臉部占畫面高度1/3以上五官清晰側(cè)臉、遠(yuǎn)臉生成時五官漂移光線均勻無明顯高光和死黑柔光為主強(qiáng)陰影被當(dāng)成面部結(jié)構(gòu)生成后臉變形背景干凈純色或簡單虛化無雜亂元素背景元素被誤認(rèn)為服裝或道具表情中性不笑不怒嘴角自然極端表情被固化后續(xù)鏡頭全是一個表情這四條里最容易被忽略的是“表情中性”。我早期做過一版定妝圖人物微微笑著很好看結(jié)果后面所有鏡頭——吵架、哭、驚訝——都帶著那個微笑怎么描述都改不掉。模型把笑容當(dāng)成了這個人物的固有特征。后來改成中性表情的定妝圖情緒才重新變得可控。光線那條也值得多說一句。很多人喜歡用帶強(qiáng)烈側(cè)光的定妝圖覺得有質(zhì)感。但強(qiáng)側(cè)光會在臉上留下明顯陰影模型在后續(xù)生成時會把這個陰影當(dāng)成面部結(jié)構(gòu)的一部分稍微換個角度臉就塌了。柔光、平光、正面打光才是定妝圖的安全區(qū)雖然看起來平淡但它給后續(xù)留了最大的操作空間。3.2 怎么用參考圖把臉“焊死”有了定妝圖下一步是讓每個鏡頭都帶上它。不同平臺的說法不一樣有的叫“參考圖”“角色參考”“人物一致性”本質(zhì)都是把定妝圖作為條件輸入。操作上有幾個細(xì)節(jié)第一參考權(quán)重不要拉滿。拉到最高生成出來的人物會僵硬像貼圖權(quán)重太低又管不住臉。我一般從中間值開始試效果不好再調(diào)。這個參數(shù)沒有通用值因為每張定妝圖的“信息強(qiáng)度”不同只能試。第二一次只鎖一個人。雙人同框的鏡頭最難搞兩張參考圖容易互相污染生成出來兩個人的五官混在一起。我的處理辦法是雙人鏡頭拆成單人鏡頭或者用“過肩鏡頭”“背影側(cè)臉”“一人虛焦一人實焦”這類構(gòu)圖規(guī)避正臉同時出現(xiàn)。這不是偷懶很多實拍短劇也是這么處理的觀眾根本不會注意。第三同一場戲的鏡頭批量生成。不要這一鏡用參考A、下一鏡換參考B。同一場戲里所有鏡頭用同一張參考圖、同一段角色描述把變量降到最低。等整場戲生成完再統(tǒng)一看效果發(fā)現(xiàn)偏差就整場重來比單鏡修補(bǔ)效率高得多。提示定妝圖我通常會出三到五張不同角度的正臉、四分之三側(cè)、全身存成一個文件夾。雖然主參考只用正臉那張但遇到特殊構(gòu)圖時可以換角度圖一致性會更好。3.3 服裝、場景和光線的連續(xù)性角色一致性不只是臉還有衣服和場景。這兩塊翻車更隱蔽因為觀眾不會立刻察覺但會莫名覺得“哪里不對”。服裝要在分鏡階段就定死寫進(jìn)每一鏡的畫面描述里。我通常會用一句固定的描述比如“深灰色針織開衫內(nèi)搭白色圓領(lǐng)”在每個鏡頭的描述里重復(fù)一遍。重復(fù)雖然啰嗦但比“她穿著深灰色開衫”這種簡寫管用得多因為后者在不同鏡頭里可能被理解成不同深淺的灰。場景的連續(xù)性靠一張“場景基準(zhǔn)圖”來保。同一場戲開始前我先出一張空鏡或全景把光線的色溫、墻面的顏色、家具的位置定下來后面所有該場景的鏡頭都參考這張圖。這一步花不了幾分鐘但能避免出現(xiàn)“前一個鏡頭是暖黃燈后一個鏡頭變成冷白光”的尷尬。光線方向是最后一塊。同一個空間里主光源方向必須一致否則兩個鏡頭剪在一起觀眾會潛意識覺得人物跳了位置。我的習(xí)慣是在分鏡表備注列里寫一句“主光來自畫面左側(cè)”生成時帶上簡單但有效。4. 圖生視頻讓靜態(tài)幀動起來的參數(shù)心法首幀圖有了接下來是讓它動起來。這個環(huán)節(jié)最像“開盲盒”但只要把幾個變量控制住成功率能穩(wěn)定在一個可接受的水平。先說結(jié)論圖生視頻的質(zhì)量不取決于你的描述有多華麗而取決于你描述的“動作幅度”是否和畫面的構(gòu)圖匹配。4.1 描述運(yùn)動而不是描述畫面新手最常犯的錯是在圖生視頻的描述里重復(fù)首幀圖已經(jīng)包含的信息。比如首幀已經(jīng)是一個女孩站在雨里描述還寫“一個女孩站在雨里穿著白色連衣裙”。這些信息模型已經(jīng)從圖里讀到了你再寫一遍是浪費(fèi)甚至?xí)驗槲淖峙c圖像細(xì)微不符而讓畫面崩壞。正確的寫法是只描述“變化”人物做什么動作、鏡頭怎么運(yùn)動、環(huán)境有什么動態(tài)。我常用的描述結(jié)構(gòu)是三段式人物動作轉(zhuǎn)頭、抬手、向前走兩步、坐下、低頭鏡頭運(yùn)動鏡頭緩慢推近、鏡頭輕微右移、手持輕微晃動環(huán)境動態(tài)雨絲下落、窗簾飄動、光斑緩慢移動這三段里人物動作最關(guān)鍵也最容易崩。經(jīng)驗值是單鏡頭的動作幅度越小成功率越高。像“轉(zhuǎn)身”“回頭”“抬手”這種小幅動作基本兩三次內(nèi)就能出而“奔跑”“跳躍”“打斗”這種大幅度動作十次里能有一次可用就算運(yùn)氣好。所以我在分鏡階段就會刻意規(guī)避大動作。劇情需要沖突怎么辦用鏡頭運(yùn)動和剪輯來制造而不是讓人物在畫面里跑。比如“追”這個動作不拍奔跑拍“腳步特寫地面水花鏡頭快速橫移”剪在一起觀眾自動腦補(bǔ)出追逐感成本低還更有電影感。4.2 單鏡時長和鏡頭數(shù)的換算這是一個必須提前算清楚的賬。大多數(shù)平臺單次生成的視頻長度是固定的常見是5秒或10秒而你的成片是有總時長要求的。換算邏輯是成片時長 ÷ 單鏡有效時長 需要的鏡頭數(shù)注意是“有效時長”不是“生成時長”。因為一次生成5秒實際能用的往往只有中間2到3秒——開頭可能有半秒的靜止結(jié)尾可能有半秒的崩壞。所以做60秒的片子按每鏡有效3秒算需要20個鏡頭。這跟我在第2章說的18到22個鏡頭正好對上。這個換算的意義在于它決定了你要生成多少次。20個鏡頭按平均每個重試3次算就是60次生成任務(wù)。如果每次生成等2分鐘純等待時間就是120分鐘——這也是為什么我說必須并行。你不可能一個一個等必須是“提交一批、等的時候干別的事、回來收一批”。實際操作時我會一次性提交五到八個鏡頭然后去寫后面的臺詞或調(diào)配音稿等這批回來再提交下一批。這樣等待時間被工作填滿整體效率高很多。4.3 口型和配音的對齊問題這是短劇和普通AI視頻最大的差別觀眾要看人物說話?？谛蛯Σ簧铣鰬虺潭缺饶樧兞诉€嚴(yán)重。目前的處理路徑有三條各有取舍方案做法優(yōu)點缺點平臺自帶口型上傳音頻平臺自動對齊省事一次成型依賴平臺支持口型精度有限先音頻后生成先定配音按音頻節(jié)奏生成情緒和節(jié)奏最準(zhǔn)流程長重來成本高規(guī)避正臉說話用側(cè)臉、背影、畫外音完全避開風(fēng)險成本最低表演表現(xiàn)力受限我個人的組合是關(guān)鍵臺詞用第二條過渡臺詞用第三條能不用第一條就不用。原因很簡單——口型同步目前還是個概率問題十次里有兩三次會出詭異的效果嘴型錯位、牙齒糊成一團(tuán)而短劇里一旦出現(xiàn)一次觀眾就記住這個瑕疵了。用側(cè)臉和畫外音雖然保守但成片干凈。具體做法是分鏡階段就把臺詞分類標(biāo)出哪幾句必須正臉說、哪幾句可以畫外音。必須正臉說的控制在總臺詞量的三成以內(nèi)而且盡量安排在情緒高潮處——這時候觀眾注意力在情緒上對口型的容錯度反而更高。4.4 重試的判斷標(biāo)準(zhǔn)什么情況下該重試什么情況下該放棄我給自己的判斷標(biāo)準(zhǔn)是三條全部滿足才留用臉沒有變形五官位置正常沒有多出來的眼睛或融化感動作完整起勢和收勢都在畫面內(nèi)沒有突然截斷光線方向沒變跟首幀圖的主光源方向一致三條里有任何一條不滿足直接重試。不要抱著“剪輯時能蓋住”的僥幸心理——剪輯是用來講故事的不是用來修Bug的一個瑕疵鏡頭會讓整條片子的質(zhì)感掉一個檔次。5. 聲音三層結(jié)構(gòu)決定成片“像不像”畫面是骨架聲音才是讓觀眾相信的皮肉。我見過畫面精細(xì)但配音機(jī)械的片子觀眾三秒就劃走也見過畫面粗糙但聲音有質(zhì)感的片子完播率意外地高。聲音這塊分三層人聲、音效、背景音樂三層的處理邏輯完全不同。5.1 人聲語速和停頓比音色更重要選音色這件事很多人糾結(jié)半天其實音色的影響遠(yuǎn)沒有語速和停頓大。一個音色普通但節(jié)奏對的聲音聽起來比一個音色好聽但語調(diào)平的聲音舒服得多。我的經(jīng)驗參數(shù)語速比默認(rèn)稍快一檔。短劇節(jié)奏緊默認(rèn)語速容易顯得拖。但也不能快太多快了會丟失情緒。判斷標(biāo)準(zhǔn)是念一句18字的臺詞時長在2.5到3秒之間比較合適超過3.5秒就拖了。停頓是更關(guān)鍵的一層。TTS文字轉(zhuǎn)語音默認(rèn)會在標(biāo)點處停頓但現(xiàn)實中的情緒停頓不發(fā)生在標(biāo)點處而是發(fā)生在語義轉(zhuǎn)折處。我的處理辦法是在文本里手動插入停頓符或者干脆把一句長臺詞拆成兩段分別生成中間留白。比如“我不需要你解釋——我只需要你離開”中間那個破折號處要停半秒情緒才立得住。還有個小技巧同一段臺詞生成兩遍取更自然的那個。TTS有隨機(jī)性同一段文字兩次生成的重音位置可能不同有時候第二遍就明顯更順。這個動作幾秒鐘的事但效果差異肉眼可見。5.2 音效最便宜的真實感音效是投入產(chǎn)出比最高的一環(huán)。一個關(guān)門聲、一段雨聲、一次腳步能瞬間把畫面從“AI生成”拉回“實拍”的觀感。原因是觀眾的聽覺比視覺更敏感于“真實性”——畫面可以稍微失真聲音一旦空洞就立刻露餡。我的做法是給每個鏡頭至少配一個環(huán)境音哪怕畫面里看不出來源。室內(nèi)戲配空調(diào)低頻或時鐘走針室外戲配風(fēng)聲或遠(yuǎn)處車流走路配腳步。這些音軌音量壓得很低低到觀眾意識到不到它存在但一旦刪掉畫面立刻變得“死”。注意環(huán)境音要連續(xù)不能一句臺詞一個音效就斷。整場戲鋪一條連續(xù)的環(huán)境音底噪中間疊具體的動作音效這樣聽起來才是一個空間。5.3 音樂情緒拐點才進(jìn)背景音樂最容易用錯。新手的習(xí)慣是全程鋪一首BGM從頭響到尾。這樣做的結(jié)果是所有情緒被拉平觀眾感受不到起伏。我的用法是只在情緒拐點進(jìn)音樂。開場三秒可以有一小段音樂抓人然后迅速撤掉留出干凈的對白空間情緒轉(zhuǎn)折處沖突爆發(fā)、真相揭示、結(jié)尾反轉(zhuǎn)再進(jìn)進(jìn)的時候音量從零開始爬升比直接切進(jìn)來自然得多。選曲上我會優(yōu)先選節(jié)奏簡單、沒有人聲的曲子因為有人聲的曲子會和臺詞搶中頻聽起來糊。時長不夠就循環(huán)副歌部分別硬拉伸——拉伸會導(dǎo)致變調(diào)一聽就露餡。6. 剪輯合成把碎片縫成一條“劇”素材齊了最后一關(guān)是剪輯。這一步的難點不在軟件操作而在節(jié)奏判斷什么時候該切、每個鏡頭留多長、哪里該留白。這些決定了成片是“一堆AI片段”還是“一條劇”。6.1 時間軸的基本結(jié)構(gòu)我習(xí)慣先把所有片段按分鏡順序鋪上時間軸形成一條“粗剪”然后才開始修。粗剪階段只做一件事砍掉每個片段開頭和結(jié)尾的廢幀。AI生成的片段頭尾往往有半秒的靜止或崩壞不砍掉會顯得拖沓?？惩曛罂纯倳r長通常會比目標(biāo)短。這時候不要急著加鏡頭先看節(jié)奏——如果短了三五秒但節(jié)奏是緊的寧可接受也不要為了湊時長硬塞鏡頭。短劇的完播率對時長極其敏感多三秒可能就是完播率的斷崖。切點位置有個我一直在用的原則在動作發(fā)生的瞬間切而不是動作完成后切。比如人物抬手在手掌剛抬到一半時切到下一個鏡頭觀眾的大腦會自動補(bǔ)全剩下的動作這比完整展示動作流暢得多。這個技巧在實拍剪輯里叫“動接動”用在AI短劇上同樣有效。6.2 字幕樣式統(tǒng)一比好看重要字幕這塊我只強(qiáng)調(diào)三件事。第一字號和位置要固定。全片所有字幕用同一個字號、同一個位置不要因為某句話長就縮小。位置我一般放在畫面下方但要避開底部安全區(qū)——豎屏平臺底部通常有交互按鈕字幕壓上去會被遮擋。第二一屏一行最多兩行。超過兩行就要拆句。這也是我在劇本階段限制臺詞18字的原因18字在這個字號下正好一行放得下。第三自動識別之后必須人工校對。現(xiàn)在的識別準(zhǔn)確率已經(jīng)很高但同音字、人名、語氣詞還是經(jīng)常錯。一條60秒的片子大概三四句臺詞校對兩分鐘的事但錯一個字就夠觀眾在評論區(qū)笑半天。我踩過的最尷尬一次是把“我不怪你”識別成了“我不拐你”自己沒看出來直接發(fā)了。6.3 調(diào)色和整體觀感統(tǒng)一不同鏡頭生成出來的色彩傾向經(jīng)常不一致有的偏黃有的偏青。剪輯軟件里的統(tǒng)一色調(diào)功能能解決大半問題先選一個基準(zhǔn)鏡頭把其他鏡頭往它的色溫上靠飽和度稍微壓一點。壓飽和度這個動作值得單獨說。AI生成的畫面飽和度天生偏高看起來“塑料感”重。把飽和度往下壓五到十個點畫面立刻耐看很多更接近實拍的質(zhì)感。對比度可以適當(dāng)加一點讓畫面有層次但別加太多加多了暗部會死。還有個細(xì)節(jié)加一層極輕微的顆粒。這一步在很多人看來是畫蛇添足但實測下來一點點顆粒能有效掩蓋AI畫面的“過度平滑”讓它看起來更像攝影機(jī)拍的而不是渲染出來的。強(qiáng)度調(diào)到幾乎看不出來就行。6.4 導(dǎo)出參數(shù)和發(fā)布前檢查導(dǎo)出我一般用1080×1920豎屏、30幀、碼率拉到平臺推薦值上限。幀率不要用24因為AI生成的片段幀率經(jīng)常不統(tǒng)一30幀兼容性更好不容易出現(xiàn)卡頓感。導(dǎo)出前必須走一遍完整播放專門盯四個地方第一幀、最后一幀、每一處轉(zhuǎn)場、每一句字幕。第一幀決定觀眾劃到時停不停最后一幀決定他會不會看完轉(zhuǎn)場決定觀感是否連續(xù)字幕決定信息傳達(dá)是否準(zhǔn)確。這四個地方?jīng)]問題片子基本就能發(fā)了。7. 常見問題與排查速查表跑了這么多條片子翻車的花樣基本就那幾種。整理成表遇到問題直接對號入座。7.1 畫面類問題速查現(xiàn)象大概率原因處理辦法同一角色每個鏡頭臉不一樣參考圖權(quán)重過低或缺參考提高參考權(quán)重鎖定同一張定妝圖人物嘴部糊成一團(tuán)口型同步精度不夠改用側(cè)臉、背影或畫外音畫面突然變亮或變暗首幀圖光線信息不足首幀圖改用柔光描述里加光線方向動作做到一半卡住動作幅度超出模型能力縮小動作幅度或拆成兩個鏡頭背景元素跟著人物一起動主體分離失敗換更干凈的背景或接受并后期遮罩畫面有奇怪的融化感生成時長過長后段崩壞縮短單鏡時長只用前2-3秒這里我想多說一句第6條。“融化感”是圖生視頻最典型的崩壞形態(tài)表現(xiàn)為人物邊緣開始流淌、五官輕微位移。出現(xiàn)這個現(xiàn)象幾乎都是因為生成時長超過了模型能維持穩(wěn)定的范圍。解決辦法不是調(diào)參數(shù)是剪短——只取開頭那兩三秒后面的直接扔掉。別心疼扔掉的比修出來的便宜。7.2 聲音與節(jié)奏類問題配音和畫面打架是最常見的問題。表現(xiàn)是畫面里人物已經(jīng)閉嘴了聲音還在響或者人物張嘴了聲音還沒出來。這不是生成的問題是時間軸對齊的問題。我的處理流程是先鋪音軌再對畫面。把所有配音按分鏡順序鋪好形成一個完整的聲音骨架然后往每個語音段的起止點上去對畫面。這樣對齊出來最自然因為人說話的節(jié)奏是連續(xù)的畫面是碎的以連續(xù)的對齊碎的比反過來容易得多。另一個常見問題是整條片子看起來“平”沒有起伏。這種情況我一般從三個地方找原因鏡頭時長是不是都差不多應(yīng)該長短交錯、景別是不是都一個樣應(yīng)該有遠(yuǎn)近變化、音樂是不是從頭鋪到尾應(yīng)該只在拐點進(jìn)。三個里改一個觀感立刻不一樣。7.3 發(fā)布適配的幾個坑不同平臺對豎屏內(nèi)容的偏好不同但有些共性的坑可以提前避開頭三秒別放片頭。觀眾劃到你的內(nèi)容前三秒決定他去留。放logo、放標(biāo)題卡、放緩入的風(fēng)景鏡頭都是在趕人。我現(xiàn)在的做法是第一幀就是沖突畫面或強(qiáng)情緒特寫字幕直接上核心臺詞把信息密度拉滿。封面單獨做。不要從視頻里截一幀當(dāng)封面因為視頻幀的構(gòu)圖是為動態(tài)設(shè)計的靜態(tài)看往往不好看。單獨出一張構(gòu)圖更緊湊的圖當(dāng)封面多花兩分鐘點擊率差別很大。結(jié)尾留鉤子。最后一句臺詞或最后一個畫面要留一個未解答的問題。不是為了套路是因為短劇的傳播靠的是評論區(qū)討論沒有可討論的點就沒有傳播。8. 一些跑了很多條之后才明白的事最后分享幾個不在任何教程里、但確實影響成片質(zhì)量的經(jīng)驗。第一兩小時的瓶頸從來不是生成速度是決策速度。我早期一條片子要做一整天回頭復(fù)盤發(fā)現(xiàn)真正在生成上等的時間不到四十分鐘其余全耗在“這個臉行不行”“這句臺詞好不好”上。后來我給自己定了個規(guī)矩定妝圖最多出十張就必須選一張臺詞最多改兩輪就必須定稿。決策一旦有硬上限效率立刻翻倍。第二不要追求“一條過”。我見過有人為了讓每個鏡頭都完美一條片子生成上百次最后確實精細(xì)但花了八小時。短劇這個品類質(zhì)感夠用就行觀眾要的是節(jié)奏和情緒不是每一幀都能截圖當(dāng)壁紙。完成度比完美度重要得多。第三先做短的。如果你的第一條片子就打算做90秒大概率會卡在半路。我建議第一條從30秒、8個鏡頭開始完整跑通一遍全流程把每個環(huán)節(jié)的實際耗時摸清楚再做長的。跑通一遍的價值比看十篇教程都大。第四留一個“素材回收站”。所有生成出來但沒用的片段別刪扔進(jìn)一個文件夾。下一次做片子缺空鏡、缺轉(zhuǎn)場、缺一個雨夜街道很可能這里就有現(xiàn)成的。我現(xiàn)在有大概一半的空鏡是從回收站里翻出來的省了大量生成時間。第五別忽略“看一遍”這件事。導(dǎo)出之后完整看一遍別快進(jìn)。很多問題——字幕錯字、音畫不同步、結(jié)尾突兀——只有正常速度看才能發(fā)現(xiàn)。這一步花三分鐘能救回一條本來會被劃走的片子。這套流程我前后調(diào)整了十幾版才穩(wěn)定在現(xiàn)在這個兩小時左右的節(jié)奏。剛開始跑的時候一條片子花五六個小時很正常不用焦慮。真正讓時間降下來的是熟練度你對自己工具的能力邊界越清楚寫描述的時候越準(zhǔn)重試次數(shù)越少。等到你能預(yù)判“這句話這樣寫它大概會生成成什么樣”的時候兩小時就不是目標(biāo)了是常態(tài)。