
拍一部传统的80集真人短剧,业内目前的常规预算在8万到15万元之间。场地每天租金少则几千多则上万,剧组二十多号人的食宿、交通、灯光设备租金加上群演片酬,只要拍摄因为天气或场地延误两天,成本就会超支。如果遇到科幻、古装或者奇幻题材,传统拍摄的服化道和后期视效成本更是成倍增加。
但是,换成AI制作短剧后,成本结构发生了根本变化。一部相同体量的短剧,全流程使用AI工具,算力订阅费与工具成本通常能压缩在 2000元至5000元以内。更重要的是时间成本,传统剧组从开机到上线一般需要一个月以上,而一个熟练的2人AI团队,3到5天就能交付全片。
| 评估维度 | 传统影视短剧制作 | AI全流程短剧生成 | 制作差异与依据 |
|---|---|---|---|
| 单部生产成本 | 80,000 – 150,000 元 | 2,000 – 5,000 元 | AI免去了场地租金、群演薪资与摄制组硬件损耗 |
| 制作交付周期 | 20 – 45 天 | 3 – 7 天 | 资产即时生成,无需等待线下实景搭建与换场 |
| 团队人员规模 | 15 – 30 人(导演/摄影/灯光/服化) | 1 – 3 人(编剧/分镜师/剪辑师) | 一人即可独立跑通从文生图到视频剪辑的闭环 |
| 废片修改成本 | 高(需召集原班演员补拍,成本数千元) | 极低(修改提示词重新跑图,单卡成本几毛钱) | 画面重绘仅消耗单次算力点数 |
| 宏大场景支持 | 预算受限,通常只能选择廉价室内实景 | 无限制(赛博朋克、上古仙侠、星际战争) | 模型处理复杂特效画面的算力成本与普通室内完全相同 |
全流程实操五步走
第一步:剧本结构化拆解与镜头清单制作
写AI短剧剧本不能直接套用传统电影剧本,必须按照“AI模型的镜头理解逻辑”来写。
一集60秒到90秒的短剧,通常由 8到14个镜头 构成。
先使用大语言模型(如 DeepSeek 或 Claude)把原始文本故事拆解为结构化分镜表格。
操作时,输入给大模型的格式要求必须明确:
1.先提取当前场次的固定环境与光影基调。
2.将剧情切碎,保证单个镜头的实际动作时长在3到5秒内。
3.严格遵循“一个镜头只表达一个核心动作”的原则。如果角色需要“站起来并拔剑再冲向敌人”,必须拆成三个独立分镜,否则目前的视频模型一定会生成融化或肢体畸变的多余动作。
第二步:锁定角色与场景资产
角色脸部前后不一致,是新手制作AI短剧最容易遇到的问题。
为了解决角色一致性问题,先不要着急生成连续画面,必须先做角色资产卡:
1.先在 Midjourney 或 Flux 中生成主角的多角度九宫格或三视图(正面、侧面45度、侧面90度)。
2.固定主角的标志性外貌特征,例如特定的发型、服装颜色、特殊配饰。
3.如果使用 Midjourney,生成后续分镜图时必须加上 `–cref [角色基准图URL]` 参数,同时设置权重 `–cw 20`。`–cw 20` 只锁定人物脸部,允许角色在不同场景下更换服装;如果设置为 `–cw 100`,模型会连同衣服和发型强行焊死。
4.如果对人脸相似度有商业级交付要求,可以直接在本地使用 Flux 或 SDXL 训练一个专属的人物 LoRA 模型,准备25张不同光影下的高清特写照片即可完成训练。
第三步:文生图锁定画面,图生视频补充动态
绝对不要直接使用“文生视频(Text-to-Video)”来做连续剧情短剧。
直接输入文字跑视频,画面的机位、光影、人物站位完全处于不可控的随机状态。
工业化的标准做法是:先用“文生图”精细调整静态分镜,确认构图无误后,再使用“图生视频(Image-to-Video)”让画面动起来。
操作流程如下:
先在生图软件中挑选出构图、光影完全达标的单帧静止图像作为首帧。
把这张首帧图上传到视频生成模型中。
在视频提示词框中,删除所有关于长相和衣服的静态描述词,只输入物理动作和运镜指令。例如,只需输入“摄像机缓慢向前推进,女人眼眶泛红,微微侧头看向窗外”,模型就会基于原图补充动态,而不会改变原图的五官和背景。
第四步:角色配音与对口型
视频素材生成完毕后,开始处理声音链路:
1.先使用声音克隆工具(如 ElevenLabs 或 Fish Audio)定制主角的声线,导出单句对话音频。
2.检查音频时长,确保每一句台词的秒数与对应的画面镜头长度严格匹配。
3.如果镜头包含人物正脸说话的近景特写,将生成的视频片段与音频文件放入对口型工具(如 LivePortrait 或 Hedra)中跑一遍,生成唇形同步的讲话画面。如果是远景或背影镜头,直接跳过对口型步骤以节约制作时间。
第五步:时间线剪辑与画质超分
最后把所有带动态的片段拖入剪辑软件(如剪映或 Premiere)拼装:
1.按照分镜表格排列视频轨,贴上音效、背景音乐与情绪配乐。
2.目前主流AI视频模型原生输出大多为 720p 分辨率,在手机大屏观看时细节偏肉。
3.导出粗剪版本后,将视频导入 Topaz Video AI,选择 Proteus 算法模型,将分辨率直接放大至 4K 60帧,输出成片。
主流AI视频生成工具评测对比
不同模型在处理短剧不同镜头时的长处完全不同。想要控制成本,必须根据镜头类型搭配不同的工具。
| 工具名称 | 运动幅度表现 | 人脸保真度 | 运镜可控性 | 单秒生成成本 | 最佳应用场景 |
|---|---|---|---|---|---|
| 可灵 (Kling) | 大幅度动作极佳 | 高(支持首尾帧控制) | 优秀(支持精细运镜参数) | 约 0.1 – 0.2 元/秒 | 打斗动作戏、大场景跑动、需要首尾帧衔接的转场镜头 |
| Runway Gen-3 | 运动平滑自然 | 中等偏上 | 优秀(支持运动笔刷局部控幅) | 约 0.3 – 0.5 元/秒 | 电影感镜头推拉、微距特写、复杂物理规律场景(水流/爆炸) |
| 海螺AI (MiniMax) | 稳定性强 | 极高(真人皮肤质感好) | 良好(以文字理解为主) | 约 0.08 – 0.15 元/秒 | 角色文戏对话、情绪微表情特写、日常现代生活场景 |
| Luma Dream Machine | 镜头透视变化快 | 中等(偶有人脸形变) | 良好(适合大穿梭镜头) | 约 0.15 – 0.25 元/秒 | 快速环绕镜头、空间穿梭过场、科幻奇幻大场景空镜 |
分镜提示词工程规范与公式
写分镜提示词不需要华丽的修饰词,AI无法理解“他伤心欲绝”这种抽象的情感。提示词需要直接转化为摄影机指令和物理表现。
标准提示词结构公式:
[景别/机位] + [主体与外观特征] + [物理动作细节] + [环境光线与色彩基调] + [摄影机运动方式与速度]
来看一组具体对比:
•错误范例(抽象且堆砌形容词):
“一个极其英俊霸气的冷酷总裁,十分生气地质问身旁的女人,电影质感,超逼真,杰作,8K。”
*这种写法会导致模型不知道动作该往哪里动,极易生成面部僵硬、乱摆手的抽搐画面。*
•正确范例(纯物理客观描述):
“特写镜头(Close-up)。28岁身穿深灰色高定西装的男人,眉头紧皱,下颌线绷紧,眼神冷漠俯视。他单手将桌上的文件夹向前推开。冷色调侧逆光,昏暗的高层办公室背景。摄影机缓慢向前推进(Slow push-in),浅景深。”
为了在图生视频中得到稳定的镜头运动,可以直接采用以下运镜专业术语组合:
•推镜头:`Slow push-in on [subject]`(制造压迫感或聚焦人物内心抉择)
•拉镜头:`Slow dolly-out from [subject]`(揭示环境,表现人物孤独或陷入危机)
•环绕运镜:`360-degree orbit around [subject], keeping the subject in focus`(高潮对峙或主角觉醒)
•跟拍镜头:`Tracking shot following [subject] from behind, low angle`(营造紧张逃跑或行动追击氛围)
三个关键避坑经验
第一,严禁在单个提示词中混合两个以上的连贯动作。
比如在提示词里写“主角推开门,走到沙发前坐下,然后拿起桌上的咖啡喝了一口”。任何现阶段的视频模型遇到这种长指令,都会在动作切换处发生逻辑断裂,可能门还没关好人就已经瞬移到了沙发上。正确的拆解逻辑是:
•镜头A:特写推门动作,镜头向前穿过门框(时长3秒)。
•镜头B:全景,主角走向沙发并坐下(时长4秒)。
•镜头C:近景,主角伸手拿咖啡杯放到唇边(时长3秒)。
通过剪辑把三个镜头拼在一起,整体观感不仅连贯,而且具有真正的影视剪辑节奏。
第二,注意9:16竖屏安全区与头部预留空间。
短剧绝大多数在移动端竖屏播放。在用 Midjourney 或生图软件生成初始分镜图时,必须加上 `–ar 9:16`。而且在构图时,人物面部必须严格保留在画面顶部20%以下、底部30%以上的中央核心区域。如果把角色头部放得太靠上,手机界面的返回按钮和剧集标题会直接遮挡演员面部;如果太靠下,底部字幕和评论栏会把人物动作全部挡住。
第三,运动幅度数值保持在中间区间。
在可灵或 Runway 等工具中调节运动幅度(Motion Strength)时,不要追求极致动态而把数值拉到最高。通常该参数的范围是1到10,实测最稳妥的数值区间在 3 到 5 之间。数值低于2,画面几乎静止像一张幻灯片;数值一旦超过6,人物的关节、手部手指以及背景线条就会出现严重的融化和畸变。用稳定的中等幅度运动生成素材,再在后期剪辑中通过变速曲线调整节奏,才是保证成片质量的最佳方案。
原创文章,作者:七点互动,如若转载,请注明出处:https://ai.qidianhudong.com/aiyy/ai-video/4693.html