做AI短剧的过程,是在不断迭代自己过去的审美的过程
- 2026-11-18 23:11:13

Hi,你好,我是彭俊旗。
今天早上一起来,先处理的是配音。前面发出去的两集 AI 漫剧,编剧听完给了两个很明确的反馈:语速太快,听着像开了 1.5 倍速,台词来不及听清;越南语发音也不够准确。
这部剧用的是越南北部的语言表达。我在提示词里一直强调河内口音,但前两集做出来,我估计正确率只有 72% 左右。更麻烦的是,我自己不会越南语。画面出了问题,我至少能看出来;一句话有没有说对,重音和停顿是否自然,我没办法只凭自己的耳朵验收。
现在的办法是让大模型重新识别配音,把识别结果和字幕对照,再结合编剧的反馈逐句修。这个方法也不能代替母语者判断,只是帮我缩小要检查的范围。
好在今天有了一个进展:第四集的配音得到了编剧认可。我估计它还没到百分之百,大概在 80%—90%,但至少已经能正常听懂,也能被接受。
这条配音对我很重要。以前我只知道“听起来不对”,却拿不出一条被本地编剧确认过的样本。现在可以把第四集和前两集放在一起听:语速慢了多少,句子是不是更短,停顿落在哪里,提示词里哪些要求真的起了作用。找出差异,下一集才有东西可依,而不是继续碰运气。
从能生成,到开始嫌它不够好
配音之外,我今天还看了一批按分钟报价的视频样片:200 元、800 元、1000 元和 1500 元。我想知道自己目前大概在哪,也想看清楚多出来的钱究竟花在什么地方。
按这次看到的样片对照,我暂时把自己的视觉水平放在 200 元一分钟这一档。这不是市场给我的评级,只是给自己找一个比较的起点。
200 元的样片已经能把人物拍出来。下车、拿包、校园、海报都有,主观视角、景别变化、敲门也用上了。问题是,故事还主要靠旁白往前推。校园里有很多人,却多半只是背景;主角走来走去,和他们没发生什么事。动作重复、服装状态前后接不上,也会把人从故事里拉出来。
800 元的样片明显热闹一些:校车、学生、运动队、校园建筑都出现了,前景也有人经过。空间更像一所正在运转的学校。但主角做的事仍是下车、观察、往里走。镜头里的东西增加了,他真正经历的事情却没有增加多少。
1000 元的两家,我看到的是两种不同的处理。一家把冷暗光线、黑色服装、巨大的校园和很深的走廊控制得很统一,压迫感很强。可我看完还是不知道,到底是谁、哪件事让主角紧张。如果这种光线继续加重,一个普通校园故事甚至会被拍得像鬼片。
另一家用日光、树影和走廊的自然光,从下车到进入教室的路线也更清楚。我能知道主角走到了哪里,但他依旧主要在走路和观察。周围的人出现了,很少改变他的行为。
到了我看到的 1500 元样片,变化反而落在几个小动作上。同学迎面走来,会看主角一眼;门口有人靠近,主角会转头;进了教室,他脸上也有反应。这样一来,“我是刚到这里的新人”不必全靠旁白说明。别人怎么看他、怎样靠近他,他又怎样回应,人物在这个校园里的处境才慢慢出来。
我开始问镜头里的人为什么在这里
样片看得还不够多,我不敢说价格一定对应着什么水平,也不是看完就知道怎样做出 1500 元的片子。但这次比较确实改变了我看画面的顺序。
以前我会先看人物稳不稳、光好不好、镜头有没有“电影感”。现在看到主角回头,我会继续问:是谁让他回头?这个人看他的那一眼,会不会改变他接下来的动作?如果删掉这个镜头,观众会少知道什么?
我以前做 AI 视频,很多力气花在让镜头顺利生成。人物稳定了,动作接上了,镜头能切过去,我就觉得已经往前走了一大步。这些问题现在仍要解决,只是做到以后,我才有余力发现另一层粗糙:画面里的人可能都在动,却没有彼此影响。
所以接下来我想把这次看样片的感觉拆得更细。200 元样片里哪些镜头已经能用?800 元增加的空间信息,有多少真的帮助观众理解故事?1000 元的风格什么时候服务人物,什么时候只是制造气氛?1500 元那几个眼神和转头,为什么让我更相信主角是一个刚来的新人?这些问题还要回到自己的片子里逐镜验证。
配音也是同一个道理。第四集给了我一条编剧认可的参照,但还没告诉我是哪一个变量起了作用。我还要反复比较、请编剧继续听,看看这次被认可的配音能不能成为下一集可复用的做法。
今天最大的变化,大概就是我终于有了可以对照的东西。以前觉得不错的画面,现在会看出它只是灯光漂亮;以前觉得人物走得自然就够了,现在会看他为什么走、谁让他停下来。承认自己还在 200 元这一档没有关系。把差距看清楚,下一版才知道该修哪里。