S+级真人AI短剧全流程制作步骤,提示词分享,请自取(第十八期)
- 2026-11-17 06:25:15

2026年的AI真人短剧,核心竞争点已经不是“谁先用上了哪个模型”,而是谁先把整套工业化流程跑通。镜头穿帮、角色漂移、色调割裂这些问题,本质上不是模型能力不足,而是前期资产管理、分镜逻辑和后期标准化没有搭起来。下面按实际操作顺序,拆解全流程和每个环节的提示词写法。
测试

一、全流程总览
成熟的生产线是这样的:
立项策划 → 剧本工程化 → 角色/场景资产库 → 分镜脚本设计 → 镜头级视频生成 → 配音音效 → 后期合成 → QC质检 → 发行投流 → 数据复盘
核心原则有三条:先做文本工程化再开生成;先建素材库再逐镜头生成;镜头级生产优先于整集一键生成。一次生成太长,人物一致性、动作逻辑、空间关系都容易失控。

二、第一步:立项策划(别急着开模型)
最被低估的一步。在打开任何AI工具之前,先回答清楚:做给谁看、为什么做、做到什么程度。
需要明确的关键项:
受众定位:男频/女频,目标年龄段,抖音/小程序/出海YouTube
题材与一句话卖点:如“末世+机械改造+丧尸清除”
质量档位:测试型追求速度,量产型追求稳定连更,精品型追求摄影感和完成度。很多项目翻车就是一开始没想清楚做哪一档
发行前置:首发平台决定内容节奏、封面风格、是否需要预留切片镜头
这一步不需要提示词,但直接决定了后面所有提示词的方向和精度。

三、第二步:剧本工程化
传统剧本是给演员看的,AI短剧的剧本必须面向机器生产。差异在于:AI短剧的剧本需要包含人物可视化标签、场景标准化参数、镜头可拆解信息、情绪标签和生成可行性标注。
工程化剧本至少包含:
项目总纲:世界观设定、视觉风格方向、调性关键词
人物圣经:每个角色的外貌标签、性格关键词、可视化描述
场景圣经:每个场景的空间结构、光线基调、氛围关键词
镜头风格说明:固定/移动、景别偏好、运镜方向
提示词示例(用于让大模型将传统剧本转为工程化格式):
你是一名AI短剧剧本工程师。请把以下传统剧本片段改写为面向AI视频生产的工程化剧本。要求:每个场景标注场景ID、地点、出场角色(含动作和情绪)、对白、镜头类型、预估时长、BGM风格、音效列表。角色描述必须包含可视觉化的外貌标签,不使用“气质出众”等模糊形容词。

四、第三步:角色/场景资产库(最关键)
AI短剧最常见的三个问题——人物变脸、服装漂移、风格不统一——本质上都是资产管理问题,不是提示词问题。
角色资产包
每个主要角色至少准备:
中景标准图(母版图) :纯白背景、自然站立、双臂下垂、正面朝镜头。这是所有后续生成的基准锚点
三视图:正面、侧面、背面,全身完整衣着。正面用于面部特写,侧面/背面用于转身、背影、牵手等动作镜头

角色定妆照提示词模板
这是生成母版图用的,直接可用:
Portrait photo of a young Chinese woman, 25 years old, oval face, long straight black hair past shoulders, small mole below left eye, white silk blouse, gentle confident expression, studio lighting, clean background, front-facing
外貌锚点(每个镜头提示词开头必须粘贴的固定段落)
角色C01,25岁亚洲女性,鹅蛋脸,杏仁眼,右眼下方浅色小痣,黑色齐肩直发,三七侧分,银色圆形耳环
关键纪律:不要把“齐肩直发”改成“中长发”,不要交替使用“清秀”“妩媚”等主观词——每个词都会导致模型重新推断面部。

五、第四步:分镜脚本设计
分镜脚本是精品化短剧的分水岭。没有分镜直接写提示词,就会出现“脑中以为合理,生成时人物站位混乱、空间关系不成立”的情况。
分镜脚本表的核心字段:镜号 → 时间码 → 场景 → 人物 → 道具 → 景别 → 镜头运动 → 画面内容描述 → 对白/旁白 → 时长 → 音效/BGM → 转场。

六、第五步:镜头级视频生成提示词方法论
这是提示词密度最高的环节。核心公式:
每个镜头提示词 = 人物恒定描述(参考锚) + 动作 + 表情 + 场景 + 镜头类型 + 风格前缀
风格前缀统一放结尾,全剧只用一套。动作要写死幅度(“缓慢转身”“低头,手指轻点椅背”),比“自由发挥”更容易一次过。
导演分镜提示词编排(可用于让大模型批量生成镜头提示词)
开源工作流中经过验证的系统提示词,可直接使用:
你是一名AI真人短剧导演分镜提示词编排师。你的任务是把用户提供的脱敏剧本片段、剧情brief、人物关系和道具信息,改写成适用于AI视频生成的镜头级导演提示词。输出必须可拍、可视化、可连镜、可返修。不要复述剧情,不要写文学赏析。优先级:冲突强度 > 爽点清晰度 > 信息准确度 > AI生成稳定性 > 镜头高级感 > 文学感
编排规则要点:
每条镜头必须承接上一镜的站位、视线、手部和道具状态
道具必须先写当前状态,再写人物动作
关键道具必须写唯一性和结果位置
背景人群没有明确动作时,一律虚化处理
重要表演必须写触发词、呼吸、停顿、声音和禁止提前反应
每段必须有“本段站位与连镜”,每段结束必须有“本段出现角色”
分镜图提示词结构模板(8段式)
Character / Background / Action / Scene / Camera / Light / Text / Style,其中NOT humans子句必加。

视频生成提示词的一句话公式(字节官方指南推荐)
主体 + 动作或事件 + 场景与环境(可选) + 视觉风格(可选) + 运镜或切镜(可选) + 声音(可选)
七、第六步:角色一致性控制(S+级的核心壁垒)
角色一致性有7种方案,按难度从低到高,可按需组合:
方案1:图生视频参考图驱动(推荐指数★★★★★)
先出定妆照,后续所有镜头以这张图为参考。提示词只描述动作和场景,不重复角色外貌。一致性最高,操作最简单。
方案2:角色卡片 + 外貌锚点(★★★★)
每个镜头提示词开头粘贴完全相同的角色描述段落。灵活度高,零成本,但细节有偏差。
方案3:固定种子值(★★★)
同场景多镜头共用同一种子,作为辅助手段叠加使用。
防串脸三板斧:双人同框时开input_fidelity=high;不要同一镜头同时出现两个角色的正面特写,必要时拆成两个镜头;每集结束后对照三视图清一遍,发现崩了立刻重画,别拖到装配再改。

八、第七步:配音音效
字节的Seed Audio 1.0是目前短剧场景中音频可用率较高的工具,官方评测在影视、短剧、动漫等场景中音频可用率达90%以上,支持联合建模人声、音效和环境声。StepAudio 3 Gen面向短视频配音场景,仅需一段规范化的自然语言描述即可生成匹配的配音,并可按需补充背景音乐与音效。
配音提示词的核心是给AI明确的情绪标签和节奏指令,而不是只给文本。例如:“男声,30岁左右,低沉但带有压抑的愤怒,语速略快,句尾停顿,环境背景有轻微风声”。

九、第八步:后期合成与QC
后期核心工作:将生成的镜头按时间轴拼接,添加转场、字幕、配音与背景音乐,输出成品。
QC质检关键项:逐镜头检查色调是否统一、角色是否串脸、道具是否穿帮、字幕是否对齐、音频是否同步。片子剪完才发现色调东一块西一块,通常是因为没有逐镜头做QC。
返修原则:用户反馈视频错误时,默认只做局部补丁,不重写整场。替换单条镜头提示词即可,不要推翻整段。
十、工具链速查
| 环节 | 推荐工具 |
|---|---|
| 剧本/分镜生成 | DeepSeek、Kimi、豆包 |
| 图像生成 | 即梦AI、Midjourney |
| 视频生成 | 可灵AI、Seedance 2.0、即梦 |
| 音频/配音 | Seed Audio 1.0、StepAudio 3 Gen |
| 后期剪辑 | 剪映、ffmpeg |
| 一站式平台 | 小云雀AI(上传剧本一键直出)、万兴剧厂 |
小云雀AI的短剧Agent可上传最多10万字剧本一键直出,内测阶段60集短剧《万兽独尊》上线4天抖音播放破亿,5人团队8天完成制作。

从哪开始
如果你是新手,从角色定妆照提示词入手,先跑通“定妆照 → 图生视频”这条最短链路,生成一个角色的3个连续镜头,感受一下图生视频参考驱动的一致性效果。这条链路跑通了,再往上叠加分镜脚本、资产库和导演提示词编排,逐步把单点能力变成可复制的生产线。