AI短剧的游戏感不是贴UI,是先把约束定死
- 2026-11-18 21:22:47
AI短剧的游戏感不是贴UI,是先把约束定死
一部带恐怖游戏感的 AI 漫剧,最容易学的部分是第一人称镜头、视角切换、交互提示和像素对话框——这些照着做半天就能叠上去。真正决定它像不像游戏的,是另一件事:这些元素有没有在同一套规则里成立。我把一篇公开的制作复盘重新拆了一遍,结论跟它的章节顺序不太一样——先定四条约束,再谈工具;反过来做,画面再精致也像一串素材合集。这篇给出这份约束清单,以及每条被违反时会出什么问题。
一、先看这个案例,再说说我为什么换个讲法
案例是《优绩主义》,把「重返高中、噩梦高考」的设定做成带恐怖游戏感的 AI 漫剧。作者是「西羊石AI视频」的主理人,前腾讯工程师,写过 AI 视频相关的书。他在一篇 X 长文里把制作拆成五段:剧本、人物与场景及 UI 资产、视频模型选择、镜头修补、游戏式字幕,还提到这次抽了几千积分、走了不少弯路。
原文按工序讲,对上手很友好。但开头有一句它自己没展开:「真正费功夫的,是让这些东西在同一条故事里成立」。我读完整篇后觉得,这句话比后面所有工具清单都值钱。因为「同一条故事里成立」不是一道后期工序,它是四条在动笔之前就该定死的约束,后面每一步都只是在执行它们。
所以这篇不复述五段流程,也不复制它的提示词和工作流。我用「约束」重新组织,补上原文没有的推导、一张可复用清单和一个不太一样的意见。案例事实归原作者,判断归我。
二、四条约束总览
把「游戏感」拆开,其实是四个问题:故事允许多复杂、画面允许多大偏差、镜头允许谁在看、交互允许什么时候出现。四个答案写死,剩下的都是执行。
这四条有个共同点:它们都不产出画面,只负责否定。约束的作用是把绝大多数生成结果判为不合格,而不是教模型画得更好。AI 视频最容易崩的从来不是画质,是跨镜头的一致性;一致性也不是靠更贵的模型买来的,是靠前期把可能性关掉。
三、叙事约束:一个异常就够了
原文给了一条很实在的起步方法:一两分钟的短片不需要铺世界观,把人物、环境交代清楚,围绕一个异常事件推进,最后给一个反转即可。没思路就从自己熟悉的职业或生活里找——老师班里来了诡异的转校生,救生员被锁在游泳馆发现泳池里有东西,司机凌晨怎么开都回到同一个路口,家里那个人长相没变、行为习惯却越来越陌生。
我想补的是它背后的工程理由,这比「短片不用复杂」更硬:生成模型每一段都是独立采样,你锁不住的东西它就会重新猜一次。世界观越复杂,需要跨镜头保持一致的变量越多——时代、服饰、道具、光线、规则——每多一个变量就多一处会崩的地方。「日常 + 一个异常」的高明之处在于,它把绝大部分变量固定成了观众已有的常识,创作者只需要守住那一个异常。
这也解释了为什么这类轻体量故事适合当第一部作品:不吃剧本,靠视角、声音和交互提示就能把人带进去。但它是个起点,不是终点——后面第九节我会说这个甜区的边界在哪。
四、资产约束:一致性是前期定死的,不是模型给的
这是四条里最被低估的一条。原文的做法是:剧本定稿后先不生成视频,先确定整部片的视觉方向——这次是 3D 写实、偏 3A 游戏质感——然后出人物三视图和基础场景图,人物补齐正、侧、背面,服装发型身体比例在这一阶段全部定死。场景图生成后,用同一段风格描述去换角度,补出从走廊看向教室、从门口看向室内、回头看刚经过的位置,让材质、光线和色调尽量统一。
作者的理由说得很直白:后续分镜和视频都围绕这些设定展开,做到一半再改,会牵动多个镜头甚至全部重来。我把它再说透一层——这本质是成本在前期的分配。改一张图几乎不要钱,改一段视频要重新抽卡,改一条片子要重剪。所有能在资产阶段做的决定,都不要留到视频阶段。这跟我前两篇拆成本时给的公式是同一件事,只是这次省下来的不是钱,是返工。
这次有个设计我特别想拎出来:NPC 做成无脸形象,衣着和姿态保持日常,把异常只集中在脸部。普通校园里出现一些没有五官却照常行动的人,反差本身就在制造不安。这是很成熟的克制——用一处最小的视觉改动承载全部异常,其余全部锁死不动。约束定得好,画面不用力也有戏。
资产阶段的四问,开拍前逐条对
• 每个主角都有三视图吗,几个角度是同一张脸?• 场景图里有没有混进人?换角度时那段风格描述是否原样保留?• 道具写实际尺寸了吗?• 视觉方向是否只有一套,全场不再改?
还有一条边界:人物用 AI 设计的形象,别拿真人照片、尤其明星照片当参考,平台会拦,也有肖像权风险。这在讲恐怖题材时更容易被忽略,因为「像某个真人」看起来是条捷径。
五、视角约束:POV 要写镜头行为,不是写一个人称标签
游戏感最直接来自第一人称。但原文点出一个很实际的坑:只写「POV,第一人称视角」不够,模型不知道镜头该怎么动。得交代清楚「我在哪里、我在看什么、我接下来怎么动」,先选好首帧参考图,再写明镜头从哪开始、朝向哪里、谁在画面里、接下来发生什么,把视线变化、移动方向和动作顺序排出来。
我想把这个要求再提一格:第一人称不只是摄像机的位置,它是信息权的分配。观众只能看到角色看到的,看不到身后,所以不安感天然成立;一旦切到第三人称的全景或俯拍,观众突然比角色知道得多,那种「他背后有东西」的紧张才立得起来。视角切换因此不是炫技,是有叙事功能的开关。
原文也提到一个不稳定点:从第一视角切到第三人称,单写一句「第三人称视角」常常不生效,得进一步限定画面里的人物构成,让镜头明确站到主角之外。这正好印证上一节的判断——凡是没被显式写死的,模型就会按自己的默认来。约束越细,自由越少,结果反而越可控。
六、交互约束:时机对齐,UI 才不是贴纸
这条是原文提了、但我觉得分量应该更重的一条。它说:提示出现的位置和时间要跟镜头动作对应,镜头靠近门口时再出现「进入教室」,观众才会理解它和当前画面的关系。
为什么这句关键?因为「交互提示」和「贴图」在成品里长得一模一样,差的就是时机。按钮提前半秒出现,观众读到的是一层装饰;跟着推门动作出现,观众读到的是「我可以操作」。游戏感来自后一种——它让观众从旁观者变成潜在的操作者,哪怕片子本身并不能点。
字幕也是同一套语法。原文给的做法是:把原视频复制到上方轨道对齐,用蒙版框出字幕区域,加羽化和阴影,给上层加模糊让背景虚化,再叠像素游戏字体。好处是字幕后面还留着原画面的色彩和变化,同时和背景拉开层次。字体、边距、字幕区域统一,整条片才像共用一套游戏界面。
我的判断是:UI 和字幕不该算后期工序,它们该在分镜阶段就写进镜头描述。因为一个「镜头靠近门口」的动作,本身就是为那条提示准备的。等到剪辑时才想起来加,就只能迁就已有素材,时机永远差半拍。这是四条约束里最容易被排错位置的一条。
七、工具选型:先有验收标准,再选模型
原文做了一件我很认可的事:拿同一组素材横评了 H3、Seedance 2.5、Seedance 2.0、Wan3.0,最后主力选了 Wan3.0、部分镜头用 Seedance 2.5 补。理由不是哪个最强,而是哪个更贴合这次要的 3D/3A 游戏质感和第一人称代入感;Seedance 2.5 电影感不错但偏影视质感,H3 和 2.0 对提示词遵循度不理想。作者顺带说了句大实话:做 AI 视频不是模型越贵效果越好,关键看是否适合你的画面和叙事需求。
把这句翻成可执行的话:横评的前提是你先写好了验收标准。这次的标准是「3D 质感还原 + 第一人称代入 + 积分消耗」,三条一摆,选型就变成了打分,而不是逛工具列表。反过来先挑最强的模型、再拿提示词去迁就它,是多数人抽卡抽到崩的原因。做法也简单:挑两三个有代表性的镜头,用同一组资产和同一段描述各跑一遍,按你的标准排序,再定主力。
这里得把口径说清,免得又是一次「27 元对 1360 元」:上面的模型优劣、积分消耗和「对提示词遵循度」都是作者在这部片、这组素材下的主观体验,不是通用榜单,我未独立复测。能核的官方口径是能力边界——MiniMax H3 于 2026 年 7 月 31 日发布、8 月 3 日开放权重,支持 4 至 15 秒、最多 9 张图与 3 段音频参考;通义万相 Wan3.0 创作者手册写明支持全能参考(最多 10 张图、5 段视频、5 段音频)、原生 30 秒与首尾帧模式;可灵的图生视频首尾帧能力在阿里云百炼文档与公开研究报告里均可查到。工具能力在,具体表现随素材变。
八、约束破了怎么补:别硬接
第一人称素材最难生成,抽卡很多次也未必拿到能用的。原文的补救顺序值得整段抄进检查单:截取上一段的尾帧和下一段的首帧,用可灵的首尾帧功能生成一小段过渡,再在剪映里删掉重复的首尾帧、检查衔接。
但最值钱的是它最后那句提醒:如果两个画面的空间差异太大,别勉强连接,先调整素材或补一个中间视角,往往会更自然。这句话的分量在于它承认了约束不可硬掰——镜头跳了,是视角约束被违反了,正确的动作是回到约束里补一个合法镜头,而不是用更强的补帧去糊过去。
推广成通用顺序就是三步:能剪就剪(问题只在头尾几帧)→ 能补就补(首帧改图或首尾帧过渡)→ 最后才重抽,且重抽前先改提示词或参考图。原样再抽一次,大概率还是错的。
九、一个不太一样的意见:交互感有天花板
原文结尾挺乐观:这类轻体量故事相对不吃剧本,把短剧叙事和游戏体验结合仍值得探索,流程跑通后可以尝试更多题材。方向我同意,但风险得说在前面。
交互语法的红利,很大一部分来自「新鲜」。第一次看到像素对话框、推门时出现「进入教室」,观众会立刻进入游戏的心智;第二部、第三部还用同一套,它就退化成风格化的字幕条了。到那时撑住片子的还是异常是否够狠、反转是否成立、人物是否让人在意——也就是回到第一节那条叙事约束。原文自己也提了一句,用某模型的短剧 skill 做出来的剧情「还需要继续打磨」,这其实是同一个信号:形式可以流水线,故事不行。
所以我的建议是把它当第一条起跑线,别当成可复制的模板:第一部用「一个异常 + 一套约束」把流程跑通,第二部开始就把省下来的精力挪到剧本上。影游融合真正的壁垒不在 UI 做得像不像,而在有没有一个离开 UI 也成立的故事。
十、发布前的两条硬要求
合规提醒
《人工智能生成合成内容标识办法》自 2025 年 9 月 1 日起施行,第十条明确要求:用户使用网络信息内容传播服务发布生成合成内容,应当主动声明并使用服务提供者提供的标识功能进行标识。发抖音、视频号时把平台的 AI 生成声明勾上,不要删除或篡改文件里的隐式标识。人物参考只用 AI 设计的形象或自有素材,不拿真人、尤其明星照片和声音去克隆;改编已有作品先锁定 IP 授权。
另一条是关于「原创」的:这篇的论点、四条约束框架、对照表和第九节的意见是我重新组织的,但案例事实、模型横评与工具链路来自那篇公开长文,不是我自己的实测。凡是这类重构,把参考来源和核对日期写清楚,别标成原创实测,也别把作者的成片和截图当成自己的作品转发。原文附的工作流、提示词、个人网站和商务联系方式,我一条都没搬。
十一、口径与来源
• 素材来源:X 长文《优绩主义》AI 漫剧制作复盘,作者「西羊石AI视频」主理人,2026-11-10 读取。本文只取案例事实与方法要点,未复制其提示词、工作流与配图。
• 官方口径(2026-11-10 核对):阿里云百炼「可灵-视频生成 API 文档」列有图生视频基于首帧/首尾帧;人民网《中国大文娱产业人工智能应用发展研究报告》提到可灵的「首尾帧锁定」与多镜头连贯生成;通义万相 Wan3.0 创作者手册载明全能参考、原生 30 秒、480P/720P/1080P 与首尾帧模式;MiniMax 官方博客与开源说明(H3 发布与开源时间、参考素材上限);火山方舟模型价格页(Seedance 2.5 720P 无输入视频 5 秒 7.56 元,约 1.51 元/秒);网信办《人工智能生成合成内容标识办法》第十条、第十四条。
• 作者自述、未独立验证:四模型的风格评价与积分消耗、「抽了几千积分」、具体工具链与出图模型选择、成片效果。平台调价与模型迭代都快,价格与能力以你打开页面时看到的为准。
一句话结论
第一人称、交互提示、像素对话框都是「加」,谁都会;让一部 AI 短剧真像游戏的是「限」——一个异常、一套资产、一个视角规则、一组提示时机,四条从头守到尾。工具会换、模型会降价,约束不会。AI 把每道工序都变便宜了,剩下的差别只在于你有没有一份不肯妥协的清单。
三个避坑点,可以直接拿去用:
• 别先挑最强模型再迁就它——先写验收标准,再横评两三个代表镜头。
• 别把 UI 和字幕留到后期才想,它们决定镜头该怎么拍。
• 镜头空间差异太大就补中间视角,别用补帧硬接。
最后留一个真想听答案的问题:如果四条约束里只能死守一条,你会选哪条?我选视角规则——它决定观众站在哪儿、能知道多少,一旦崩了,后面所有画面都救不回来。你呢?