AI漫剧制作教程：人机协作的半自动流程，从剧本到成片

精品漫剧，从来不是依靠全自动流程制作完的：AI 漫剧创作入门教程（附剧本创作 Skill）

如果你刷短视频时见过那种“一口气看完”的 AI 漫剧，大概率会有一种感受：画风统一、人物好看，但看两三集就记不住讲了个什么故事。更常见的情况是，画面里明明是两个人对峙，台词却跟嘴型完全对不上，情绪刚被带到高潮，下一个镜头突然切到一栋无关的大楼。

这不是工具不好，而是制作流程出了问题。

很多新手入局 AI 漫剧时，都会把注意力放在“哪个工具能一键生成”上，以为只要输入一个主题，AI 就能自动吐出一部完整短剧。但这个判断从一开始就是错的。真正能让人记住的精品漫剧，靠的是“人把规则定清楚，AI 老老实实执行，人再做筛选和修改”，而不是完全交给自动化流水线。

这篇文章会从零开始，给你拆出一套可落地的 AI 漫剧制作流程：剧本怎么做、分镜怎么拆、画面怎么保持人物一致、配音和剪辑怎么接。第 4 章我会直接给出一份“剧本创作 Skill”，也就是一份结构化提示词模板，你可以把它粘贴到任意大语言模型里，让人工智能按固定格式输出剧本，而不是每次都在空白对话框里自由发挥。

读完这篇文章，你至少能完成三件事：把 AI 漫剧从创意到成片的完整链路理清楚；拿到一份可以直接复用的剧本创作提示词模板；知道在哪个环节最容易翻车，以及翻车之后怎么补救。

1. 先看清本质：为什么“全自动”做不出精品漫剧

1.1 “一键生成”只是演示，不是生产方案

不少 AI 工具在对外展示时，都会做“输入一句话，自动生成整段视频”的演示。这种演示确实炫酷，但它的本质是“把素材库里的东西按固定模板拼起来”。它能证明流程能跑通，不能证明故事成立。

如果你真的拿一句“给我生成一个穿越题材的漫剧”去跑全自动流程，产出大概率是：人物固定表情、剧情套路化、台词前后矛盾、场景单一。原因在于，全自动流程解决的是“有没有”的问题，不是“好不好”的问题。它负责把画面和语音生成出来，但“这个故事是否值得看”这一层判断，目前的模型还给不了你。

精品漫剧和批量漫剧的分水岭，恰好就在这里。批量漫剧追求的是单位时间内的产出数量，精品漫剧追求的是“用户愿意看完并且记住”。后者必须在关键节点上加入人工判断。

1.2 精品漫剧真正需要的是三种能力

做一部 AI 漫剧，不是只会用工具就行。它其实是一个“内容 + 工具 + 流程”三合一的工作：

第一，内容能力。你要能想清楚故事的主题、人物目标、冲突和结尾。这是所有环节的地基。哪怕 AI 再强，你给它的故事前提是“两个人吵架”，它也只能生成“吵架”，生成不了“宿命感”。

第二，工具能力。你至少得会用一个文生图/图生图工具、一个语音合成工具、一个剪辑软件。不需要精通，但要知道每个环节的输入输出长什么样，以及怎么把结果接起来。

第三，流程能力。你要把自己的工作方式固定下来，形成一条可复用的生产线。比如每个角色都做一张人物卡，每段剧本都用同一个输出模板，每个镜头都按同一套提示词结构去写。这样做的目的是让作品有统一的调性，而不是每集都像换了一个作者。

这三项能力里，新手最缺的往往不是工具能力，而是内容和流程。工具不会用可以看教程，故事讲不明白，画面再精致也没有意义。

1.3 自动化应该用在哪里

全自动流程并非一无是处，它适合承担以下工作：生成初稿剧本、批量生成背景素材、生成转场画面、批量合成配音。换句话说，它适合处理“量大、标准相对统一”的环节。

它不适合做的是：最终剧本的确认、分镜的选择、角色一致性方案的制定、内容调性和价值观的把握。这些环节一旦交给全自动，就会出现“看起来什么都对，实际哪里都不对”的结果。

所以更稳妥的判断是：全自动适合做素材，不适合做作品。精品漫剧是“人定规则 + AI 生成 + 人工筛选”的混合流程。你越早接受这个事实，做出的东西就越能拉开差距。

2. 一套完整的 AI 漫剧制作流程拆解

正式动手之前，先把整套流程铺开来看。AI 漫剧和传统短剧的制作环节实际上是类似的，区别只在于部分环节由 AI 替代了传统拍摄。

2.1 五个核心环节

这个表格看起来简单，却是整篇教程的骨架。你可以先不管是用哪款工具，用这张表去对应你已经会的东西：会写故事的人，重点补工具；会剪辑的人，重点补剧本和分镜。不必每一样都从零学，但至少要知道整条链路怎么走。

2.2 一集三分钟漫剧的真实工作量

很多新手一开始就定了一个过高的目标，要做一个“完整的长篇动画”。我建议把目标缩小：先做一集三分钟左右的漫剧，视平台和预算而定。

一个相对标准的 3 分钟漫剧，大致包含以下内容量：

• 剧本台词：800-1000 字左右
• 分镜数量：8-12 个镜头，部分镜头需要多张底图
• 生成图片：15-30 张，包含选图、弃图、重绘的损耗
• 配音时长：3-4 分钟，包含对白与留白停顿
• 成片时长：2 分 30 秒到 3 分钟

这是一个不能跳步的最低工作量。如果你发现自己的流程里完全没有“弃图”和“重绘”这两个动作，要么是你运气极好，要么是你把质量标准放得过低。正常生成过程中，AI 给出的图片会有相当一部分不能直接用，这是常态，不要因此觉得自己不会用工具。

2.3 工具选择的原则

文章不会推荐某款唯一的工具，因为工具更新太快，今天合适的明天可能就不是最优选。按功能链路来选会更靠谱：

• 剧本创作：任意大语言模型都可以，关键是把你写好的 Skill 放在对话的最前面，要求它按固定格式输出
• 画面生成：选一个支持文生图、图生图，最好支持条件控制或局部重绘的 AI 绘图工具；如果你有明确的动漫画风偏好，优先选用支持模型导入的工具
• 配音制作：选一个中文音色自然、支持断句和语速控制的 TTS 工具；如果预算允许，可以考虑真人配音
• 剪辑合成：剪映、Premiere、DaVinci 等均可，只要你能完成画面拼接、字幕添加和音频混音

需要特别提醒的是版权和授权问题。不要直接使用来源不明的素材、带版权的角色形象以及未授权音频。工具账号也要注意使用规范，避免把个人账号用于商业项目。合法合规是精品内容的前提，不是底线，而是我们必须主动保护的边界。

3. 剧本创作是第一生产力，别再让 AI 自由发挥

3.1 剧本决定一切，画面只是外包装

在很多失败案例里，画面看起来不差，但故事乏味。问题往往出在剧本。有人直接告诉 AI “帮我写一个 AI 漫剧剧本，主题是穿越”，结果 AI 生成了一段四处散落、没有核心冲突的剧情。原因很简单：提示词里没有约束，AI 只能按概率生成“最像剧本的文本”，而不能保证“故事成立”。

剧本是漫剧的蓝图。它要确定的是：主角是谁、目标是什么、阻碍是什么、关键转折有哪些、结尾落在哪。只有这些问题先有了答案，后续的分镜、画面、配音才有方向。否则你只是让所有工具在为一个不成立的故事服务。

3.2 三分钟漫剧的叙事结构

短剧的叙事结构不复杂，但必须紧凑。一套适合三分钟漫剧的结构可以拆成四个模块：

• 开篇钩子：前 10 到 20 秒必须出现一个悬念或异常；如果开头只是主角在走路，观众会划走
• 主线冲突：用一个场景展现“主角想做什么，但遇到阻碍”；冲突要具体，不要停留在“他很愤怒”
• 情绪升级：在中间段加入一个信息反转或关系变化，让压力变大
• 结尾钩子：在最后留一个未知问题，引导观众看下一集

使用“一句话概念”是一种能够强制提炼故事核心的方法。你可以在动笔前先问自己：“如果一个人拥有某种能力，结果他不得不付出某个代价，那么故事会怎样？”把这句话写下来，写剧本时就不容易跑偏。

3.3 三分钟漫剧剧本模板

下面是剧本的模板，建议直接复制到你的工作文件中：

【三分钟漫剧剧本模板】 1. 剧名： 2. 一句话概念：如果___，那么___。 3. 主角设定： 外表： 身份： 性格缺陷： 目标： 4. 主要冲突： 5. 时间/地点： 6. 分场景剧本： 场景一： 标题： 时间地点： 人物状态： 关键事件： 对白： 镜头备注： 场景二： ... 7. 结尾钩子：

这个模板看着简单，但它是后续一切工作的输入源。你可以把它理解为“剧本立项表”，在整个制作过程中反复回到这张表确认每个分镜是否服务于故事主线。

这里有一点要提醒：AI 生成的剧本永远只是初稿。你要做的是改稿，而不是原样采用。哪怕 AI 写得再流畅，也要把每一句台词当作“候选人”而不是“答案”。

4. 附赠：剧本创作 Skill，让 AI 按固定流程写剧本

4.1 Skill 到底是什么

在 AI Agent 和提示词工程领域，“Skill”通常指一个可复用的技能包，它让 AI 以固定流程完成特定任务。你可以简单理解为：Skill 就是“结构化提示词 + 工作步骤约束 + 输出格式约束”的组合。

它和普通提示词的区别在于：普通提示词是一次性的、随机的；Skill 是可复用、稳定的。你在创作一个系列漫剧时，如果每集都重新写提示词，很容易出现这集和上集风格不一致的问题。如果使用同一个 Skill，模型每次都会按同样的步骤和模板输出，差别只在需求内容上。

4.2 剧本创作 Skill 完整模板

下面这份内容可以直接复制，粘贴到大语言模型的首条消息中。如果你使用的工具支持“系统提示词”或“项目指令”，也可以把它放在那个位置。

你是一名职业漫剧编剧，擅长为三分钟 AI 漫剧创作短剧本。你的任务是：在收到故事需求后，严格按以下步骤完成剧本，并严格按模板输出。 工作步骤： 1. 先提炼需求：主题、情绪基调、风格、人物设定的已知信息。 2. 构建一句话概念，把故事核心压缩成一句“如果___，那么___”的话。 3. 设定主角的目标、性格缺陷与核心阻碍。 4. 按“场景制”写剧本，每个场景包含：时间地点、人物状态、关键事件、对白、镜头备注。 5. 在结尾处设置钩子，引导观众期待下一集。 输出格式： 【剧名】 【一句话概念】 【主角设定】 【核心冲突】 【分场景剧本】 场景1： - 地点： - 人物状态： - 关键事件： - 对白： - 镜头备注： 场景2： ... 【下集钩子】 【画面提示词建议】

4.3 使用示例

把上面的 Skill 粘贴到对话后，你可以继续输入：

请按上述剧本 Skill，写一个三分钟漫剧剧本。 要求：城市奇幻氛围，主角是深夜保安，能在监控画面里看到过去发生的事；结尾要有反转。

模型会按固定格式输出一份剧本。下面是一段预期的输出风格示范，实际生成结果会因模型而异：

【剧名】夜班监控室 【一句话概念】如果一名深夜保安能在监控里看到过去发生的真相，那么他能否接受自己曾经犯下的错？ 【主角设定】 外表：三十岁左右，微胖，黑眼圈，常穿保安制服外套 身份：写字楼夜班保安 性格缺陷：逃避过去，不敢面对自己辞职前发生的事故 目标：查出三年前仓库失火的真正原因 【核心冲突】他以为自己是受害者，但监控画面显示，他才是那次误操作的执行者。 【分场景剧本】 场景1： - 地点：保安值班室，凌晨 01:30 - 人物状态：主角半睡半醒，正要换班 - 关键事件：监控屏突然出现画面，显示三年前失火当晚的仓库内部 - 对白： 主角（自言自语）：“这栋楼的监控系统三年前就换过，怎么会有那晚的录像……” - 镜头备注：特写监控屏的雪花噪点逐渐清晰，画面色调偏冷蓝。 ...

这里想强调的是：Skill 的输出来自推理模型，因此每次生成的文本都会不同，但它会固定输出框。这样，你就能像“表单评审”一样审查每个剧本字段是否达标。最常用的评审项有三条：

• 主角是否有明确目标
• 冲突是否是“人和人 / 人和规则 / 人和过去”之间的真实对抗
• 结尾钩子是否足够让人点开下一集

只要这三项过关，哪怕 AI 的某些台词写得平庸，也可以人工润色后使用。

4.4 Skill 在制作流程中的位置

在实际制作中，剧本 Skill 的输出不只是“剧本”，它还会成为后续分镜的输入。你可以把“分场景剧本”中的每个场景提取为一组镜头，每个镜头再单独生成画面提示词。这条链路本质上是：Skill 文字产出 → 人工确认 → 分镜 → 画面提示词 → 生成素材。

不要跳步。如果你基于一个没经过确认的剧本直接去生成画面，后面返工成本会成倍增长。

5. 从剧本到分镜：把文字翻译成画面

5.1 为什么要先做分镜

分镜是在剧本和画面之间的一座桥。它解决的核心问题是：把一段描述性的文字，翻译成一组可以交给 AI 绘图工具的具体指令。

如果你直接拿“主角走进便利店，和店员对话”这句去生成图片，AI 给出的画面大概率是“一个背影站在便利店门口”，却无法知道人物的表情、景别、光线氛围。分镜就是在这些地方补充信息：是全景还是特写？人物的情绪是紧张还是平静？画面里有没有特殊道具？

做分镜不需要画出专业原画，你只需要用文字描述清楚每个镜头的关键信息。工具会负责生成画面，而你负责决定“要什么画面”。

5.2 一分钟镜头的文字模板

一个可以直接用于画面生成的镜头模板：

镜头编号：SC-001 景别：全景/中景/近景/特写（四选一） 画面内容：画面里有什么，谁在做什么 人物动作：身体动作、手势、表情 情绪：人物此刻的情绪状态 环境：时间、地点、天气、光线 画面风格：动漫/写实/古风/赛博朋克等 备注：是否有特殊道具、是否要留出字幕区域

写分镜时注意：一个镜头只描述一个主要动作和一种情绪。不要试图在一个画面里塞进太多信息。AI 绘图模型对“画面里同时存在多个复杂动作”的理解能力有限，写得越聚焦，出图越稳定。

5.3 一个从剧本到镜头的完整例子

假设剧本里有一场戏：

女孩在深夜走进便利店，把一枚怀表放在玻璃柜台上，说：“老板，我想换一条命。”

拆出来的分镜可能有两种方案：

方案一，全景强调环境：

镜头编号：SC-001 景别：全景 画面内容：深夜街角的便利店，灯光昏黄，女孩推门进入 人物动作：女孩站在门口，手握紧怀表，身体微微前倾 情绪：疲惫而紧张 环境：夜晚，街边，便利店暖黄色灯光与街外冷蓝形成对比 画面风格：动漫，电影感场景 备注：门口招牌“午夜便利店”半亮

方案二，特写强调情绪：

镜头编号：SC-002 景别：特写 画面内容：女孩的手放在玻璃柜台上，手指松开，露出一枚怀表 人物动作：指尖微颤，怀表表面反射便利店灯光 情绪：犹豫、下定决心 环境：柜台灯光自上而下，形成柔光 画面风格：动漫，电影感，浅景深 备注：怀表指针停在 00:00

同一个剧本，不同景别对观众情绪的影响完全不同。这也是人工应该介入的核心点位：由你决定哪些画面需要放大、哪些细节需要隐藏，而不是把选择权交给随机生成。

6. 画面生成：一致性控制的工程化方法

6.1 为什么画面老是不一致

AI 漫剧最常见的翻车点，就是同一个角色在上一个镜头是黑色短发，下一个镜头突然变成了棕色卷发，或者服装颜色变了。这几乎是所有新手都会遇到的问题。

原因在于，AI 绘图模型生成图像时有很强的随机性。每次都直接输入“一个年轻女孩”，模型会把它理解成无数种可能。你需要在提示词里固化和角色强相关的视觉特征，并反复使用同一套描述。

仅靠“同一个角色的文字描述”也无法完全保证一致性，因为每个模型对文字长短、语序和权重的反应都不一样。稳定一点的做法是：为每个关键角色准备一张“定妆照”，后续使用图生图、局部重绘或角色参考功能时，基于定妆照进行生成，而不是每次都从零生成。

6.2 用“人物卡”管理角色特征

建议为每个核心角色单独建一个文本文件，包含角色特征与反向提示词。这样团队协作时，所有人都能对齐同一个设定。

下面是一个简单的 JSON 人物卡示例：

{ "角色名": "林默", "外貌": "黑色短发，左眼下方有泪痣，灰色风衣", "服装": "灰色风衣，内搭白色长衫，深色长裤", "气质": "沉默冷静，略带疲惫", "固定要素": "泪痣，灰色风衣", "避免出现": ["戴帽子", "面部纹身", "换发色", "换服装颜色"] }

每次生成这个角色的画面时，都要把这张卡片里的内容导入到提示词里。不要把“避免出现”当成提示词的一部分直接输入，而是作为反向提示词使用。

6.3 可复用的画面提示词结构

下面是一段可以套用的正向/反向提示词结构：

正向提示词： (best quality:1.2), 林默, 黑色短发, 左眼下方泪痣, 灰色风衣, 深夜, 城楼, 火把, 阴郁气氛, 电影感, 自然光影, 景深效果 反向提示词： multiple people, bad hands, deformed face, extra fingers, lowres, watermark, text, blur, 换装, 换发色

样式不是万能的，但也不能缺少。可以把“风格词”放入固定开头，例如“动漫风格”、“电影感”、“浅景深”，这样批量生成时至少能保证整体质感统一。

6.4 批量生成时的工程思维

生成画面时，常见的错误是“一次只生成一张，不满意再重新输入一次”。这样效率低，而且难以发现审美偏好。更推荐的做法是：每个镜头生成 2-4 张备选，从中选择情绪和构图最接近预期的一张，再进入后期；如果都不行，再修改提示词中的关键几个变量，比如景别、光线、情绪。

此外，请养成记录习惯：哪个提示词配哪种模型、用了什么种子值、哪张图是你认可的。长期来看，这些记录比任何教程都有价值。它们会成为你的“个人风格库”。

7. 配音、字幕与后期合成

7.1 配音不是简单 TTS 播放

把剧本台词粘贴进语音合成工具只是第一步。你需要解决的是“断句”和“情绪”问题。中文 TTS 对长句的断句有时会出错，尤其是在句子意思复杂或包含多音字时。建议先把台词分段，用标点符号和换行强制断句，再进行生成。

如果角色情绪变化剧烈，比如尖叫、哭泣、低语，尽量为不同情绪状态单独生成配音片段，再在剪辑软件里拼接。不要指望同一个 TTS 音色仅通过文字就能完美演绎所有情绪场景。

对于配音内容，务必注意授权问题：使用某款 TTS 工具时，建议确认其服务条款是否允许商业使用。对可能涉及知名人物音色的克隆工具，尤其要保持警惕，避免侵权风险。

7.2 三分钟成片的时间节奏

剪辑的节奏直接影响完播率。下面是一个适合三分钟漫剧的时间轴参考，你可以根据自己的剧情调整：

0:00 - 0:20 开场钩子：悬念画面 + 一句关键台词 0:20 - 1:20 主线进展：交代主角目标，出现第一层阻碍 1:20 - 2:10 冲突升级：加入反转或新信息，主角选择行动 2:10 - 2:45 高潮：关键对决或真相揭示 2:45 - 3:00 结尾钩子：留下问题，引导下一集

这里有一个容易忽略的细节：很多新手在剪辑时会把大量时间花在开场转场上，结果真正的高潮段落反而被压缩。在漫剧这种强节奏内容里，建议把高潮场景的镜头时长拉得足够长，让观众看清楚情绪变化，而不是“一闪而过”。

7.3 字幕、音效与混音

字幕不要用自动语音识别生成后又直接使用。因为 TTS 生成的和最终配音版本可能存在差异，建议先用剧本里的台词文本生成字幕轨道，再对齐音频。字幕字体尽量选择辨识度高的字体，并避免与画面主体重叠过久。

背景音乐和音效的混音原则：人声优先，BGM 音量不要压过台词。如果角色在讲一段重要对白，BGM 可以降到很低；如果画面是转场和动作段落，BGM 再适当抬升。3 分钟的视频，音量层次至少要做 3 个等级变化，否则听起来会很平。

8. 常见问题与排查方法

这张表可以在你做第一集时贴在旁边。出现问题时要先对照“可能原因”，不要急着换工具。多数情况下，问题出在流程上没有把输入信息约束好，而不是模型能力不行。

9. 最佳实践：把创作变成一条半自动生产线

9.1 文件与素材目录规范化

从第一个项目开始，就要有目录管理意识。建议按下面这样的结构来组织素材：

AI漫剧_项目名/ 01_剧本/ 00_项目立项.md 01_剧本v1.md 02_剧本v2.md 02_分镜/ SC-001.md SC-002.md 03_画面/ character_设定/ scene_场景/ output_成图/ 04_音频/ voice_配音/ bgm_音乐/ 05_成片/ export_v1.mp4

这样做最大的好处是：当你想回看某一种画风是怎么写的，或者某段配音是怎么生成的，可以按目录快速定位，而不是在聊天历史里拼命翻找。

9.2 提示词版本管理

很多人以为提示词只需要保存在聊天工具里。但聊天记录会丢失，模型版本会变化。更稳妥的做法是：把每个阶段使用过的关键提示词保存为文本文件，并在里面标注“这个提示词在哪个项目里用过、效果如何、有哪些词需要避免”。

如果是一次团队协作，建议遵守“一次只改一个变量”的规则。比如想调整画风，就只换风格词，不改变其他人物描述。否则你很难判断成图变化到底是因为画风词变了，还是因为人物描述顺序变了。

9.3 批量生成与预算控制

AI 生成是有时间成本和资源成本的。批量生成图片时，建议每组控制在 2-4 张，选出最优后保存，不要无限制地重复生成。对音频生成也类似，先试听 3 个版本，再选择最合适的一个。

给每个镜头设定一个“满意阈值”。这个镜头要达到什么效果才算合格？如果达不到，就要回到提示词修改，而不是继续盲目抽卡。这一条能帮你节省大量时间和精力。

9.4 合规与平台规则

制作 AI 漫剧时，需要留意几个边界：

• 平台对 AI 生成内容的标识要求：部分平台要求对 AI 内容进行标注，应遵守平台规则
• 不要使用受版权保护的动漫角色、影视人物形象进行二创发布，除非获得授权
• 配音、音乐素材要确认授权范围，尤其是商业用途
• 不要在提示词中生成涉嫌侵犯肖像权、名誉权的内容
• 不要使用来源不明的第三方脚本或插件，以免账号信息泄露

这些规范不是让制作变得麻烦，而是为了保证内容可以稳定发布和持续运营。

9.5 每集结束后做一次复盘

建议在每集发布后创建一个“复盘记录”文件，回答三个问题：这集中哪个环节花费时间最多？哪个环节返工最多？下一集我要优化哪个步骤？这样的复盘比任何课程都更贴近你的实际问题。

10. 下一步：从“知道”到“做出第一集”

看完这篇文章，你不需要再去找更多“AI 漫剧一键生成”的工具，更稳定的做法是：先动手做一集三分钟样片。

具体的行动路径可以这样安排：

第一步，把第 4 章的剧本创作 Skill 粘贴到任意大语言模型里，输入你的故事需求，生成一版剧本初稿。按第 3 章的检查项修改，直到主角目标明确、冲突存在、结尾有钩子。

第二步，把分场景剧本拆成 8 到 12 个镜头，每个镜头按第 5 章的镜头模板写出描述，确定景别和情绪。

第三步，为每个核心角色建立人物卡和定妆照，整理一份风格词库，然后开始生成画面素材。不要期待一次生成就是成品，保留弃图和选中图，建立自己的审美记录。

第四步，把配音、BGM 和字幕按时间轴拼起来，导出成片，发布到目标平台，记录数据反馈。

最后，请记住一个核心判断：AI 漫剧的工具会越来越强，但“讲一个好故事”的能力不会自动进化。精品漫剧，从来不是依靠全自动流程制作完的，它需要创作者在第一线持续判断、修改、选择。把流程走通之后，真正拉开作品差距的，是你对故事、情绪和画面节奏的敏感度。这一点，恰恰是不能被自动化替代的。