企业官网建设流程全解析

做AI漫剧这一年多，我踩过的坑能排满一个硬盘。最翻车的一次，是前期画了二十多张角色图，自我感觉良好，结果剪到第三集时主角的脸已经换了四张，观众在评论区直接问"这和前面是同一部剧吗"。从那以后我才真正意识到，AI漫剧制作全流程不是"画图+配音+拼接"三个动作的简单叠加，而是一套必须按工序走的系统工程。今天这篇教程，我把一场戏从剧本到成片要走的6道工序——拆剧本、锁角色、出底图、动起来、配声音、剪成片——全部掰开揉碎讲清楚，每道工序配具体做法和踩坑提醒，文末还会放一份我自己一直在用的生成参数表，新手照着参数抄，至少能把"翻车率"压下去一大半。

1. 先把整套流程盘明白：AI漫剧的底层逻辑与工序划分

1.1 AI漫剧和传统动态漫画差在哪，为什么值得做

传统漫剧/动态漫画的路径是：有漫画原稿，然后用Photoshop分层、After Effects做镜头推拉摇移、配音剪辑。它最大的优势是画面稳定、风格统一，但最大的劣势是门槛高——你得先有一部漫画，还得会修图、会做动效，一个三分钟的片头可能就要磨两周。

AI漫剧把这条链路彻底换血了。它不再需要"先有漫画面"，而是用大模型根据文字描述直接生成画面，再用视频模型让画面动起来。这意味着什么？一个没受过美术训练的人，只要会写提示词、会挑参数，就能产出视觉质量不低的剧集内容。我见过最快的一条成片，从剧本到发布只用了两天，放在传统流程里几乎不敢想。

但这套模式也有它的命门，最典型的就是一致性问题。传统漫画一个角色从第一话到第一百话，形象永远是固定的，因为原画师脑子里有完整设定；AI漫剧里角色是"生成"出来的，如果不做锁定，每一帧都可能是一个"新演员"。所以我在前面强调，AI漫剧的核心不是生成能力，而是控制能力。

1.2 六道工序的上下游关系与工具链选型

我把一场戏的生产过程拆成了6道工序，顺序不可乱：

1. 剧本拆解与分镜脚本：把剧情切成镜头，明确每个镜头拍什么、拍多久、说什么。
2. 角色与场景一致性锁定：定下主角、配角的长相服装和核心场景，让所有镜头共用同一套"人物设定"。
3. 关键帧图片生成：按照分镜逐镜头出底图。
4. 图生视频动态化：让静态底图产生合理的运动，变成数秒的动态片段。
5. 配音与声音设计：给角色配音、补音效、铺背景音乐。
6. 剪辑合成与成片输出：把视频、配音、字幕按节奏拼起来，导出为成片。

这道工序的先后顺序不是拍脑袋定的，每一道工序的输出都直接决定下一道的质量。比如你不先锁角色就去生成关键帧，后面所有镜头都要重画；不先配音就剪辑，你会发现画面节奏和台词节奏对不上，剪了也得返工。

我目前跑通的工具链是这样的（2026年初仍在用，后面会逐个展开）：

• 剧本拆解与分镜：主流大模型对话工具 + Excel分镜表。
• 角色场景设定：Midjourney出三视图与参考图，Stable Diffusion（SD）搭配IPAdapter做角色特征锁定。
• 关键帧生成：SD WebUI/ComfyUI为主，Midjourney兜底抽风格。
• 图生视频：即梦、可灵、Runway轮流用，按镜头复杂程度选。
• 配音：剪映配音、ElevenLabs做主力，其它TTS做本地方言音色补充。
• 剪辑：剪映为主，Premiere做精修。

工具不固定，关键是理解每道工序在解决什么问题，换同类工具不会迷路。这套流程对新手最大的意义是，它把一堆"不知道从哪下手"的模糊任务，变成了六个可以逐个击破的具体环节。

2. 工序一：剧本拆解与分镜脚本，一切混乱的源头

2.1 一场戏到底怎么切成镜头（附分镜表模板）

很多人觉得AI漫剧的剧本就是一页对话稿，念完就能开工。真做起来你会发现，没有分镜的剧本就是个故事大纲，丢给AI模型根本不知道先画哪张图、后画哪张图。所以我做每个项目的第一步，永远是先把一场戏拆成分镜表。

分镜表的做法不复杂，但有几个关键字段我一个都不会省：镜头编号、景别、画面描述、角色状态、台词、预估时长。其中景别必须写清楚，远景、中景、近景、特写这四类直接影响后续提示词里该怎么描述人物大小；台词则决定配音的长度，也间接决定这个镜头要留多少秒。

我随手给一个实际项目中的分镜表示例（这是一场两人对话戏的开头三个镜头）：

这个表的意义有两层。对外，它是给AI生成模型当"提词器"，每个镜头对应一组提示词，照着表生成就不会漏镜头；对内，它是串联所有工序的"契约"，剪辑时哪怕素材多了一堆，也能按镜号对号入座，不至于拼错顺序。

2.2 用大模型辅助拆分的提示词模板（直接抄）

镜头多的时候，手写分镜表太累了。我现在会把原始剧本扔给大模型对话工具，让它先产出初版分镜，我再人工微调。这个环节最重要的是把输出格式约束住，否则它会给你一段小说，而不是一张表。

我用的提示词模板大致是这样（可以直接复制改动）：

你是一名AI漫剧分镜师。请把下面的故事情节拆解为适合AI漫画剧生成的分镜脚本。要求：

1. 每个镜头一行，按顺序编号；
2. 每行包含：镜号、景别（远景/全景/中景/近景/特写）、画面描述（主体动作+环境）、角色情绪、台词、预估时长；
3. 画面描述要具体到人物表情、动作、服装颜色、场景光线，避免"主角站在街上"这种含糊描述；
4. 一场5分钟的戏，镜头数量控制在30-45个；
5. 输出Markdown表格。

故事情节如下：……

这里有几个容易被忽视的点。第一，限定镜头时长之后，AI会主动把长对话切成若干短镜头，因为一个3秒的镜头根本装不下大段台词；第二，逼它写清服装颜色和光线，是因为这两个信息会原样进入后面的绘画提示词，写清了能省掉大量重画；第三，镜头数量必须用范围卡住，否则AI默认给你一分钟一个镜头，完全没法用。

有人会觉得这步麻烦，想跳过直接生成，我劝你别省。所有的"画面崩坏""剧情接不上""人物一会儿胖一会儿瘦"，八成都是因为分镜阶段偷了懒。我接过很多新手发来的半成品项目，返工成本大多出自分镜不清：要么镜头顺序乱，要么描述太模糊，到了剪辑台才对着几十张素材发呆。分镜看着费时间，其实是在替后面五道工序买保险。慢就是快，这句话在AI漫剧里再准确不过。

3. 工序二：角色与场景一致性锁定，防止"换脸灾难"

3.1 角色参考图与特征描述词怎么配合

AI漫剧翻车率最高的环节，就是角色一致性。我见过太多人第一镜画了个长发红裙女主，第二镜直接变短发黑裙，观众一眼就出戏。要解决这个问题，光靠提示词是不够的，必须给每个主要角色做一套"角色档案"。

我的做法分三步：

第一步，先用Midjourney或SD生成角色的基础三视图（正面、侧面、背面），外加两个包含丰富表情和动作变体的参考图。生成时我会反复用到同一组特征描述词，比如"24岁亚洲女性，黑色长直发，红色风衣，左眼角有一颗小痣"，这套描述词在后面所有镜头里必须原封不动地复用。

第二步，把这套角色图作为参考图，绑定到后续镜头的生成里。Midjourney支持用垫图或者角色参考参数来锁定角色特征，SD则更灵活，可以用IPAdapter把角色参考图作为一种"图像条件"注入生成，也可以用角色Lora把某个脸彻底固化下来。

第三步，建立角色特征速查表。每个角色一行，写上固定描述词、参考图编号、Lora名称/权重。这东西看起来多余，但在长剧集里救过我好几次——更新到第10集时我翻表就能确认女主的服装细节，不用靠记忆。

你需要理解一个原理：AI绘画模型不是"记得"你的角色，而是"从描述和条件中重新生成"角色。所以你每次给它喂的信息不一致，它每次生成的就不一致。角色档案的本质，是让每次喂进去的信息完全一致。

3.2 场景与道具的一致性，很多人会忘记的坑

角色锁定了，场景容易翻车。同一场戏，第一个镜头是在"破旧的工业风咖啡馆"，第二个镜头AI给你画成"明亮的北欧风咖啡馆"，观众同样会懵。

场景一致性不需要像角色那样做参考图拉满，但至少要有一个场景设定描述和一张场景基准图。我一般每场戏先出一张"宽幅场景概念图"，把它当作背景参考，后续镜头生成时在提示词里固定写"背景同场景概念图：破旧工业风咖啡馆，墙角有老式黑胶唱机，主光源是暖黄色顶灯"，同时用垫图约束。

道具的一致性也不能小看，特别是主角拿的手机、佩戴的项链、开的车这类反复出现的物件。方法同角色：单独生成一张道具参考图，每次需要它出现时，在提示词里额外放一段固定的道具描述。

这里分享一个实用技巧：给每个场景/角色/道具编号。比如"主角=CH-01，咖啡馆=SC-03，手机=PR-07"，然后在生成提示词里直接用编号+固定描述。看着机械，但配合批量处理脚本非常省事，后期要改某个设定时，只改编号对应的描述词即可。

4. 工序三：关键帧图片生成，提示词与参数怎么搭

4.1 提示词的四段式结构：主体、环境、画风、镜头

分镜表拿到手之后，就是关键帧图片生成。这一步输出的是整部剧最核心的视觉素材，质量好坏直接决定观感。先讲提示词结构。

我常年用的四段式结构是：主体 + 环境 + 画风 + 镜头，顺序固定。举例，对应分镜表里的02镜：

• 主体：24岁亚洲女性，黑色长直发，红色风衣，左眼角小痣，低头，神情温柔
• 环境：破旧工业风咖啡馆，墙角老式黑胶唱机，暖黄色顶灯，窗外黄昏
• 画风：日系赛璐璐漫画风格，高饱和度，干净线条，光影通透
• 镜头：中景，两人相对站立，男主看向女主，浅景深

用Stable Diffusion生成时，这四段之间用逗号分隔，中英文混排没关系；用Midjourney时，同样的结构也能直接跑通。

为什么我一定强调四段式？因为很多新手只写主体和画风，比如"一个女孩在咖啡馆，动漫风格"，结果环境被模型自由发挥，几秒钟前锁好的场景设定直接失效。把环境、画风、镜头都写进提示词，不是为了好看，而是为了给模型明确边界，减少随机性。

4.2 生成参数表：采样步数、CFG、分辨率怎么定

提示词只是半边天，另一半是参数。我给新手跑图一般固定一套参数，先讲清楚每个参数在干什么。

先明确分辨率：漫剧发抖音/短视频平台以竖屏9:16为主，发B站/YouTube横屏16:9。我建议在生成阶段就按发布比例出图，别先出方图再裁，裁图会损失构图信息。

采样器和步数：SD里我常用DPM++ 2M Karras配合25-30步，这个组合在质量和速度上是综合最稳的。步数太低画面会脏，出现色块和噪点；超过40步纯属浪费时间，画质不会明显提升。

CFG（提示词引导强度）我一般锁在7-8这个区间。CFG太高画面会过度贴合提示词，出现那种"塑料感"的过度锐化；太低则模型容易自由发挥，忽略你的关键设定。搞不清原理的时候，就记住：7.5是一个什么题材都能兜住的值。

种子（seed）很多人忽略。同一个提示词，改种子画面就会完全不同。我批量出图时会固定种子先出一批底图，选中最满意的一张记住种子，后面微调参数时种子不变，只小幅改提示词，这样可以保证画面在"同一张的基础上"优化，而不是每次推倒重来。

我把常用的生成参数表整理一下：

抽卡策略上，我不建议每个镜头只生成一两张就选。正确姿势是先固定角色参考和种子，每个镜头批量生成4-8张，选一张最符合分镜意图的作为底图。选图的标准不是"最好看"，而是"最符合分镜描述 + 适配后续动画生成"。很多新人在这一步栽跟头：选了一张美得不行的大头照，结果下一道工序视频生成时根本动不起来。

5. 工序四：图生视频，让静态画面真正动起来

5.1 图生视频的提示词重心：动作幅度和镜头运动

关键帧图片生成之后，接下来要把静态画面变成动态片段。这步我一般用可灵、即梦这类图生视频工具，把底图作为首帧上传，再写一段"运动提示词"。

注意，图生视频的提示词和绘画提示词完全是两套逻辑。绘画提示词要求描述完整画面内容，视频提示词要描述的是"变化"——什么物体在动、朝哪个方向动、镜头怎么运动。比如同一张咖啡馆双人对坐的底图，绘画提示词描述"两人相对而坐，神情温柔"，视频提示词应该写"女主缓缓抬头看向男主，镜头缓慢推进，背景有轻微光影闪烁"。

运动幅度这里有讲究。AI视频生成有一个普遍的规律：运动越剧烈，画面畸变风险越高。人物甩头发、快速旋转这种动作，模型很容易把五官扭成一团。新手阶段建议把运动幅度控制在"轻微到中度"：人物有小幅表情变化、衣摆飘动、镜头有推近或平移，这类动作成功率最高。

我会在提示词里同时给出正向和负向描述。正向写清"主体动作 + 镜头运动"，负向写"人物五官扭曲、面部变形、肢体异常、背景闪烁、高速运动"。负向提示词不是越多越好，但人物五官和肢体这两类属于必选项，写进去就能避开最频繁的翻车场景；至于背景闪烁这类问题，不同模型表现差异大，可以先跑两三个测试再决定要不要保留。

5.2 视频生成参数与"吃分段"策略

视频生成参数我给你一套保守且好用的默认值：

单段时长我特别强调一下：宁可多生几段短的，也不要贪一段长的。原因很简单，视频模型的自回归机制决定了生成时间越长，误差累积越明显，画面越往后越容易崩。一个四秒的动作片段，如果前面两秒崩了，重新生成的成本还能接受；一段十二秒的长镜头崩到第8秒，整段作废，前面的时间全白花。

还有一种实用手法，我把它叫"适配切分"，适合动作连续但跨度较大的镜头。比如主角从门口走到桌前再坐下，这是一个完整动作，但我不会让它一个镜头直出12秒，我会拆成三段：01推门进店（4s），02走向餐桌（5s），03坐下抬头（4s）。每段分别用底图或上一段的末帧作为起始帧，生成后再剪成一个连续动作。这个方法初期稍微费点功夫，但容错率高、画面稳，是我现在的主力方案。

底图选择上也有一句要提醒：生成视频前，尽量选人物相对完整、有足够身体余量的图。半身像或特写能动的空间很小，复杂的肢体动作基本做不了。如果你分镜里确实需要全身动作，在关键帧生成阶段就要预留构图空间，不要把人物顶到画面边缘。

6. 工序五：配音与声音设计，别让耳朵拖后腿

6.1 台词配音：选音色、调语速、对齐节奏

画面再精致，声音是干瘪的，观感会断崖式下降。AI漫剧的配音环节，我用TTS解决的问题分成三块：台词语音、旁白解说、情绪爆发点。

台词配音的选型，目前主流是两类：一类是剪辑软件内置的AI配音，上手快，中文自然度已经不错；另一类是更高阶的独立TTS引擎，支持多音色、语速、情感强度调节，适合做主角的专属声线。我做长剧时会给每个主要角色固定一种音色和语速，像锁角色形象一样把"声音形象"也锁住。配角可以适当混用，但主角的声音一定不要一集一个样。

语速设置有个经验值：对白语速放在每分钟240-260字比较自然，旁白可以再放慢到180-220字。情绪激动的地方可以调高语速、加大音量，但不要全程高亢，观众会累。说到这里，有人可能会想用多个TTS去模拟多人对话，我建议先把单人剧情的配音跑熟，再尝试多角色对线，因为多角色对线还要处理音色区分和应答节奏，新手容易手忙脚乱。

配音与画面节奏的关系，我放在剪辑章节细说，但这里先立一个原则：配音先行。意思是配音的音频轨道先落位，剪辑时让画面去配合配音的节奏，而不是先剪出画面再硬生生塞台词。

6.2 音效与背景音乐：分层铺，音量有讲究

音效和BGM常被新手忽略，但它们是"片子是否高级"的分水岭。一段戏加上细微的环境音（风声、脚步声、杯子碰撞声），质感立刻不一样。

我的声音设计分三层：环境底噪、单点音效、背景音乐。环境底噪是每一个场景都要铺的一层，比如咖啡馆场景低音量的人声嘈杂和杯碟声，音量控制在极低，让人"感觉到但不注意到"；单点音效对应画面里的具体动作，比如开门声、脚步声、手机消息提示音，需要按照动作时间点放进去；背景音乐则挑选与情绪匹配的纯音乐，音量压在环境音之上、人声之下。

音量配比我给一个可参考的经验范围：环境底噪 -24dB 到 -18dB，单点音效 -12dB 到 -6dB，背景音乐 -18dB 到 -12dB，人声保持在 -6dB 到 -3dB。这里不是定死标准，而是提供一个起点，具体用耳朵微调。有个很简单的检验方法：戴上耳机听一遍，如果注意力被音乐带走而不是被台词带走，就说明BGM高了，需要往下降。

需要特别小心的是BGM别盖过人声。新手最容易犯的毛病就是把音乐拉满，结果台词听不清，弹幕全是"声音好吵"。你要是拿不准，就把背景音乐在混音时稍微提高一点点头，但始终留出让台词"钻出来"的空间。

7. 工序六：剪辑合成，最后一公里的门道

7.1 先把音轨铺好，再拼画面

剪辑阶段我有自己固定的顺序：先建序列→铺配音轨道→铺BGM和音效→再按台词节奏逐镜头摆放画面素材。跟很多人"先把画面排好再配音"的习惯相反，这个顺序能省掉大量返工。

原理很简单：台词的时长是硬约束，一段3秒的台词放不进一个1秒的镜头里。先把配音轨定好，每个画面该占多长、何时切走，就变成了"对答案"而不是"猜答案"。实际操作时，我会先按分镜表的预估时长粗排一遍画面，然后逐句听配音，凡是画面时长跟台词节奏不匹配的，该延长的延长、该拆分的拆分。

字幕这块，我建议用"一句台词一条字幕"的规则，不要一句话拆两条，也不要两句并一条。字幕出现的时间点，在台词开口前约0.1-0.2秒，收字在台词结束后0.3秒左右，这样人读起来不会赶。卡点节奏上，有明显笑点或情绪转折的地方，我习惯在转折前留半秒静默，给观众一个"预期落差"。

镜头转场要克制。AI漫剧的画面本身信息量就足，花哨转场会喧宾夺主。我常用的转场只有三种：硬切（大多数镜头）、轻微推近（情绪升华时）、叠化（回忆和梦境）。其他在剪辑软件里一键生成的花哨转场，除非剧情明确需要，否则少用为妙。

7.2 成片导出参数与多平台适配

剪辑完成后的导出，参数设置决定了发布后的画质表现。我固定用H.264编码、MP4封装，这是兼容性最好的组合；码率方面，1080P的片子建议不低于8000kbps，4K可以拉到15000kbps以上，码率太低会在暗部出现色块。

帧率按项目录制时定的来，25或30帧都可以，但不要渲染成60帧去"假装流畅"，AI生成素材本身不是60帧，强行插帧容易出果冻感。

多平台发布时，画面比例是不能再改的，所以比例这步要提前在分镜阶段就定死。竖屏9:16发抖音、快手、视频号；横屏16:9发B站、YouTube。封面图我一般从成片里挑一张信息量最大的画面，在封面文字上点出这一集的核心钩子，比如"她到底发现了什么"。

导出前的最后检查清单，我建议过一遍：画面里有没有未修干净的崩图、字幕有没有错别字、结尾有没有留出一些平台要求的结束黑场（有些平台建议视频末尾留1-2秒黑场，避免最后一帧资讯被进度条遮挡）。这套检查看着琐碎，但恰恰是判断片子能不能发出去的门槛。崩图会直接劝退挑剔的观众，错别字在弹幕里一定会被点名，黑场则关系到平台播放末帧的体验。把这些检查项固定成一个模板，每次导出前走一遍，发布后的翻车概率能降一半。

8. 常见问题与排查技巧实录

8.1 高频问题速查表（建议收藏）

我把实操里最常被问的问题整理成一张表：

这张表不是标准答案库，而是我踩坑后的排查路径。遇到问题时先对着表找最接近的一项，如果对不上，再回看分镜脚本——很多时候问题出在源头，而不是最后一步。

还有一个小观察：AI漫剧新手最迷茫的时刻不是不会生成，而是生成得太多、不知道怎么选。我的建议是建立素材管理习惯，每个镜头素材按"镜号+版本+状态"命名，比如"02_终版_v3_选中.png"，后期检索会快很多。这个习惯一开始会觉得烦，但做到第二部剧的时候，你会感谢当时坚持了命名规范。素材一旦超过几百个文件，没有命名的文件夹就是灾难现场，光找一张图就能消耗十分钟。

8.2 我的5条独家避坑心得

最后分享五条压箱底的经验，每一条都是真金白银买来的：

第一，凡是涉及角色正脸的镜头，生成时务必用角色参考图，而不是光靠提示词。提示词锁得住气质，锁不住长相，参考图才是硬绑定。

第二，全身镜头在视频生成环节最容易崩。如果剧情需要全身动作，建议先在中景或特写里建立人物视觉印象，再切全景，这样观众脑补出的连续性会更强。

第三，配音永远先于画面剪辑。把台词轨铺好再排画面，节奏感会完全不一样。我见过太多人剪完画面再配音，结果为了迁就画面把台词硬砍，剧情逻辑伤得千疮百孔。

第四，不要一次性生成全部镜头再开始检查。我现在的习惯是每完成一场戏（10-15个镜头）就停下来看一遍连贯性，有问题当场返工。全部成片后发现问题，整改成本至少翻三倍。

第五，参数表只是起点，不是圣旨。同一套参数换不同的底图和提示词，效果可能天差地别。多做AB测试，把"什么参数配什么题材"沉淀成自己的资料库，这是别人拿不走的隐性资产。

上面这些流程和参数，是我带过不少新手项目后一点点磨出来的。你会发现我做事的习惯是先做减法：能锁定的锁定（角色、场景、参数），该拆分的拆分（镜头、片段、音轨），最后才谈效率工具和花活。我个人最大的体会是，AI漫剧制作全流程真正难的地方从来不在"生成"，而在"控制"——控制一致性、控制节奏、控制返工成本。你照着这套6道工序走完一场戏，大概率会比我当初顺畅很多。如果后面有人想聊长剧集的批量生产、多角色复杂调度，我可以再单独写一篇，把这一整套流程里的坑一次性补齐。