企业官网建设流程全解析

做内容这行的人，最近聊天绕不开短剧。传统剧组拍一集要多少成本大家心里有数，而现在一个开源项目就能让你在本地把“写剧本、出分镜、生视频、配声音、剪成片”整条链路全部跑通——这就是XinMi Movie短剧创作平台。定位很清晰：给内容创作者和视频制作团队提供一套开箱可用的AI全流程视频创作系统，从一句话创意到成片导出，中间那堆脏活累活全交给管线调度。

如果你是一个人做账号的短视频博主，可以用它批量产竖屏小剧场；如果你是三五个人的内容工作室，想接短剧外包、做流量矩阵，它比一堆散装工具拼起来的管理成本低得多；如果你是有技术底子的团队，还能二次开发，把它变成自己的私有生产系统。下面我按“为什么值得用、核心模块怎么拆、怎么部署落地、实际会踩什么坑”这条线展开，全文偏向实操。

1. 从“素材拼盘”到“一条流水线”：这个平台解决什么问题

搞明白一个工具值不值得上手，先要看它替掉了你工作流里的哪一段痛苦。短剧行业这两年不缺工具，缺的是能把工具收拢到一起的东西。

1.1 短剧产能焦虑：工具链割裂才是真正卡脖子

短剧的量产逻辑和传统影视不一样，一部片子动辄几十集甚至上百集，单集也就一两分钟，但更新频率被平台逼得极高。A同学在某MCN机构带内容组的时候，一个月的产能指标是三部短剧、每部五六十集，按传统制作流程根本填不满。

早期团队用散装工具拼：大模型写脚本，Stable Diffusion类工具出分镜，另一个工具做口播配音，再换剪辑软件合成。这套流程表面上走得通，但实际执行会出三件事：

• 素材孤岛。每级工具生成的资产彼此不认，图是图、文是文、音轨是音轨，全靠人工按文件夹归置，一旦集数超过二十集，素材命名就彻底失控。
• 角色漂移。同一人物在不同镜头里长相不同，脸一会儿瘦一会儿圆，衣服颜色都可能变，观众一眼就出戏。
• 修改成本爆炸。剧本改一句话，后面分镜图、配音、剪辑全都要重排，因为没有统一的项目文件去管理“哪个镜头属于哪句台词”。

这三个问题都不是“某个软件不够好用”造成的，而是工作流本身没有一条标准序列。XinMi Movie想解决的正是这条序列：它把创意、视觉生成、动态化、声音合成、字幕、剪辑全部纳入同一个工程文件，用一个贯穿全程的镜头ID把资产串起来，改一处可以联动到下游。

1.2 一体化编排：把剧本到成片变成一套标准工序

“全流程”这个词听起来很宏大，实际上核心是任务编排。平台内部把创作拆成了七个标准环节：剧本结构化、角色定义、分镜生成、图像动态化、配音合成、字幕生成、剪辑导出。每个环节都可以单独跑，也可以全自动串联，就像工厂流水线一样，前一站的产出就是后一站的输入。

这有一个很务实的好处：团队分工可以切得非常细。编剧只负责在剧本模块里出内容，美术只看分镜模块的输出，后期只检查合成阶段的音画问题。每个人打开同一个项目文件，看到的都是自己关心的那一层，而不是在一堆混乱的PNG和MP3里翻找。

我实测下来，这种“用数据模型统一调度”的思路，比单纯把好几个AI工具塞进一个界面要靠谱得多。因为工具之间只是UI层面被打通了，但底层数据不连通，角色信息、镜头编号、时间轴依然各管各。XinMi的做法是所有中间产物都挂在统一的结构化流程上，哪怕某一步生成效果不理想，你也能精准定位到是哪一个镜头出了问题，直接重跑那一环就够了。

1.3 开源身份意味着什么：可控、省钱、能深度定制

开源是这个平台最有意思的属性。短视频团队通常没有很高的软硬件预算，商业AI视频工具按时长收费，一部短剧跑下来成本不低。自部署以后，只要硬件能扛住，出图、生成视频、配音都不会再产生按分钟计费的账单，边际成本非常低，适合走量。

另外是内容安全。短剧项目上线前经常要反复改稿，剧本和素材属于团队核心资产，用公有云平台跑，数据都在别人服务器上。开源系统部署在本地或自己的机器上，剧本、分镜、成片始终都在团队手里，这点对做原创IP的团队尤其重要。

还有个常被忽略的好处是可深度定制。开源意味着你能替换平台内置的各个模型。比如你觉得平台默认的剧本Agent文风太板正，可以把剧情生成部分换成自己微调好的大模型；觉得默认角色稳定度不够，可以自己训练人物LoRA接入角色库。社区里还会有第三方的插件和风格包，等于给团队留了一条持续演进的生长路径。

当然，开源也意味着需要一点技术能力。纯小白用户部署起来会有点门槛，但这也换来更大的灵活性和更低的长期成本。怎么权衡值不值，后面部署章节我会给出更具体的判断标准。

2. 核心模块逐个拆：脚本、分镜、成片、字幕到底怎么跑

这一章把手伸到系统内部，把每个环节的运作方式和关键参数讲明白。这样哪怕你没跑过完整项目，也知道平台是怎么从创意到成片逐层落地的。

2.1 剧本Agent：先定节奏卡点，再谈文采

平台内置的剧本Agent不是简单聊天机器人，而是按照短剧结构做定向输出的结构化编辑器。你给它一句话题材描述，它会先产出角色表、主线冲突、分集大纲，再针对每一集生成完整的场景脚本，每一场戏都会带情绪走向、台词、动作描述和镜头提示。

这里最重要的参数不是“文采”，而是节奏约束。短剧受众的耐心非常有限，单集120秒左右就必须有一个小高潮，每三到四集要有一个大的反转钩子。平台在设置面板里提供了单集时长、爽点密度、反转位置这几个量化指标。实操时可以把单集时长定在120秒到150秒，爽点密度调到每90秒一个，反转位置放在单集末尾，用来逼观众点下一集。

我习惯先让剧本Agent输出一个粗糙的三幕结构：开端抛冲突、中段给压力、结尾留钩子，然后逐场修改台词。千万别让它一次性输出两千字的完整长文，短剧的对话需要极强“信息密度”，如果一上来就长篇大论，后面分镜和剪辑都会很难做。把每场戏的对话控制在三到五句，信息量给足但不废话，才符合短剧的节奏感。

2.2 角色一致性：脸不崩的四个关键设置

AI短剧最大的痛点就是角色一致性。平台的做法是建立“角色库”：每个角色有独立的属性档案，包括外貌特征、服装描述、常用表情和动作特征。生成分镜图时，系统会把这些约束注入到图像模型的提示词里，再从参考图里提取细节。

但光靠提示词不够，实际操作还要配合四个设置：

• 固定seed。同一角色的所有分镜尽量沿用同一个基础随机种子，避免脸型、肤色出现随机漂移。
• 统一特征描述顺序。角色档案里的prompt要保持固定写法，比如“发型-脸型-眼睛-眉毛-鼻子-嘴-服装”的顺序，模型对越靠前的描述权重越高，稳定度会明显提升。
• 参考图锚定。给每个角色选好一张基准脸，后续生成都从这张图作为img2img的底图，而不是每次从纯噪声生成。
• 角色LoRA微调。如果项目制作周期长、出镜频率高，强烈建议用若干张角色图训练一个轻量LoRA。低显存也能跑，一次训练可以管整个项目，脸部细节的保持程度远超纯提示词方案。

这里要说明一点：角色一致性不是100%绝对的事情，尤其是动态镜头里侧脸和表情变化时偶尔会崩。实操标准是“正脸近景必须稳，中景远景基本稳，极限表情可以重跑一到两次”，能到这个程度就足够交给观众了。

2.3 动态化与剪辑：不是每个镜头都要“动起来”

分镜图是静态图，真正的短剧画面还需要让它动起来。平台的动态化模块提供两种路径：一是图生视频，输入单张分镜图生成数秒视频片段；二是关键帧补间，在两张关键图之间自动生成过渡动画。前者适用人物表演镜头，后者适用场景转场和运镜镜头。

两个路径的参数差异比较大。图生视频主要调帧率、时长、运动幅度和一致性权重。短剧一般用24帧率，每个镜头生成2秒到4秒就够，运动幅度不要开太大，否则人物脸部容易变形。关键帧补间更适合推拉摇移这样的镜头运动，生成速度更快，占显存更小。

我实际跑项目时发现一个原则：静态镜头要用够，动态镜头要克制。比如人物对话的场景，可以大部分用轻微的面部特写静态镜头加局部动效，只在情绪爆发的瞬间生成3秒的动态镜头，这样既保住画面质量，也让算力分配更合理。别每个分镜都指望生成完美视频，那是现阶段任何生成模型都扛不住的高要求。

2.4 音色与字幕：多角色连续对话的两个坑

音频环节包括TTS配音、音效叠加和BGM处理。平台内置了多音色TTS，也能加载自己训练的音色克隆模型。每个角色除了词库级别的描述外，还可以在音色配置里标注语速、情绪基调、常见语气词。这些配置会随着角色库一起保存在项目文件里，换一集接着用。

多角色对话最容易出现两个坑。第一个坑是音色串场，连续对白生成时，如果角色切换没有严格绑定音频轨道，容易让两个角色声音混到一起。解决办法是按镜头ID生成音频，每个镜头单独一条音轨，最后在合成阶段统一混流。第二个坑是字幕时间轴对不上，TTS生成的语音时长和画面剪辑长度不一致，字幕会提前或延后。

平台的字幕生成逻辑是先从音频轨提取时间戳，再映射到分镜时间轴，最后生成SRT文件。实操时我的建议是：配音完成之后不要立刻导字幕，等画面剪辑定稿再重新生成一次字幕，这样时间轴才是最终对得上的版本。这个顺序稍微注意一下，能省下大量人工对齐时间。

3. 部署与实操：把XinMi跑起来，并完成一部单集短剧

看再多的功能说明都不如自己跑通一次。这一章直接按落地流程走，从环境准备到完成一集成片，每一步给出可以选择的具体操作。

3.1 硬件环境与快速启动：适合大多数工作室的起步配置

先说硬件。XinMi Movie的前端和API服务对配置要求不高，真正的算力消耗都在图像生成、视频合成和TTS这三个环节。

• 入门配置：NVIDIA显卡12G显存，可以跑出图和部分TTS，视频生成会比较吃力，适合内容不多的小项目。
• 推荐配置：NVIDIA显卡24G显存，能流畅跑图生视频和中小分辨率动态化，支持全流程串联。
• 团队配置：多张显卡做分布式生成，一台主节点跑调度，多台工作节点分担生成任务，适合每天要批量产出的MCN团队。

部署推荐用Docker Compose方式，把前端、API、模型服务、数据库一次性编排起来。官方仓库提供了现成的compose文件，拉下来以后先看一下端口映射和目录挂载，把数据目录指到宿主机上，避免容器重启把产出素材清空。

git clone https://example.com/xinmi-movie.git cd xinmi-movie cp .env.example .env docker compose up -d

启动后打开本机端口就能看到Web界面。第一次进入会引导你配置模型工作目录和API密钥，这里建议把模型单独放在一个本地目录，比如xinmi/models/，再映射进容器。这样后面升级镜像时，已下载的权重文件不会反复拉取。

3.2 模型接入与项目初始化：让平台知道你手上有哪些资源

平台本身不内置大体积模型，启动后需要手动接入两类模型：一类是语言模型，负责剧本生成和对话理解；另一类是图像/视频生成模型，负责出图和动态化。语言模型可以填本地或远端的API地址，图像模型如果没有现成服务，可以先让平台调用自带的模型服务组件，它会将模型加载到本地GPU上。

接入完成后创建新项目，填项目名、风格标签、目标平台分辨率（短剧选竖屏1080x1920），然后添加主要角色。每个角色要上传或生成一张基准脸图，并填写外貌特征词。这一步是后续所有分镜图的基底，建议一次填到位：发型、脸型、服装主色、标志性配饰都写清楚，不要用“好看”、“帅气”这类空泛描述。

项目初始化完成后，系统会自动生成一个数据目录，里面按project/characters/、project/scripts/、project/storyboards/、project/audio/建好子目录。所有素材命名都带唯一镜头ID，例如shot_001_character_hero_angle_front.png，方便后期按ID定位和重跑。

3.3 从一句话到大纲：实际操作中的参数调整记录

我模拟一次真实项目。某工作室准备做一部竖屏职场短剧《逆光》，策划给了一句话：职场新人被当众质疑，三分钟后用方案翻盘，结尾埋下新的危机线。

剧本Agent先输出角色表，包括主角、反派同事、直属上级三个核心人物，以及一集初步脚本。第一次生成的脚本问题很明显：铺垫太长，前30秒没有任何冲突。我调整了参数：单集时长150秒，首波冲突放在15秒内，反转卡在120秒左右，结尾钩子强度调高。重启生成后，结构变成了“会议室质疑开场-素材展示反击-领导表态-空降新对手预告”，整体节奏明显符合短剧习惯。

3.4 批量制图与动态化：想清楚每颗镜头的作用再点生成

分镜模块里，剧情脚本会自动解析成镜头列表，每个镜头带景别、角度、角色状态提示。我一开始直接批量生成了20个镜头，但质量参差，后来学会先跑一遍“小样”：把每个景别选一张代表图，确认构图和角色状态没问题，再批量跑剩余镜头。

批量出图参数我用的是：采样步数默认28，CFG 7，分辨率1080x1920，seed固定。跑完第一轮后，把有明显崩坏的镜头单独扔回重推，用img2img微调局部细节，而不是整张重出，这样能保留角色脸部特征，省显存也省时间。

动态化阶段，我只对三个镜头做了图生视频：女主推门入场、拍桌反击、领导起身表态。其余镜头都走轻量补间或保留静态加轻微运镜。实测每个视频镜头生成大约30秒到一分钟，帧率24，运动幅度中等偏下。整个项目跑下来，算力消耗比全镜头视频生成低了50%以上，画面质量也稳得多。

3.5 合成与导出：检查哪些位置，再按模板输出

所有分镜片段生成并配音完成后，进入合成环节。平台提供自动剪辑：按剧本设定的镜头顺序拼接，嵌入转场，配上BGM和音效。导出前有三个位置必须人工确认：

• 镜头开头和结尾的衔接。特别注意运动幅度大的镜头，两段相邻画面的首尾帧是否连贯。
• 对白音轨的电平。多角色对话时检查是否存在某一句特别响、另一句几乎听不清的情况。
• 字幕断句。SRT字幕是按音频时间戳生成的，但长台词可能会断在奇怪的位置，需要在编辑器里手动微调换行。

确认无误后，选择导出分辨率、码率和封装格式，就能生成一个完整的竖屏MP4。单集从一句话到成片，在我自己的机器上整套流程跑下来大约半小时到一小时，主要时间花在生成和检查上，人工干预并不重。

4. 实际跑项目中踩过的坑：问题定位与排查清单

真实环境永远比文档复杂。以下是我自己跑项目时遇到过的四类问题，以及对应的排查思路。

4.1 同一角色在不同镜头里“换了个人”

表现是：上一集还是黑长直女主，下一集的脸型突然变圆，或者近景和全景完全是两个人。常见原因有三个。

• 原因是seed漂移。每张图用了不同的随机种子，导致脸型变化。固定seed后有明显改善。
• 原因是参考图权重过低。角色库里的基准脸没能有效约束生成，需要在角色配置里把参考图权重调高。
• 原因是提示词过于口语化。角色特征描述里出现“大眼睛”、“瓜子脸”这种宽泛词，模型发挥空间太大。改成“自然黑色长发、较窄下颌、微微上挑的眉眼”这类紧凑描述后，一致性明显提高。

如果项目很大，最彻底的方案是离线训练一个角色LoRA，把模型对角色脸的锚定能力拉满。

4.2 生成到一半显存溢出或卡死

显存不足的表现是进度条跑到某个百分比后直接报错退出。优先做三件事：模型加载改成半精度、图像模块batch size设为1、视频生成时长压缩到2秒。如果仍然溢出，说明显存确实不够，可以开启模型分层卸载，让不常用的模块从显存释放出去。

我还在团队机器上验证过另一种方式：把动态化任务单独放到一台性能较强的节点上执行，其他机器只看出图和TTS。调度不密集以后，卡死概率明显降低。

4.3 角色声音串场与字幕时间轴错位

多角色对白声音串场，绝大多数不是TTS本身的问题，而是项目文件里音频轨关联的镜头ID错了，导致配音文件被贴到别人镜头下。排查方法很简单：查看音频轨的命名是否与分镜ID一一对应，如果一段对话跨越多个镜头，手动拆分音轨并按镜头挂载即可。

字幕时间轴错位，核心原因是画面剪辑时长和音频时长不一致。建议所有画面都定稿后再跑一次完整字幕生成，不要图省事用早期草稿的字幕文件。平台允许自定义SRT导出，我一般会把“每行字幕最多20个字、停留不超过3秒”作为通用规范。

4.4 动态镜头闪烁严重：关键帧锚定法

图生视频生成的长镜头偶尔会出现背景抖闪，尤其是物体边界和人物轮廓位置。我的做法是“关键帧锚定”：关闭自由生成模式，手动指定视频首帧和尾帧，让模型只做中间过渡，而不是完全自由发挥。代价是运动幅度会受限，但换来了画面稳定，短剧这种强叙事内容更适合这种保守策略。

4.5 快速排查速查表

这套排查表基本覆盖了前一个月使用中遇到的绝大多数问题。真遇到表里没有的，去社区翻Issue通常也能找到解法，毕竟开源项目的问题讨论效率一向优于闭源黑盒。

用了一个月之后：一些个人经验

这个平台我实际跑了大概一个月，最大的感受是：它不是把“很多AI能力”堆在一起的玩具，而是真的把“流程思维”做进了短剧生产的每个环节。刚从散装工具转过来时可能会觉得多了一道学习成本，但一旦把项目文件、镜头ID、角色库这套体系用顺手，你会发现所有以前需要人工盯着的衔接点都被系统管住了。

最后分享一个我自己很受用的小技巧：建项目时，角色档案的提示词一定要按固定顺序写，别想到什么写什么。先写外貌，再写服装，最后写情绪和动作，生成时所有画面的一致性都会有肉眼可见的提升。这个技巧不花一分钱，但对成片质感的影响非常直接。

如果后面有时间，我会再写一篇关于“如何训练自己的角色LoRA”的文章，那一步做完之后，AI短剧的稳定度还能再上一个台阶。现阶段我只想说，内容创作团队如果想认真做AI短剧，把一套能跑全流程的开源平台架起来，绝对是对时间成本最划算的投资。