用 AI 做一条 60 秒漫剧:七步拆解
七步不是流程美学,每一步都在解决一个具体的翻车点。最容易出问题的不是生成,而是角色不一致和镜头断裂。
七步是:点子 → 分镜 → 角色卡 → 脚本 → 画面 → 配音 → 成片。真正的分水岭在第三步(角色卡)和第五步(画面)——角色不一致源于没在生成前把外观钉死,镜头断裂源于每张图各自成画、没有共享的构图语言。另附 60 秒的时间换算,以及哪些环节最值得反复调。
操作步骤
- 先把一句话点子写成"谁、在哪、要什么、被什么挡住",四个要素缺一个,后面每步都要返工。
- 出分镜:60 秒拆成 8–12 个镜头,平均 5–7 秒一个,超过 8 秒观众会走神。
- 生成前先定角色卡:把发型、服装、体型、主色写成固定短语,后面每张图都原样带上。
- 写脚本时只写"镜头里看得见的东西",心理活动交给配音。
- 出画面:先用同一段风格描述批量出小图比稿,选定后再出大图,避免逐张试错。
- 配音按镜头切,不要整条通读,否则重录一个镜头要重录全片。
- 最后合片:统一调色与音量,把转场减到最少——转场越多,断裂感越强。
为什么是七步,而不是“直接开始生成”
大多数人做 AI 漫剧是从“生成第一张图”开始的,然后在第 20 张图时发现主角换了脸。
七步的价值不在于仪式感,而在于把会返工的决定提前:外观先定、构图先定、时长先定,剩下的才是生成。
七步各自在解决什么
① 点子。 写成「谁、在哪、要什么、被什么挡住」。四个要素缺一个,后面每步都要返工——因为分镜没法画、结局没法收。
② 分镜。 60 秒拆成 8–12 个镜头,平均 5–7 秒。这一步的产出是镜头清单,不是画面。
③ 角色卡。 把发型、服装、体型、主色写成一段固定短语,之后每张图原样带上。这是整条链路里最关键的一步——角色不一致几乎全部源于跳过它。
④ 脚本。 只写“镜头里看得见的东西”。心理活动交给配音,不要试图用画面表达内心。
⑤ 画面。 先用同一段风格描述批量出小图比稿,选定风格后再出大图。逐张试错会烧掉大量额度,而且风格会漂。
⑥ 配音。 按镜头切,不要整条通读。重录一个镜头只补那一段。
⑦ 成片。 统一调色与音量,转场越少越好——转场是断裂感的主要来源,不是解药。
两个高频翻车点
角色不一致。 根因只有一个:每次生成都重新描述角色。解法是把描述固定成一段短语,并且在每个镜头里原样复用,哪怕它跟当前画面无关。
镜头断裂。 根因是每张图独立成画,没有共享的构图语言。解法是给整条片子定一个“镜头语法”——比如固定机位高度、固定景别循环(远→中→近)、固定光源方向。共享约束比“多写几个形容词”有效得多。
60 秒的时间换算
| 镜头数 | 每镜时长 | 适合 |
|---|---|---|
| 8 | 7.5 秒 | 情绪流、慢节奏 |
| 10 | 6 秒 | 叙事平衡,最常用 |
| 12 | 5 秒 | 信息密度高、快节奏 |
低于 4 秒的镜头,观众还没认出画面就切走了;超过 10 秒,需要镜头内部有调度(推、拉、摇),否则会显得停滞。
工具是最后才考虑的事
这套流程刻意不绑定具体平台。同一个七步,换成任何一家的生图、生视频工具都能跑——因为步骤解决的是“先决定什么”,不是“用哪个按钮”。
所以顺序应该是:先有步骤,再选工具。反过来做,你会被工具的能力边界牵着走,最后做出来的是“某个平台能做的事”,而不是“你想讲的故事”。
值得反复调的,和不必纠结的
- 值得调:角色卡措辞、镜头时长分布、光源方向。这三处改一次,整片观感会变。
- 不必纠结:单张图的分辨率、转场特效、字幕字体。这些对“看得下去”的贡献远小于上面三项。
常见问题
- 这个教程会直接帮我生成图片或视频吗?
- 不会。它提供的是写好的指令和步骤,生成要回到你自己的 AI 工具里做。教程本身没有接入任何大模型,没有对话或生成接口。
- 为什么角色总是不一致?
- 因为角色外观没有在生成前被"钉死"。正确做法是第三步先写角色卡,把发型、服装、体型、主色固定成一段可复制的短语,之后每次生成都原样带上,而不是每张图重新描述一遍。
- 60 秒要拆多少个镜头?
- 通常 8–12 个,平均 5–7 秒一个。镜头太长节奏会塌,太短观众来不及看清。
- 完全没基础能上手吗?
- 可以。四条生产线都从第一步开始,每步都有示例图、可复制指令和验收标准,不用先懂术语。
- 需要付费或登录吗?
- 不需要。当前免费,没有会员、没有内购、没有广告,也不用注册。