AI漫剧入门 · 讲义与学习笔记

用AI工具从零完成一集带分镜、配音、配乐和剪辑的动画短片

整理：boyne

第 1 关 · AI漫剧概念与工具生态

理解AI漫剧是什么、典型流水线长什么样，并对主流工具栈建立整体认知。

AI漫剧的定义

你读过漫画、也听过有声书吧？AI漫剧就像是这两者的「合体升级版」——把漫画的画面和讲故事的声音绑在一起，再加上一段背景音乐，组成一个可以看+听的小短剧。区别是：所有画面都是AI画的，所有声音都是AI念的，音乐也是AI生成的。

AI漫剧是什么

AI漫剧是一种**用AI工具制作、风格偏漫画/插画的短篇故事视频**。它的核心是四个组件：

flowchart LR
    A[剧本文字] --> B[AI 画面]
    A --> C[AI 配音]
    A --> D[AI 配乐]
    B --> E[剪映合成]
    C --> E
    D --> E
    E --> F[成片]

长什么样

视觉上，AI漫剧**像会动的漫画**。画面以插画风格为主——可以是日漫风、国漫风、欧美卡通风、或者更精细的厚涂插画风。镜头会推拉摇移，但运动幅度不会像3D动画那么大，更像是「漫画格子被赋予生命」。

叙事上，它**像连载短剧**——有主角、有冲突、有高潮、有结尾，情节推进快、节奏紧。

典型时长

这个时长是为了适配短视频平台的用户习惯——在抖音、快手、小红书、B站上，1-3分钟的竖屏内容最容易被看完、被转发、被收藏。

主要用途

一个小例子

假设你要做一集「穿越古代开咖啡店」的AI漫剧：

你一个人，用 2-3 天，就能做出一集「看起来像专业团队作品」的东西——这就是 AI 漫剧的魅力。

**要点**：AI漫剧是用AI工具生成的、以漫画/插画风格呈现的 1-3 分钟短剧，本质是「AI画+AI念+AI配乐+人工剪辑」的组合体。

与相邻形态的边界

想象一下你面前有两段视频——左边像「会动的漫画书」，右边像「可以随时暂停的动画电影」。前者是AI漫剧，后者是AI动画短片。两者都靠AI生成、都讲一个故事、都在手机上能刷到，但骨子里是两种东西。

画面风格：插画感 vs 动画感

AI漫剧的视觉基底是**插画/漫画**——线稿明确、色块分明、人物像「立绘」，像从漫画格里「摘」出来的一帧。AI动画短片的视觉基底是**动画**——角色线条更圆润、动作更连贯、光影更细腻，整体像「日TV动画」或「皮克斯短片」的降维版。

简单记：**AI漫剧=画得好看，AI动画短片=动得自然**。

运动幅度：轻摇轻推 vs 流畅动画

这是两者最硬核的差异：

技术原因是AI漫剧主要靠**静态图+图生视频**（即梦出图、可灵图生视频），AI动画短片会更多用**关键帧动画、AnimateDiff、可灵首尾帧、视频续写**等让角色真正「动起来」的技术。

flowchart LR
    A1[AI漫剧·静态插画] --> A2[AI漫剧·图生视频小段] --> A3[AI漫剧·镜头推拉]
    B1[AI动画·关键帧动画] --> B2[AI动画·角色动态] --> B3[AI动画·连续镜头]

工具栈：轻装 vs 重装

虽然工具名字大量重叠，但**用法和重心完全不同**：

| 环节 | AI漫剧 | AI动画短片 | |------|--------|------------| | 出图 | 即梦、Midjourney | Midjourney、SD | | 动态 | 可灵(图生视频) | 可灵、SVD、AnimateDiff | | 配音 | ChatTTS | ChatTTS、ElevenLabs | | 配乐 | Suno | Suno、AIVA | | 剪辑 | 剪映 | 剪映、PR、AE |

AI漫剧的工具是「**出图为主、动作为辅**」，AI动画短片的工具是「**动作为主、出图为辅**」。

节奏与体量：快闪短剧 vs 短片叙事

AI漫剧1-3分钟一集、节奏紧、靠冲突推进——像抖音短剧，一集一个爽点。AI动画短片可以2-10分钟，叙事更从容，有起承转合。

一个具体例子

同样是「主角走进咖啡店」这5秒：

差距就在「动」的程度上。

怎么选

**要点**：AI漫剧和AI动画短片的核心差异是「动多少」——AI漫剧以插画+小幅运动为主，靠镜头和剪辑讲故事；AI动画短片以流畅的角色动作为主，靠动画本身讲故事。工具名重叠，但用法和重心完全不同。

典型制作流水线

一个AI漫剧的成片，拆开看其实就是把「会说话的画」按顺序拼起来。整条流水线有七步，但它们不是死板的串行——主线必须一环扣一环，配音配乐这种支线完全可以并行，最后在剪辑那一关「合流」。

可以先把它想象成做一道复杂菜：备料可以同时切，炖煮必须等上一步好，但摆盘是把所有东西聚拢的瞬间。流水线也是同一个逻辑。

第1步｜剧本

**输入**：一句想法 / 一个主题 / 一个场景设定 **输出**：分场剧本，包含——

AI漫剧的剧本要「**画面优先**」——「主角很紧张」很难画，「主角手指微微颤抖、瞳孔放大、嘴唇轻咬」AI才知道该怎么渲染。

**举个例子**：做一个90秒的「女孩在雨夜找到走失小猫」AI漫剧。剧本可以拆成3场：

  1. 雨夜街头，红雨衣女孩焦急张望（0-30秒）
  2. 听到巷子里传来喵叫，犹豫着走过去（30-60秒）
  3. 在纸箱下发现小猫，蹲下抱起（60-90秒）

第2步｜分镜

**输入**：剧本 **输出**：镜号、景别（远/中/近/特写）、画面描述、时长、对应台词或旁白

这是**最关键的一步**。每个「镜」就是一次出图请求。一部2分钟的AI漫剧通常有20-40个镜。

那场「雨夜找猫」的第1镜，分镜可以写成：

这个「画面描述」就是稍后要原样贴进AI绘图工具的提示词。

第3步｜出图

**输入**：分镜的画面描述 + 风格关键词 **输出**：一张张静态画面

每个镜会生成1张或多张候选图，由人来挑出最贴合分镜意图的那张。

「风格关键词」是出图的灵魂——比如「日漫风格、电影感调色、高对比度、雨夜氛围」——这组词决定了30张图之间能不能看起来「出自同一部作品」。

第4步｜镜头动态化

**输入**：静态图 + 运动方向提示 **输出**：5-10秒的视频片段

这一步是AI漫剧「动起来」的核心，但**动的主要是镜头**（推进、拉远、摇移、平移），不是角色大幅动作。一张静态图配一个「缓慢推近」的提示，就能变成一段5秒的小视频。

第5步｜配音

**输入**：台词文本 + 角色情绪 **输出**：音频文件

AI配音工具把对白念出来，给每个角色选一个固定的声音，调整语速、情绪、停顿。

第6步｜配乐

**输入**：整体情绪 + 时长 **输出**：BGM（背景音乐）

雨夜找猫这种故事，一段带雨声氛围的钢琴曲就够了。配乐可以无脑循环，也可以跟着情节起伏。

第7步｜剪辑合成

**输入**：所有视频片段 + 配音 + 配乐 **输出**：完整成片

把所有素材拖进剪辑软件（剪映），按分镜顺序拼接，对齐音画，加转场，导出。

串行主线 + 并行支线：流水线的大局

新手最常踩的坑就是**死板地一步步往下走**。其实流水线是这种结构：

flowchart LR
    A[剧本] --> B[分镜]
    B --> C[出图]
    C --> D[镜头动态化]
    A --> E[配音]
    B --> F[配乐]
    E --> G[剪辑合成]
    F --> G
    D --> G
    G --> H[成片]

主线是「剧本 → 分镜 → 出图 → 动态化」，必须一环扣一环。但**配音只要剧本定稿就能开始，配乐只要分镜的情绪基调明确就能开始**，它们和主线并行推进，最后在「剪辑合成」那一步和视频片段一起汇合。

这就是为什么一部2分钟的AI漫剧，串行做要10小时，并行做只要3-4小时——结构对了，效率翻倍。

一个反直觉的事实：质量藏在最前面那两步

**剧本和分镜决定了成片80%的质量**。剧本烂，神仙工具也救不回来；分镜模糊，AI出的图就只能靠运气。每一次返工几乎都出在这两步。

还有一件事：流水线是「迭代」不是「单行道」

每一步都有质检点。出图后你会发现某些镜的画面描述要改；动态化后你会想换掉某段镜头。所以**箭头其实可以往回指**——分镜不满意就回去改剧本，出图不理想就回去改分镜描述。

**要点**：AI漫剧制作是一条「串行主线（剧本→分镜→出图→动态化）+ 并行支线（配音、配乐）」的流水线，支线和主线并行推进、最终在剪辑合成阶段汇合；剧本和分镜决定80%的成片质量，流水线每一步都允许迭代回改，不是单向推进。

主流工具栈速览

你打开工具栏之前，先在脑子里画一张「谁负责干什么」的地图。AI漫剧的工具多如牛毛，但新手只需要先认识五件武器——它们正好覆盖一条完整流水线。

工具地图

flowchart LR
    A[剧本 ChatGPT] --> B[分镜 人工设计]
    B --> C[出图 即梦]
    C --> D[图生视频 可灵]
    D --> G[剪辑合成 剪映]
    A --> E[配音 ChatTTS]
    B --> F[配乐 Suno]
    E --> G
    F --> G
    G --> H[成片]

整条流水线的工具分工可以一句话概括：**剧本靠语言大模型，分镜靠人脑，出图靠即梦，动态化靠可灵，配音靠ChatTTS，配乐靠Suno，最后全部在剪映里合流**。

分工具速览

即梦（字节跳动）—— 出图主力

**定位**：AI绘图工具，也支持图生视频。 **擅长**：

**短板**：图生视频效果不如可灵。

新手做AI漫剧，**80%的图都在即梦里出**。

可灵（快手）—— 图生视频主力

**定位**：图生视频工具，一张静态图 → 一段5-10秒动态视频。 **擅长**：

**短板**：纯文生图不如即梦强。

**即梦 + 可灵的组合，是当前国内AI漫剧最主流的「出图→动态化」方案**。

剪映（字节跳动）—— 剪辑合成主力

**定位**：免费剪辑软件，国内装机量最大的剪辑工具。 **擅长**：

**短板**：专业调色、复杂特效不如PR/达芬奇。

AI漫剧的**剪辑环节基本都用剪映**——工具门槛低，又能直接对接发布平台。

Suno —— 配乐生成

**定位**：AI音乐生成工具。 **擅长**：

**短板**：生成的音乐有时需要多刷几次才能挑出合适的。

ChatTTS —— 配音生成

**定位**：开源的文本转语音工具。 **擅长**：

**短板**：界面不如商业TTS工具（如剪映自带配音）友好，需要一定动手能力。

**替代方案**：剪映自带的「AI配音」功能（声音种类多、操作简单），适合完全不想折腾的人。

一个具体例子

要做那个「雨夜找猫」2分钟AI漫剧，工具搭配可以这样：

这套组合**全部工具国内都能用，全部免费或低门槛**。

选择工具的三个原则

  1. **按需选工具**：预算紧、纯新手 → 全部用国内免费工具（上面的搭配）；预算足、要商业级质量 → 考虑Midjourney、Runway等付费工具
  2. **少即是多**：先精通一套工具，**别在选工具上浪费时间**——工具只是手段，能稳定出片才是目的
  3. **同一环节只用一个**：别同时开3个出图工具来回切，风格会乱

**要点**：AI漫剧的新手工具栈是「即梦出图 + 可灵动效 + 剪映剪辑 + Suno配乐 + ChatTTS/剪映配音」，五件武器正好覆盖一条完整流水线，国内可直接用、零门槛上手；先精通一套组合，比同时摆弄十个工具更出活。

学习笔记

AI漫剧概念与工具生态 · 学习笔记

一、AI漫剧的定义与核心组件

AI漫剧是一种**用AI工具制作、风格偏漫画/插画的短篇故事视频**。它把漫画画面与讲故事的声音绑定在一起，再配背景音乐，组成可看+听的短剧。所有画面由AI生成，所有声音由AI念出，音乐也由AI生成。

核心由四个组件构成：

本质是「AI画+AI念+AI配乐+人工剪辑」的组合体。

二、视觉与叙事特征

三、典型时长与用途

这个时长适配短视频平台（抖音、快手、小红书、B站）的用户习惯。

主要用途：网文推文、短视频内容创作、IP孵化、品牌营销、个人创作表达。

四、与AI动画短片的边界

两者的核心差异是「动多少」：

| 维度 | AI漫剧 | AI动画短片 | |------|--------|------------| | 画面风格 | 插画/漫画，线稿明确、色块分明、人物像「立绘」 | 动画，角色线条更圆润、动作更连贯、光影更细腻 | | 运动幅度 | 角色基本不动或只有微动（眨眼、头发飘、口型微张），主要靠镜头推拉摇移和场景切换 | 角色有完整动作（走路、跑、挥拳、表情变化），运动连续、有物理感 | | 节奏体量 | 1-3分钟一集，靠冲突推进，像抖音短剧 | 2-10分钟，叙事更从容，有起承转合 | | 工具重心 | 出图为主、动作为辅 | 动作为主、出图为辅 |

技术原因：AI漫剧主要靠**静态图+图生视频**（即梦出图、可灵图生视频），AI动画短片会用**关键帧动画、AnimateDiff、可灵首尾帧、视频续写**等让角色真正动起来的技术。

口诀：**AI漫剧=画得好看，AI动画短片=动得自然**。

五、典型制作流水线（七步）

flowchart LR
    A[剧本] --> B[分镜]
    B --> C[出图]
    C --> D[镜头动态化]
    A --> E[配音]
    B --> F[配乐]
    E --> G[剪辑合成]
    F --> G
    D --> G
    G --> H[成片]
  1. **剧本**：输入为想法/主题/场景设定，输出为分场剧本（场景描述、人物动作、对白/旁白、情绪基调）。剧本要「**画面优先**」——不写「主角很紧张」，写「主角手指微微颤抖、瞳孔放大、嘴唇轻咬」
  2. **分镜**：最关键的一步，输出镜号、景别、画面描述、时长、对应台词/旁白。每个「镜」就是一次出图请求。2分钟AI漫剧通常有20-40个镜。「画面描述」就是稍后原样贴进AI绘图工具的提示词
  3. **出图**：输入分镜画面描述+风格关键词，输出一张张静态画面。「风格关键词」决定多张图之间能否看起来「出自同一部作品」
  4. **镜头动态化**：输入静态图+运动方向提示，输出5-10秒视频片段。动的主要是镜头（推进、拉远、摇移、平移），不是角色大幅动作
  5. **配音**：输入台词文本+角色情绪，输出音频文件
  6. **配乐**：输入整体情绪+时长，输出BGM
  7. **剪辑合成**：输入所有视频片段+配音+配乐，输出完整成片
串行主线 + 并行支线

主线是「剧本→分镜→出图→动态化」，必须一环扣一环。但**配音只要剧本定稿就能开始，配乐只要分镜情绪基调明确就能开始**，它们和主线并行推进，最后在「剪辑合成」那一步与视频片段汇合。这就是为什么串行做要10小时的片子，并行做能大幅压缩时间。

六、主流工具栈

工具分工一句话概括：**剧本靠语言大模型，分镜靠人脑，出图靠即梦，动态化靠可灵，配音靠ChatTTS，配乐靠Suno，最后全部在剪映里合流**。

各工具定位：

工具选择三原则
  1. **按需选工具**：预算紧、纯新手→全部用国内免费工具；预算足、要商业级质量→考虑Midjourney、Runway等付费工具
  2. **少即是多**：新手先掌握五件武器就够覆盖完整流水线
  3. 国内主流搭配（剧本+分镜→即梦→可灵→剪映自带配音→Suno→剪映）**全部工具国内都能用，全部免费或低门槛**

第 2 关 · 剧本与分镜设计

能为一个一到三分钟的短片写出可执行的小剧本，并画出符合AI工具可拍性的分镜表。

短片剧本结构

想象你在跟朋友推荐一部刚刷到的短剧——你大概只会说「开头超惊艳」「中间反转」「结尾炸裂」，然后对方就被你钩住去搜来看了。一到三分钟的AI漫剧本质上就是这样一场「微型说服」：它没有时间铺垫世界观，也没有篇幅讲配角支线，所有力量都压在一条主线上，要么让观众在三分钟内完成一次情绪起伏，要么失败。

这个体量决定了它的剧本不能用电影或小说的结构来套。电影可以花20分钟建人物，AI漫剧只有90到180秒——起承转合必须**极简化、密集化、可视化**。

起承转合：压缩到三分钟

极简的四段式是AI漫剧最稳的骨架：

flowchart LR
    A["起<br/>钩子+主角亮相<br/>0-15秒"] --> B["承<br/>推进+障碍<br/>15-60秒"]
    B --> C["转<br/>核心反转<br/>60-100秒"]
    C --> D["合<br/>落点+余韵<br/>100-180秒"]

节拍：每15-20秒一个小事件

节拍是观众能「感觉到」的最小叙事单位。经验上，AI漫剧每**15-20秒**就应该有一个新的视觉或情绪刺激——一个动作变化、一句关键台词、一个镜头切换、一次配乐变奏。如果超过25秒画面还停留在同一件事上又没有运镜托住，观众就会划走。

换句话说，120秒的短片里应该有**6-8个节拍**。这听起来很密，但配上分镜表的镜头切换和AI配乐的段落变化，其实是自然能撑满的。

一个具体例子：90秒短片《伞》

90秒里塞进了5个节拍，没有一句多余台词，每个镜头都承载推进或转折。

**要点：** 一到三分钟的AI漫剧剧本不靠铺陈，靠密度——起承转合压缩进90秒，每15-20秒一个节拍，钩子在前5秒决胜负，反转是命脉。

角色与场景设定

上一节我们给《伞》写出了90秒的故事骨架。但如果你现在打开AI绘图工具，把这90秒的故事整段喂给AI——生成的画面大概率是：每个镜头里女生长得不一样，男生一会儿高一会儿矮，便利店一会儿是便利店一会儿变成了咖啡馆。问题出在哪？

**为什么需要单独的角色与场景设定**

AI绘图工具理解的不是「故事」，而是「画面描述」。「女生回头」这句话里，AI不知道这个女生长什么样、穿什么衣服、什么发色；对AI来说，同一个女生在镜头1和镜头5里，**等于两个陌生人**。

解决办法：在写剧本的同时，为每一个要反复出现的角色和每一个关键场景建立一份「档案卡」——卡片里的关键词，将直接成为后续AI绘图时的prompt锚点。

flowchart LR
    A["剧本里反复出现的角色"] --> B["角色档案卡"]
    B --> C["视觉+性格关键词"]
    C --> D["AI绘图prompt"]
    D --> E["多个镜头里<br/>可识别的同一形象"]

    F["剧本里的关键场景"] --> G["场景档案卡"]
    G --> H["场景+光线+氛围"]
    H --> I["AI绘图prompt"]
    I --> J["稳定的场景画面"]

**角色档案：两层关键词**

视觉关键词 = AI能直接画出来的东西。具体到五官、发型、服饰、配饰：

性格关键词 = AI不会直接画出来，但会影响神态、姿态、站位的东西。比如「内向倔强」会让AI倾向于生成低头、不直视镜头的形象；「锋利冷峻」则倾向抬眼、薄唇紧抿。性格关键词要简短，三个以内最稳。

**场景档案：场景 + 光线 + 氛围**

场景层：地点类型（便利店/天台/教室）、空间布局、关键陈设。 光线与氛围层：时间（雨夜/黄昏）、主光源、色温（冷蓝/暖橙）、情绪底色。这一层往往是被忽略但最影响画面质感的地方——同一个便利店，雨夜的冷蓝霓虹和正午的白日光，画出来的情绪天差地别。

**一个具体例子：《伞》的三张档案卡**

角色·女生

角色·男生

场景·雨夜便利店

**在分镜里怎么用**

**要点：** AI漫剧的角色与场景档案不是写给观众看的，是写给AI看的——视觉关键词决定「画得像不像同一个人」，光线氛围关键词决定「画面的情绪」，而性格关键词通过影响神态姿态间接塑造人物。

分镜表设计

分镜表像是剧本的「施工蓝图」——剧本告诉建筑师「这栋房子是给谁住的」，蓝图则告诉每一个工人具体要砌哪面墙、用什么砖、装哪扇窗。AI绘图和图生视频工具也是工人，它们没读过你的剧本，只看得到分镜表里那一行一行的具体指令。

**分镜表是什么**

一份分镜表把90秒的剧本拆成一组**可独立生产**的镜头。每一行是一个镜头，每一列是一个字段——这个字段就是后续AI工具生成时真正会读到的信息。分镜表不是给你自己看的备忘，是写给AI看的「合同」。

**核心字段与每个字段的用处**

**镜号**：1、2、3……的序号。它的唯一作用是让你在讨论、剪辑、反馈时能精准定位某一镜（「第7镜女生那个特写再调一下」），而不是「就是那个……她抬头那个」。

**景别**：人物或场景在画面里占多大比例。它直接决定AI要画多细、留多少出错空间。常用五种：

**运镜**：相机的运动方式。常见六种——

对AI图生视频工具来说，运镜就是运动prompt。固定和单一方向的推/拉最稳；「推+摇同时进行」这种复合运镜最容易翻车。

**画面内容**：这一镜里到底有什么——谁在、做什么、什么光线、什么道具。这是**真正喂给AI绘图工具的那一列**，需要把上一节写好的角色档案、场景档案关键词直接贴进来。

**台词/旁白**：完整的一句话台词或旁白文本，标注谁说的。对AI配音工具来说要写成干净文本，情绪用括号备注如「（轻声）」「（温柔地）」。

**时长**：这一镜多少秒。AI图生视频工具一次通常生成3-5秒的片段，时长字段就是告诉你总共要拼接几段。

**音效/配乐**：音乐起止、关键音效。这一列不是给AI绘图看的，是给剪辑阶段用的——但现在写下来能帮你把节奏在脑子里跑一遍。

**备注**：兜底字段。贴哪张角色档案、要不要上传参考图、有什么「必须出现」或「必须避免」——AI工具的「使用说明」都放这里。

flowchart LR
    A["剧本一句话"] --> B["分镜表的一行"]
    B --> C1["画面内容"]
    B --> C2["运镜 + 时长"]
    B --> C3["备注里的档案卡"]
    C1 --> D1["AI绘图工具<br/>生成静态图"]
    C2 --> D2["AI图生视频工具<br/>生成动态片段"]
    C3 --> D1
    C3 --> D2
    D1 --> E["剪辑合成"]
    D2 --> E

**一个具体例子：《伞》第4-7镜**

| 镜号 | 景别 | 运镜 | 画面内容 | 台词/旁白 | 时长 | 音效/配乐 | 备注 | |---|---|---|---|---|---|---|---| | 4 | 全景 | 固定 | 雨夜便利店外景，暖黄店内光与冷蓝雨夜对比，女生撑透明伞站在玻璃门外 | 旁白：「那天雨很大。」 | 3s | 雨声+钢琴前奏 | 贴「场景·雨夜便利店」 | | 5 | 近景 | 推 | 女生侧脸特写，雨水从伞沿滑落，眼神望向店内男生 | （无台词） | 4s | 雨声持续 | 贴「角色·女生」档案 | | 6 | 中景 | 固定 | 男生隔玻璃抬头看到女生，浅灰卫衣，双手仍在口袋里 | 男生：「……要进来吗？」 | 4s | 钢琴低音铺底 | 贴「角色·男生」档案 | | 7 | 特写 | 推 | 女生嘴角微微上扬，眼里有光 | （无台词） | 3s | 钢琴渐强 | 情绪高点，prompt强调眼神 |

注意第5镜的「推」+「4s」——这意味着用一段4秒的AI视频片段，做一次从近景到更近的推进，把上一节角色档案里的「女生·黑色长发齐刘海、白色连衣裙、透明伞」关键词直接复制进画面内容字段。

**常见踩坑**

**要点：** 分镜表是剧本与AI工具之间的合同——镜号用于定位，景别控制情绪，运镜控制运动，画面内容是真正喂给AI的prompt，时长决定要拼接几段视频，备注用来贴档案卡和补充说明。把它写得像给没读过剧本的人留的清晰便条——因为AI就是那个没读过剧本的人。

分镜的AI可拍性判据

拍电影像装修——剧本是设计图，分镜是施工图，但AI工具是「装修队」，它不是什么都愿意干、什么都干得好。拿到一镜分镜，先别急着喂给AI，先给它做一次「可拍性体检」——把会让它翻车的特征一项项打勾过一遍。

**为什么需要这道体检**

同样一句「女生在便利店门口撑着透明伞回头」，AI可能一次就出图，也可能十次都崩——差别不在画面好不好看，而在这句话里藏了多少AI处理不了的复杂元素。AI这支「施工队」有固定的能力边界：跨过边界它就会画歪角色、扭曲动作、丢失道具、甚至把两个角色合成一个人。把判据前置，比事后救场省十倍时间。

**八大可拍性判据**

把体检表拆成八个维度，每一镜逐项打分：

**1. 角色数量 ≤ 2** AI同时稳定生成超过2个角色就开始翻车：脸容易糊、肢体容易交叉错位、衣服颜色会串。第3个角色尽量安排在「画外」或「下一镜的远景里」。

**2. 运镜复杂度：固定或单方向** 固定镜头、单方向推/拉/移最稳。复合运镜（推+摇、跟+移同时进行）容易让AI图生视频工具产生画面撕裂或主体变形。90秒短片里80%的镜头用固定或单方向就够了。

**3. 动作幅度：小到中** 静态（站着说话、坐着发呆）最稳。简单动作（走两步、抬手、转头）次之。复杂动作（跑、打斗、舞蹈、翻越）最容易崩——尤其是涉及全身大幅度运动时。

**4. 画面元素数量 ≤ 7** 主体1个 + 角色1-2个 + 关键道具2-3个 + 背景元素1-2个。超过7个关键元素，AI就开始「丢东西」或「重复」——比如一把雨伞变成两把。

**5. 光线：均匀或单一对比** 自然光、室内暖光、夜景单点光源都OK。强逆光、霓虹闪烁、复杂光斑、快速光线变化是翻车高发区。

**6. 镜头时长：3-5秒为标准段** AI图生视频工具一次通常生成3-5秒。短于3秒浪费，5-8秒还凑合，超过8秒角色会漂移、场景会走形。一镜如果剧本要求10秒，就拆成2-3段拼接。

**7. 对话/口型：能避免就避免** 多角色对话对AI视频是地狱难度——口型对不上是常态。短片里能「用动作+旁白」交代的，就别用「真人对话」。

**8. 跨镜一致性：提供参考图** 角色在不同镜里会不会变脸？衣服会不会变色？必须为每个常驻角色准备1-2张「定妆照」作为参考图，AI出图时同步上传。

flowchart LR
    A[拿到一镜分镜] --> B{角色 ≤ 2?}
    B -->|否| BX[拆镜或让配角画外]
    B -->|是| C{运镜是固定或单方向?}
    C -->|否| CX[降为单方向运镜]
    C -->|是| D{动作是小到中?}
    D -->|否| DX[拆成多镜静态拼接]
    D -->|是| E{时长 3 到 5 秒?}
    E -->|否| EX[拆段或压时长]
    E -->|是| F[通过 可拍]
    BX --> Z[重新设计]
    CX --> Z
    DX --> Z
    EX --> Z

**用《伞》做一次实际体检**

| 镜号 | 角色 | 运镜 | 动作 | 时长 | 风险点 | 判据结果 | |---|---|---|---|---|---|---| | 4 | 1人 | 固定 | 站立 | 3s | 无 | ✅ 通过 | | 5 | 1人 | 推 | 静态特写 | 4s | 「推」要稳 | ✅ 通过 | | 6 | 2人 | 固定 | 站立 | 4s | 玻璃反光可能糊脸 | ⚠️ 加备注「避免玻璃反光遮脸」 | | 7 | 1人 | 推 | 微笑 | 3s | 推+微表情 | ✅ 通过 |

整段只有第6镜需要小心，其余都可以直接喂给AI。

**翻车之后的降级策略**

如果体检不通过，不要硬上。按代价从小到大四档处理：拆镜（把复杂场景拆成简单场景的拼接）→ 借位（让多个角色分镜出现）→ 简化动作（角色只做静态/简单动作）→ 重写剧本（让情节绕开难拍段落）。拆镜几乎零成本，重写剧本代价最大——先试前面三档。

**要点：** AI可拍性判据 = 8项体检表——角色≤2、运镜简单、动作中小、元素≤7、光线均匀、时长3-5秒、避免口型、备好参考图。任何一项不通过，就用「拆镜→借位→简化→重写」四档策略降难度，而不是赌AI能撑住。

AI可拍性判据 = 给每一镜做一次「施工前体检」

学习笔记

剧本与分镜设计

一、短片剧本结构

一到三分钟的AI漫剧本质上是「微型说服」：没有时间铺世界观，没有篇幅讲支线，所有力量压在一条主线上，要么让观众在3分钟内完成一次情绪起伏，要么失败。

电影可以花20分钟建人物，AI漫剧只有90到180秒——起承转合必须**极简化、密集化、可视化**。

起承转合：压缩到三分钟

四段式骨架：

节拍：每15-20秒一个小事件

节拍是观众能「感觉到」的最小叙事单位。AI漫剧每**15-20秒**就应该有一个新的视觉或情绪刺激——动作变化、关键台词、镜头切换、配乐变奏。如果超过25秒画面还停留在同一件事上又没有运镜托住，观众就会划走。

120秒的短片里应该有**6-8个节拍**。

例子：90秒短片《伞》

90秒里塞进了5个节拍，没有一句多余台词。

二、角色与场景设定

AI绘图工具理解的不是「故事」，而是「画面描述」。同一个女生在镜头1和镜头5里，对AI等于两个陌生人。

解决办法：为每一个反复出现的角色和每一个关键场景建立一份「档案卡」——卡片里的关键词将直接成为AI绘图时的prompt锚点。

角色档案：两层关键词
场景档案：场景 + 光线 + 氛围
例子：《伞》的三张档案卡
在分镜里怎么用

三、分镜表设计

分镜表是写给AI看的「合同」——每一行是一个镜头，每一列是一个字段。

核心字段与用处
例子：《伞》第4-7镜

| 镜号 | 景别 | 运镜 | 画面内容 | 台词/旁白 | 时长 | 音效/配乐 | 备注 | |---|---|---|---|---|---|---|---| | 4 | 全景 | 固定 | 雨夜便利店外景，暖黄店内光与冷蓝雨夜对比，女生撑透明伞站在玻璃门外 | 旁白：「那天雨很大。」 | 3s | 雨声+钢琴前奏 | 贴「场景·雨夜便利店」 | | 5 | 近景 | 推 | 女生侧脸特写，雨水从伞沿滑落，眼神望向店内男生 | （无台词） | 4s | 雨声持续 | 贴「角色·女生」档案 | | 6 | 中景 | 固定 | … | … | … | … | … |

四、分镜的AI可拍性判据

AI工具是「装修队」，有固定能力边界。跨过边界就会画歪角色、扭曲动作、丢失道具。把判据前置，比事后救场省十倍时间。

八大判据
  1. **角色数量 ≤ 2**：超过2个角色AI开始翻车——脸糊、肢体交叉错位、衣服颜色串。
  2. **运镜复杂度：固定或单方向**：复合运镜（推+摇、跟+移同时进行）容易产生画面撕裂或主体变形。90秒短片里80%的镜头用固定或单方向就够了。
  3. **动作幅度：小到中**：静态最稳，简单动作次之，复杂动作（跑、打斗、舞蹈、翻越）最容易崩。
  4. **画面元素数量 ≤ 7**：主体1个 + 角色1-2个 + 关键道具2-3个 + 背景元素1-2个。超过7个关键元素，AI开始「丢东西」或「重复」。
  5. **光线：均匀或单一对比**：自然光、室内暖光、夜景单点光源OK。强逆光、霓虹闪烁、复杂光斑、快速光线变化是翻车高发区。
  6. **镜头时长：3-5秒为标准段**：短于3秒浪费，5-8秒还凑合，超过8秒角色会漂移、场景会走形。10秒就拆成2-3段拼接。
  7. **对话/口型：能避免就避免**：多角色对话口型对不上是常态。能「用动作+旁白」交代的，就别用「真人对话」。
  8. **跨镜一致性：提供参考图**：必须为每个常驻角色准备1-2张「定妆照」作为参考图，AI出图时同步上传。
用《伞》做一次实际体检

| 镜号 | 角色 | 运镜 | 动作 | 时长 | 风险点 | 判据结果 | |---|---|---|---|---|---|---| | 4 | 1人 | 固定 | 站立 | 3s | 无 | ✅ 通过 | | 5 | 1人 | 推 | 静态特写 | 4s | 「推」要稳 | ✅ 通过 | | 6 | 2人 | 固定 | 站立 | 4s | 玻璃反光可能糊脸 | ⚠️ 加备注「避免玻璃反光遮脸」 | | 7 | 1人 | 推 | 微笑 | 3s | 推+微表情 | ✅ 通过 |

整段只有第6镜需要小心，其余都可以直接喂给AI。

第 3 关 · AI绘图与画面生成基础

能使用至少一种AI绘图工具，根据分镜表批量生成可用的角色图与场景图，并完成初筛与精修。

AI绘图工具入门

AI绘图工具入门

一个「听话但挑指令」的画师

想象你走进一家奇怪的画室，里面坐着一个技艺精湛但有点「死板」的画师——你说什么他画什么，但你不说清楚的地方，他就随便发挥。你今天要「红头发」，不写他可能给你画成黑头发；你要「日漫风格」，不写他可能画成油画风。

AI绘图工具就是这样一个画师。它的核心逻辑是：**你用文字描述画面，他把它「画」出来**。文字描述得越精确，画面越接近你想要的。这套文字描述在AI绘图圈有个专门的名字——**提示词（Prompt）**。

三大主流工具：定位与差异

目前做AI漫剧最常接触到的有三款工具，各自适合不同的人群：

**即梦（jimeng.jianying.com）**：字节跳动出品，国产，**网页/App直接用，中文友好，免费额度充裕**，生成的图片和视频质量已经足够做短剧。本模块和后续练习都默认用即梦。**零基础首选**。

**Midjourney**：行业标杆之一，画面质感顶级，但需要通过Discord聊天界面输入指令，对英文提示词要求高，**付费订阅**。适合追求极致画质、愿意折腾英文提示词的学习者。

**Stable Diffusion（SD）**：**开源免费**，可以装在自己电脑上跑，也可以用云端平台（如Civitai、哩布哩布）。**自由度最高**——可以加各种插件做角色一致性、局部重绘，是后期做复杂项目的利器，但**门槛最高**，需要懂参数、懂模型，最好有块像样的显卡。

用一张图来记忆三者的入门路径：

flowchart LR
    A[零基础入门] --> B[即梦]
    C[追求画质且愿付费] --> D[Midjourney]
    E[愿意折腾且有显卡] --> F[Stable Diffusion]

共同的工作流程

不管哪款工具，**操作界面长得都差不多**——本质上都是这三步：

  1. **输入提示词**：在文本框里写一段文字描述画面
  2. **调整参数**：设定画面比例、风格、生成数量等
  3. **点击生成**：等几秒到几十秒，出来一张或多张图片
flowchart LR
    A[写提示词] --> B[设参数] --> C[点生成] --> D[看结果]
    D -->|不满意| A
    D -->|满意| E[下载使用]

必须认识的几个核心参数

虽然不同工具的参数名字略有差异，但下面这几个是**所有AI绘图工具都有的核心参数**：

具体例子

打开即梦，选「AI生图」，在提示词框里输入：

> 一个穿校服的少女站在樱花树下，微笑，日漫风格，电影光影，9:16竖屏

其他参数先用默认，点「生成」，几秒后出来四张图。挑一张最接近你想象的——这就是AI绘图的基本动作。如果都不满意，**改提示词**（加细节/换描述）或者**再点一次生成**（每次随机出不同结果），直到满意为止。

要点：

AI绘图工具的三个关键词——**提示词**（告诉它画什么）、**参数**（控制比例/风格/步数）、**种子值**（让结果可复现）。零基础入门**首选即梦**（中文、免费、易上手），进阶再考虑Midjourney和Stable Diffusion。

AI绘图工具就像一位技艺精湛但「很挑指令」的画师——你说什么他才画什么。

提示词与画面控制

上一节我们把 AI 绘图工具比作「技艺精湛但很挑指令」的画师——**提示词就是给画师下的指令单**。指令单写得清楚，画师才能一次画准。这一节，我们来学怎么把指令单写明白。

四要素模板：一张画面拆成四块

任何一张图，都可以拆成「**谁、在什么环境、长什么样、用什么拍**」四块。提示词写得好不好，关键看你有没有把这四块都照顾到。

**1. 主体（Subject）——画面里画的是谁/什么**

这是最核心的要素。主体要写得**具体、可视化**，不能含糊。

主体描述要包含：人物的外貌、服装、姿态、表情。多角色同框时，按「从主到次」的顺序写，前面的权重更高。

**2. 风格（Style）——画成什么样子**

风格决定了画面最终的美术气质。常见风格关键词：

短剧做日漫漫剧，直接写「日漫风格」或「anime style, studio quality」就够用。

**3. 镜头（Camera/Composition）——用什么视角拍**

镜头语言直接决定画面的「电影感」。常用关键词：

分镜表里的「镜头说明」一栏，几乎可以直接照搬到提示词的镜头位。

**4. 氛围（Mood/Lighting）——光影与情绪**

氛围词是让画面「有感觉」的关键，常用关键词：

用一张图来记忆四要素的输入顺序：

flowchart LR
    A[主体<br/>谁/是什么] --> D[组合成提示词]
    B[风格<br/>画成什么样] --> D
    C[镜头<br/>怎么拍] --> D
    E[氛围<br/>什么感觉] --> D

负面提示词：告诉画师「不要画什么」

光说「要什么」不够，还得说「**不要什么**」——这就是**负面提示词（Negative Prompt）**。

负面提示词常用来排除：

在即梦里，负面提示词一般在高级选项或「不想出现的元素」框里填写。**一套通用的负面提示词模板**可以长期复用：

> 低质量、模糊、变形的手、多余的手指、扭曲的脸、水印、文字、签名

角色一致性是漫剧的生命线——你**不希望某一帧里主角突然多长出六根手指**，负面提示词就是第一道防线。

一个完整的提示词例子

现在我们把四要素串起来，写一条做漫剧分镜的提示词。假设分镜描述是「女主在教室窗边看樱花，表情忧郁」：

> 16 岁少女，黑长直发型，白色水手服校服，坐在靠窗的课桌旁看向窗外，窗外是盛开的樱花树，侧脸特写，**日漫风格，厚涂插画，电影光影，黄昏暖光，氛围忧郁安静，9:16 竖屏**

负面提示词：

> 低质量、模糊、变形的手、多余手指、扭曲的脸、水印、3D 渲染、写实风格

把这套丢进即梦，就能得到一张分镜底图。**主体+风格+镜头+氛围**四要素全在一条提示词里各司其职，AI 也好理解。

要点：

**四要素模板 = 主体 + 风格 + 镜头 + 氛围**——按这个顺序写，画面可控性最高；**负面提示词**用来排除瑕疵和跑偏的风格，是分镜出图不可或缺的安全网。

批量出图与筛选

上一节我们学会了写提示词，能让即梦画出我们想要的那张图。但实际做漫剧时，**画师一张一张慢慢磨是不可能**的——分镜表可能有几十上百格，每格都要出图，效率就是生命线。这一节，我们来学漫剧生产最核心的工作流：**批量出图、横向对比、按需筛选、二次精修**。

为什么需要「批量」

AI 绘图有个脾气：哪怕你写**完全相同的提示词**，每次生成的图也会不一样。这不是 bug，是 AI 内部的「随机性」在工作。

这意味着两件事：

**类比**：你在餐厅点菜，不会只尝一口就决定好不好吃。AI 绘图也是——多出几张图，**「摆在一起看」才能真正判断哪张最贴分镜**。

一次跑多张：批量出图的操作

在即梦里，批量出图有几种常见方式：

**1. 同提示词多张生成（最常用）**

在生成数量选项里把「生成数量」从 1 调到 4 或 8。即梦会用同一份提示词，**一次性产出多张同主题、不同细节的图**。这是最高效的批量方式。

**2. 微调提示词跑多组**

针对同一个分镜，**改一两个词**（比如镜位从「中景」改成「近景」、氛围从「温馨」改成「冷清」），每组跑 4 张。最后把 4-5 组共 16-20 张图放在一起对比，挑出最符合分镜意图的那一张。

**3. 固定种子值复现**

有时候你在某张图上「差一点点就完美」——构图对了，但人物表情差一点。这时可以用**种子图（Seed）功能**：记下当前图的种子值，固定下来只微调提示词，能保留构图只换细节。

> 即梦的种子图功能位置：进入「高级设置」或单张图片的「详细信息」里，通常能看到一串数字「Seed: 12345678」，记下它就能复现这张图。

横向对比：把候选图摆在一起看

批量出图后，**最忌讳「一张张滑着看」**——眼睛会疲劳，判断会失准。正确做法是**横向对比**：

flowchart LR
    A[同一分镜<br/>4-8 张候选图] --> B[九宫格排版<br/>同屏对比]
    B --> C{按分镜字段<br/>逐项核对}
    C -->|主体不符| D[筛掉]
    C -->|镜头不对| D
    C -->|氛围偏差| D
    C -->|最贴合分镜| E[进入精修]
    C -->|基本可用但细节差| F[微调提示词<br/>二次出图]

**九宫格排版**：把 4 张或 9 张候选图拼成一张大图，所有信息一目了然。即梦在生成多张图时会自动排版，你也可以下载到本地后用截图工具拼图。

**对照分镜字段**：打开分镜表，对照每一项字段——

**快速筛选原则**：90% 的图会被筛掉，这很正常。**能从 8 张里挑出 1-2 张够用的，就已经很高效**。

按分镜字段筛选：建立「打分维度」

为了避免「凭感觉选」，建议给每张候选图打一个**简短的勾选清单**。可以从分镜表里直接抽字段：

| 检查项 | 候选图 A | 候选图 B | 候选图 C | |--------|---------|---------|---------| | 主体身份对 | ✓ | ✓ | ✗ | | 服装一致 | ✓ | ✗ | ✓ | | 景别正确 | ✓ | ✓ | ✓ | | 表情到位 | ✗ | ✓ | ✓ | | 氛围贴合 | ✓ | ✗ | ✓ | | **综合** | 中 | 中 | **优** |

打分不需要多复杂，**4-6 个核心维度就够**。打分的目的不是艺术评判，是**快速过滤明显不合格的图**。

二次精修：局部微调而非重画

当候选图「**80% 满意、20% 需要改**」时，进入二次精修。

**精修的常见方式**：

**精修的反模式**：**整张图重画**。如果一张图构图、角色、场景都对，只是某个细节（比如发色、表情）有问题，一定要用局部重绘，不要图省事重画整张——重画意味着前面 80% 的工作白费。

最小可行工作流：四步走

把这一节的内容串成一个**完整工作流**：

  1. **出图**：单分镜用「同提示词 4 张」+「微调提示词跑 2-3 组」，一次得到 8-12 张候选
  2. **对比**：九宫格排版，按分镜字段打分
  3. **筛选**：选 1-2 张进入精修，其他归档（不删，留作参考）
  4. **精修**：用局部重绘修细节，满意后导出为分镜底图

这个流程的关键是**「批量出图 + 横向对比 + 局部精修」三件套**。养成这个习惯，一部 60 格的漫剧分镜，你能在 1-2 天内全部出完底图。

要点：

**批量出图是用「数量换质量」**——单张赌运气，批量看对比；**横向对比要按分镜字段打分**，避免凭感觉；**精修用局部重绘而非整张重画**，保住前一步的成果。

角色与场景一致性入门

漫剧最难的一关，不是「画得像」，而是「**画得像同一个人**」。

试一下：用即梦画「樱花树下穿校服的女孩」，再画「教室里坐着的穿校服的女孩」——你会发现两张图的人物**长相完全不一样**：眼睛、脸型、发型都对不上。这叫「**角色一致性崩坏**」，观众一秒钟就出戏。

**类比**：电视剧演员要在第 1 集和第 20 集保持同一个人。AI 绘图天生没有「记忆」，每次生成都是独立任务。**L1 阶段的同角色复现，就是用「外部约束」弥补 AI 的记忆缺失**——主要靠三件套配合。

三件套之一：固定描述（角色设定卡）

**核心思路**：把角色的所有可识别特征**写进一份固定描述**，每次出图都原封不动地贴进提示词。

一份合格的角色卡应该包含：

**关键纪律**：**一个字都不要改**。把「齐刘海」改成「斜刘海」，AI 就会生成另一个人。建议把角色卡存成文本文件，每次复制粘贴。

**反面案例**：写「一个可爱的女孩」「一个校服女生」——这种泛泛的描述每次出图都是不同的人，根本没法一致。

三件套之二：参考图（垫图）

**核心思路**：在提示词之外，再给 AI **一张已经画好的角色图作为参考**。即梦的「图生图」或「参考图」功能就是干这个的。

**两种用法**：

**实操细节**：参考图上传后，提示词里仍要带上完整的角色卡描述。**描述 + 参考图双管齐下**，效果比单独任何一种都好——单用描述太「空」，单用参考图 AI 会过度照抄旧图、失去新场景的灵活性。

三件套之三：种子图（Seed）

**核心思路**：生成一张满意的角色图后，**记下它的种子值**（一串数字）。后续用同样的提示词 + 同样的种子值，AI 会生成**构图非常接近**的图。

**典型场景**：

> 即梦里查看种子值：进入单张图片的「详细信息」或「高级设置」，通常能看到一串数字「Seed: 12345678」，记下它就能复现这张图。

**但要注意**：种子图保留的是「构图和细节趋势」，**不能 100% 保证长相完全一致**。它更像「同一个人换衣服」而不是「完全复刻」。在 L1 阶段，**这是辅助手段，不是主力**。

三件套的组合用法

flowchart LR
    A[反复调试<br/>画一张满意角色立绘] --> B[保存为参考图<br/>记下种子值]
    B --> C[每个分镜出图]
    C --> D[粘贴角色卡]
    D --> E[上传参考图]
    E --> F[保持种子值]
    F --> G[同角色不同场景出图]
    G --> H{角色一致?}
    H -->|是| I[采用]
    H -->|否| J[微调角色卡描述<br/>重跑]
    J --> G

**工作流精要**：

  1. **画好第一张**——把角色立绘当作「标准照」，反复改提示词直到满意
  2. **立绘出图后立即**保存参考图 + 记种子值（两件事配套，缺一不可）
  3. **每个分镜**都先粘贴角色卡，再上传参考图，再固定种子值
  4. **出图后第一件事是看角色**——脸变了就回到第 1 步微调角色卡

L1 阶段的真实能力边界

**L1 能做到的**：

**L1 做不到的**：

**给学习者的建议**：**接受「大致一致」**。某一格角色崩了，要么局部重绘修脸，要么换参考图重跑，**不要追求每张图都完美**。L1 阶段，**整体观感**比单格完美更重要——观众看的是「这个角色在剧情里」，不会拿放大镜逐像素比对。

一个具体例子

主角「小樱」要在 3 个场景出现：

**角色卡**（全程一字不改）：

> 圆脸，齐刘海，黑色长直发长到腰，眼睛大而圆，嘴唇薄，左侧扎一个红色蝴蝶结，身高 160cm，瘦小肩膀窄，白色水手服校服蓝色百褶裙白色过膝袜

**场景 1（教室近景）**：

> 提示词：[角色卡] 坐在教室课桌前，窗边，午后阳光从左边照进来，景别近景，表情认真看书 > 上传立绘参考图，种子值 12345678

**场景 2（樱花树下远景）**：

> 提示词：[角色卡] 站在樱花树下，微风吹起头发，景别远景，表情微笑 > 上传同一张立绘，种子值 12345678

**场景 3（黄昏屋顶）**：

> 提示词：[角色卡] 坐在屋顶上看着夕阳，景别中景，表情沉思 > 上传同一张立绘，种子值 12345678

**预期效果**：3 张图里的小樱，**脸型、发型、蝴蝶结、衣服**都高度一致，只是场景、景别、表情不同。这就是 L1 阶段同角色复现的「标准操作」。

要点：

**L1 阶段的角色一致性靠「角色卡 + 参考图 + 种子图」三件套**——角色卡固定描述不变，参考图提供视觉锚点，种子图保留构图趋势；**接受「大致一致」**，别追求像素级完美，那是 L2 阶段的事。

学习笔记

AI绘图与画面生成基础

一、AI绘图的核心逻辑

AI绘图工具的核心逻辑：**用文字描述画面，工具把它「画」出来**。文字描述得越精确，画面越接近想要的效果。这套文字描述有专门名字——**提示词（Prompt）**。

类比：像一个「技艺精湛但很挑指令」的画师——你说什么他画什么，不说清楚的地方他随便发挥。

二、三大主流工具对比

| 工具 | 出品 | 费用 | 门槛 | 特点 | |------|------|------|------|------| | 即梦 | 字节跳动 | 免费额度充裕 | 零基础首选 | 网页/App直接用，中文友好，图片视频质量足够做短剧 | | Midjourney | 行业标杆 | 付费订阅 | 需懂英文提示词 | 画面质感顶级，通过Discord聊天界面输入 | | Stable Diffusion | 开源 | 免费 | 门槛最高 | 可装在本地或用云端平台（如Civitai、哩布哩布），自由度最高，需懂参数和模型，最好有显卡 |

三、共同工作流程

所有AI绘图工具操作本质相同——三步走：

  1. **输入提示词**：在文本框写文字描述画面
  2. **调整参数**：设定画面比例、风格、生成数量等
  3. **点击生成**：等几秒到几十秒，出来一张或多张图

不满意则回到第1步改提示词或再点生成。

四、核心参数

五、提示词四要素

任何一张画面拆成四块：

  1. **主体（Subject）**：画面里是谁/什么。要**具体、可视化**，不能含糊。包含外貌、服装、姿态、表情。多角色按主到次顺序，前面的权重更高
  2. **风格（Style）**：画风类（日漫、厚涂插画、赛博朋克、迪士尼3D、皮克斯）、媒介类（油画、铅笔素描、照片写实、概念设计图）、年代/地域类（90年代动画、浮世绘、新艺术运动）
  3. **镜头（Camera/Composition）**：景别（特写/中景/远景/全景）、视角（正面/侧面/仰拍/俯拍/过肩）、构图（居中/三分法/对称）
  4. **氛围（Mood/Lighting）**：光线（电影光影、黄金时段、霓虹灯、侧逆光、丁达尔光）、情绪（温馨/紧张/孤独/史诗感/日常感）、天气/时段（黄昏/雨夜/晴天午后/星空）

输入顺序：主体→风格→镜头→氛围，组合成提示词。

六、负面提示词

光说「要什么」不够，还要说「**不要什么**」——这就是**负面提示词（Negative Prompt）**。

排除三类问题：

通用模板可长期复用：低质量、模糊、变形的手、多余的手指、扭曲的脸、水印、文字、签名。

七、批量出图工作流

为什么需要批量

AI绘图的脾气：哪怕完全相同的提示词，每次生成的图都不一样。意味着：

批量出图方式
  1. **同提示词多张生成**（最常用）：生成数量从1调到4或8，一次性产出多张同主题不同细节的图
  2. **微调提示词跑多组**：改一两个词（镜位从「中景」改「近景」、氛围从「温馨」改「冷清」），每组跑4张，4-5组共16-20张对比
  3. **固定种子值复现**：记下当前图的种子值（Seed: 12345678），固定只微调提示词，保留构图只换细节
横向对比

最忌讳「一张张滑着看」——眼睛会疲劳。正确做法：

八、角色一致性三件套

漫剧最难的是「画得像同一个人」——AI天生没有「记忆」，每次生成都是独立任务。L1阶段用「外部约束」弥补。

1. 固定描述（角色设定卡）

把角色的可识别特征写进固定描述，每次出图都原封不动地贴进提示词。

应包含：面部特征、发型发色、体型身高、标志性物件、服装。

**关键纪律：一个字都不要改**。把「齐刘海」改成「斜刘海」，AI就会生成另一个人。建议存成文本文件每次复制粘贴。

2. 参考图（垫图）

给AI一张已画好的角色图作为参考，即梦的「图生图」或「参考图」功能。

**描述+参考图双管齐下**效果最好——单用描述太「空」，单用参考图AI会过度照抄旧图。

3. 种子图（Seed）

记下满意图的种子值，后续用同样提示词+同样种子值，AI会生成构图非常接近的图。

典型场景：完美立绘想换场景，复制提示词只改场景部分，保持种子值重跑。

**但要注意**：种子图保留「构图和细节趋势」，**不能100%保证长相完全一致**。更像「同一个人换衣服」而非「完全复刻」。在L1阶段这是辅助手段，不是主力。

组合工作流

画好第一张角色立绘→保存为参考图+记下种子值→每个分镜出图时粘贴角色卡+上传参考图+保持种子值→同角色不同场景出图→不一致则微调角色卡描述重跑。

第 4 关 · 图生视频与镜头运动

能把一张静态画面变成一段三到十秒的镜头，并实现简单的运镜与人物动作。

图生视频工具入门

把一张静态画面变成一段会动的视频，是AI漫剧从「连环画」跃升到「短剧」的关键一跃。你可以把它想象成给一张照片赋予呼吸——原本凝固的瞬间，开始有了镜头推移、人物动作、风吹草动。前一关我们学会了用AI绘图生成一张张分镜画面，但只有画面没有运动，观众的视线会停滞、情绪会泄气。这一节来认识**图生视频（image-to-video，简称i2v）**——这种工具能让你喂进去一张图，再告诉它「镜头怎么动、人物怎么动」，它就回你一段几秒钟的动态镜头。

什么是图生视频

图生视频工具的核心能力：**吃一张图，吐一段视频**。和AI绘图类似，你要给它一张起始画面，然后写一段文字描述希望发生什么运动。它会基于这张起始画面推理出接下来几秒的动态变化，输出一小段连贯视频。

它和AI绘图最大的区别在于：AI绘图是「从零造出一张图」，图生视频是「从一张图往后延展几秒」。对于AI漫剧来说，这意味着——你画好分镜的每一帧后，用图生视频把相邻帧之间的运动补出来，再把这些动态镜头串成完整的剧情。

四大主流工具速览

目前做AI漫剧最常接触的四款图生视频工具，定位和门槛各不相同：

| 工具 | 出品方 | 单段时长 | 费用 | 特点 | |------|--------|----------|------|------| | 可灵 | 快手 | 5-10秒 | 免费额度够用 | 中文友好，国产最稳，人物动作自然度高 | | 即梦视频 | 字节跳动 | 5-12秒 | 与即梦绘图共用额度 | 和即梦绘图同账号，工作流无缝衔接 | | Runway Gen-3 | 海外 | 4-10秒 | 付费订阅为主 | 行业早期标杆，镜头运动质感顶级 | | Pika | 海外 | 3-4秒 | 免费加付费 | 上手快，变形控制好，但时长偏短 |

新手起步建议：先从**即梦视频或可灵**入手——中文界面、免费额度充裕、和上一关学的AI绘图无缝衔接。

三种输入方式

无论哪款工具，输入模式都可以归为三类：

  1. **纯图片模式**：只上传一张图，工具按内置算法自动添加运动。最省事但最不可控——你不知道它会让镜头往哪推、让人物往哪动。
  2. **纯文字模式**：不传图，只用文字描述画面和运动。起手画面不一定是你想要的，容易跑偏。
  3. **图加文模式（推荐）**：上传AI绘图生成的成品作为起始帧，再写一段提示词描述想要的镜头运动。这是AI漫剧最高频的工作流——**你控制起点，工具控制过程**。

零基础同学请记住这一条：**永远用图加文模式**。它能让你从AI绘图环节精心调好的画面起步，再叠加你想要的运镜，不至于让工具自由发挥到失控。

基本参数

进入工具界面后会看到几个核心旋钮，所有工具大同小异：

一段小流程

假设分镜里有一格「少年抬头望天空」的画面，需要一段3秒的运镜镜头：

flowchart LR
    A[AI绘图生成起始帧] --> B[上传起始帧到视频工具]
    B --> C[写运镜提示词]
    C --> D[选参数 5秒竖屏]
    D --> E[点击生成]
    E --> F{效果是否满意}
    F -->|否| G[改提示词或换参数重试]
    F -->|是| H[下载视频素材]
    G --> E

注意：上图中「效果是否满意」这一步几乎一定会触发重试——AI生成从来不是一次到位，多跑几条挑最好的，是它本身的工作方式，不是你做错了。

**要点：** 图生视频是AI漫剧从静态分镜到动态镜头的桥梁；首选「图加文」输入模式（上传起始帧+写运镜描述），单段时长控制在5秒左右，从即梦视频或可灵入门最稳。

运镜与动作提示

运镜与动作提示

还记得第一次看大片时那种「镜头推近、心跳跟着加速」的感觉吗？电影感有一半来自运镜——镜头在空间里怎么移动，决定了观众的情绪和注意力。AI 图生视频工具不懂电影语法，但你可以用「提示词」告诉它这次想怎么拍。这一节学五类基础运镜和简单的人物动作怎么写提示词。

五大基础运镜

电影里运镜有几十种，但 AI 漫剧新人只需要掌握五种——这五种就够你撑起一个完整短片了：

  1. **推（push in）**：镜头从远到近推向主体。作用是强调情绪、制造压迫感、引导观众注意细节。比如从少年全身慢慢推到紧握的拳头。
  2. **拉（pull out）**：镜头从近到远离主体。作用是揭示环境、制造孤独感、给故事收束感。比如从角色的脸一路拉到整座城市的天际线。
  3. **摇（pan）**：镜头在固定位置水平或上下旋转。作用是扫描环境、跟随视线、营造凝视感。比如角色回头，镜头跟着摇向门后的阴影。
  4. **移（track）**：镜头横向或纵向平移，平行于主体运动。作用是制造视差美感、平行叙事。比如沿着街道平移，看到两个角色相对走过。
  5. **跟（follow）**：镜头追着运动主体一起移动。作用是营造身临其境、推进剧情。比如角色奔跑，镜头在身后紧跟。
flowchart LR
    A[推 push in] --> A1[强调情绪与细节]
    B[拉 pull out] --> B1[揭示环境与全貌]
    C[摇 pan] --> C1[扫描场景与视线]
    D[移 track] --> D1[平行移动制造视差]
    E[跟 follow] --> E1[跟随主体制造代入感]

提示词的基本句式

AI 工具听得懂的运镜提示词有个固定骨架：**「camera + 运动方式 + 主体 + 节奏/速度」**。举几个能直接套用的模板：

工具不太关心语法是否完美，更认关键词。所以哪怕你写「推镜头，慢一点，对准脸」，可灵也能懂；只是英文提示词在大多数工具上稳定性更高，新手可以直接套上面的句式。

人物动作怎么写

运镜之外，角色本身也要动起来。AI 图生视频工具支持几类人物动作提示：

一个常用套路是把运镜和人物动作拼在同一句里：「the girl turns her head slowly as the camera pushes in on her face」——既有人物动作也有镜头运动，一段提示词同时控制两层。

一个完整例子

假设分镜里有一格「少年站在雨中抬头」，你想做 3 秒镜头，情绪偏压抑：

这样出来的镜头会同时包含三层动态——镜头慢推、雨水持续落下、头发轻微飘动——再叠上整体的电影感氛围，单段提示词就撑起一格有情绪的镜头。

**要点：** 五种基础运镜（推、拉、摇、移、跟）用「camera + 运动 + 主体 + 节奏」的句式写提示词，人物动作可以直接拼在同一句里，运镜和动作同时出现才能撑起电影感。

镜头质量筛选

镜头质量筛选

上一节你学会了用运镜和动作提示词让静态图动起来。但有个绕不过去的现实问题：AI 工具很少一次就给你完美结果——可灵、Pika、Runway 同一段提示词通常会生成 2-4 个候选，你的工作不是「生成完就用」，而是「从一筐里挑出能用的那个」。这一节教你怎么挑、怎么识别废片。

为什么筛选是必备环节

AI 图生视频本质是逐帧预测，每一帧都可能出现细微偏差。一段 5 秒镜头约 150 帧，只要其中几帧出错，整段就可能报废。专业团队的「生成-筛选比」通常是 3:1 甚至 5:1——生成 5 段才有 1 段能进成片。零基础学习者一开始可能更高，所以必须建立筛选意识，不能看到「生成成功」就直接用。

常见五类崩坏问题

从大量废片里总结，五类问题占九成：

  1. **面部崩坏**：五官扭曲、眼睛大小不一、嘴巴融进脸颊。这是图生视频最高频的问题，AI 对人脸的逐帧一致性最不稳定。
  2. **身体变形**：多出手指、肢体融化、躯干比例中途变化。常出现在大幅度动作（奔跑、挥手、转身）的镜头里。
  3. **闪屏/跳帧**：画面像坏掉的老电视一样高频闪烁。这是帧间一致性出了问题，常见于镜头运动过快或主体移动剧烈。
  4. **主体漂移**：角色走着走着就「飘」出画面，或者画面里的角色突然换了一个长相。本质是 AI 丢失了对主体的追踪。
  5. **静止镜头**：提示词写了「推进 + 抬手」，结果生成的视频只有镜头动了，角色纹丝不动。或者反过来，角色动了但镜头完全静止。属于「只完成了一半指令」。
flowchart TD
    A[生成多段候选镜头] --> B[第一轮快筛]
    B --> B1[明显崩坏直接淘汰]
    B --> B2[能用的进入第二轮]
    B2 --> C[逐帧细看]
    C --> C1[检查面部一致性]
    C --> C2[检查肢体完整性]
    C --> C3[检查运动是否匹配提示词]
    C1 --> D[可用镜头入库]
    C2 --> D
    C3 --> D
    D --> E[按分镜编号归档]

两轮筛选法

不要只用眼睛随便扫一眼——建立两轮筛选流程能大幅提升效率：

**第一轮：快筛（每段 10 秒）**。把生成的 2-4 段并排播放，只看三个东西：画面有没有剧烈闪烁、主体有没有中途消失、运动幅度是不是和提示词大致对得上。任一不满足，直接淘汰。

**第二轮：细看（每段 30-60 秒）**。把快筛过关的镜头慢速逐帧拖动（0.25x 或 0.5x 速度），重点检查三件事：脸从第 1 帧到最后一帧是不是同一个人、肢体有没有多出或消失的部件、镜头运动的方向和提示词是不是一致。

一个具体筛选例子

假设分镜里有一格「少年回头」，你用「camera stays still, the boy turns his head slowly」生成了 3 段候选：

三段里只有 C 能用——这就是真实的「3:1 筛选比」。如果你只生成一段，大概率抽到 A 或 B，整格分镜就得重做。

筛选记录怎么写

筛出来的可用镜头不要直接扔进剪辑软件——先做两件事：

  1. **按分镜编号重命名**：例如「镜08_少年回头_候选C_可用.mp4」，避免剪辑时混乱。
  2. **记下废片原因**：哪怕手写一行「镜08-A 主体漂移」「镜08-B 闪屏」，下次再生成类似镜头时就知道该改提示词的哪个部分（比如 A 要加「consistent face」，B 要加「smooth motion」）。

**要点：** AI 图生视频没有「一次出片」，要建立「生成多段 → 快筛淘汰明显崩坏 → 细看检查面部、肢体、闪屏、漂移」的两轮筛选流程，按分镜编号归档可用镜头，才能进入下一步剪辑。

本关小结

本关三节构成一条「让画面动起来」的完整工作链：第一节带你看清了图生视频工具的能力边界——它能把一张静态图变成几秒钟的动态镜头，但结果常和设想有偏差；第二节教你用运镜和动作提示词去指挥 AI，告诉它镜头怎么动、角色该做什么；第三节强调必须建立两轮筛选流程，从多段候选里挑出可用镜头。三节咬合点是：工具是基础、提示词是杠杆、筛选是保障。

**一个端到端案例**。假设你有一张「少年背对镜头站在窗前」的静态图，分镜想表达他缓缓回头望向镜头。走完全流程：第一步拆解需求——主体动作是回头（中等幅度），镜头运动是轻微推进（暗示情绪靠近）；第二步写提示词——「camera slowly pushes in, the boy turns his head from window to face the camera, smooth motion, consistent face」；第三步在可灵/Pika 里生成 3-4 段候选；第四步第一轮快筛，淘汰明显崩坏（脸变了、闪屏）的；第五轮细看，挑出「脸全程一致、回头动作自然、镜头缓推稳定」的那段，按分镜编号归档入库。整个流程第一次大约 20-30 分钟，熟练后 10 分钟。

**常见失败模式排查**。最终镜头不合格时，回到三节里找原因——面部崩坏或主体漂移，多半是参考图选得不够干净（背景杂乱、人物占比太小）或提示词没强调「consistent face」；闪屏/跳帧通常是提示词里运动幅度写得太大（fast turn 比 slow turn 容易闪）；镜头完全没动或只动了一半，多半是镜头指令和动作指令写在同一句里互相干扰，拆成两句反而稳；筛选时漏看崩坏，多半是第一轮快筛太快——一定要慢速逐帧拖一遍。

下一关进入「声音」部分：AI 配音与配乐同样走「工具入门 → 提示词调节 → 结果筛选」三步，把本关的筛选意识直接迁移过去即可。

**要点**：本关的终点不是「会生成」，而是「能稳定拿到一段可用的 3-10 秒镜头」——靠工具、提示词、筛选三环咬合，缺一环就翻车。

学习笔记

图生视频与镜头运动 学习笔记

一、图生视频定位

二、四大主流工具

| 工具 | 出品方 | 单段时长 | 费用 | 特点 | |------|--------|----------|------|------| | 可灵 | 快手 | 5-10秒 | 免费额度够用 | 中文友好，国产最稳，人物动作自然度高 | | 即梦视频 | 字节跳动 | 5-12秒 | 与即梦绘图共用额度 | 和绘图同账号，工作流无缝衔接 | | Runway Gen-3 | 海外 | 4-10秒 | 付费订阅为主 | 行业早期标杆，镜头运动质感顶级 | | Pika | 海外 | 3-4秒 | 免费加付费 | 上手快，变形控制好，但时长偏短 |

新手起步建议：先从即梦视频或可灵入手。

三、三种输入方式

  1. **纯图片模式**：只上传一张图，按内置算法自动添加运动。最省事但最不可控。
  2. **纯文字模式**：不传图，只用文字描述画面和运动。起手画面不一定符合预期。
  3. **图加文模式（推荐）**：上传AI绘图成品作起始帧 + 文字描述运镜。「你控制起点，工具控制过程」，是AI漫剧最高频的工作流。

零基础同学请记住：**永远用图加文模式**。

四、基本参数

五、五大基础运镜

  1. **推（push in）**：从远到近推向主体，强调情绪与细节，制造压迫感。
  2. **拉（pull out）**：从近到远离主体，揭示环境与全貌，制造孤独感。
  3. **摇（pan）**：固定位置水平或上下旋转，扫描场景、跟随视线。
  4. **移（track）**：横向或纵向平移，平行于主体运动，制造视差美感。
  5. **跟（follow）**：镜头追着运动主体一起移动，营造身临其境的代入感。

六、提示词写法

七、镜头质量筛选

为何必备

AI图生视频本质是逐帧预测，一段5秒镜头约150帧，只要其中几帧出错就可能报废。专业团队的「生成-筛选比」通常是3:1甚至5:1。

五类崩坏问题
  1. **面部崩坏**：五官扭曲、眼睛大小不一、嘴巴融进脸颊——最高频的问题。
  2. **身体变形**：多出手指、肢体融化、躯干比例中途变化，常出现在大幅度动作中。
  3. **闪屏/跳帧**：画面高频闪烁，帧间一致性出了问题，常见于镜头运动过快或主体移动剧烈。
  4. **主体漂移**：角色飘出画面或突然换脸，AI丢失了对主体的追踪。
  5. **静止镜头**：提示词写了「推进+抬手」，结果只动了一半，属于「只完成一半指令」。
两轮筛选法
筛选记录
  1. 按分镜编号重命名，例如「镜08_少年回头_候选C_可用.mp4」，避免剪辑时混乱。
  2. 记下废片原因（讲义此节在「筛选记录怎么写」末尾截断，记录第二条的完整写法以讲义正文为准）。

八、端到端工作流

  1. 拆解需求：拆出主体动作 + 镜头运动两层。
  2. 写提示词：在「camera + 运动方式 + 主体 + 节奏/速度」骨架上叠加人物动作与一致性约束（如「consistent face」）。
  3. 生成3-4段候选。
  4. 第一轮快筛，淘汰明显崩坏。
  5. 第二轮细看，挑出可用镜头。
  6. 按分镜编号归档入库。

整个流程第一次约20-30分钟，熟练后10分钟。

九、常见失败模式排查

十、核心要点

本关终点不是「会生成」，而是「能稳定拿到一段可用的3-10秒镜头」——靠工具、提示词、筛选三环咬合，缺一环就翻车。

第 5 关 · AI配音与配乐

能为短片生成可用的对白配音、旁白和背景音乐，并对音频素材完成内部节奏调整与切片。

AI文字转语音工具入门

AI文字转语音工具入门

你有没有过这种体验：写好一段角色对白后，自己念一遍觉得「不是我想要的感觉」——可又找不到人来配音？AI 文字转语音（TTS，Text-to-Speech）工具就是来解决这件事的：把剧本里的文字丢进去，它像一位「随时待命的配音演员」一样念出来。**不同工具就像不同风格的配音演员**——有的演技扎实但挑角色，有的反应快但戏路窄，有的样样都行但要收费。

TTS 在 AI 漫剧里做什么

AI 漫剧里所有角色对白、旁白、解说词，原则上都靠 TTS 生成。配音完成后塞进剪映，和画面、字幕对齐，就成了「会说话的分镜」。所以选对 TTS 工具、配好音色和情绪，直接决定短片「听感」是业余还是专业。

三大主流 TTS 工具

| 工具 | 出处 | 费用 | 中文支持 | 适合场景 | |------|------|------|----------|----------| | 剪映配音 | 字节跳动 | 免费 | 极好 | 旁白、简单对白，和剪映剪辑无缝衔接 | | ChatTTS | 开源项目 | 免费 | 很好 | 多角色对话、想要更多音色尝试 | | ElevenLabs | 海外 | 付费（有免费额度） | 良好 | 情感戏、对白质感要求高的角色戏 |

**剪映配音**最容易被忽视，但它其实是新手最该先试的工具——打开剪映，把文字粘进「文本朗读」，直接出音。优点是和剪映时间线无缝衔接，不用来回倒文件。缺点是音色偏「播音腔」，选择有限，复杂情绪戏容易「念出来但不像在演」。

**ChatTTS**是开源项目，可在网页版或本地部署使用。它的优势是中文音色丰富、能模拟自然停顿和语气词（`[laugh]` `[break]` 这类标记让对白听起来更像「人在说话」），适合中短剧里多个角色轮换说话。缺点是情感控制不如 ElevenLabs 细腻。

**ElevenLabs**是行业标杆。音色质感、情绪层次、停顿控制都是顶配——一个「冷笑」和「苦笑」它能区分得相当清楚。海外付费工具，每月有一定免费额度（够试一段关键台词）。短片里如果有一两句关键情绪台词，用 ElevenLabs 配音会让整部片子的听感跳一个档次。

flowchart LR
    A[需要配音的文字] --> B{什么场景?}
    B -->|旁白解说| C[剪映配音]
    B -->|多角色对话| D[ChatTTS]
    B -->|关键情绪戏| E[ElevenLabs]
    C --> F[直接拖入剪映时间线]
    D --> F
    E --> G[下载音频文件]
    G --> F

三个控制维度：音色、语速、情感

不管用哪个工具，配音效果都从这三个维度调节：

实际工作流很简单：粘贴文字 → 选音色 → 调语速 → 试情感 → 生成 → 不满意就换音色或微调参数。

一个具体例子

假设剧本里有一句「你怎么能这样对我？」——同一行字在三种工具下会念出完全不同的味道：

如果这句是整部短片情绪顶点，ElevenLabs 一句顶剪映十句。

**要点：** 剪映配音方便、ChatTTS 灵活、ElevenLabs 质感最佳——三件工具组合使用，旁白用剪映，角色对白用 ChatTTS，关键情绪戏用 ElevenLabs，是新手最划算的搭配。

背景音乐与音效生成

如果配音是「演员念台词」，那背景音乐（BGM）和音效（SFX）就是「演员背后的乐队和道具组」——观众说不出某段音乐好在哪，但一段没配乐的短片会让人立刻觉得「差点意思」。BGM 负责情绪氛围，音效负责「让画面有真实感」（脚步声、门开声、风声）。两者搭配好，听感就完整了。

AI 音乐工具：Suno 和 Udio

**Suno** 是目前最主流的 AI 音乐生成工具。你给它一段文字描述，它就生成一段带人声或纯器乐的曲子。

Suno 关键词技巧：

**Udio** 是 Suno 的主要竞品，操作类似，但有两个特点：

新手建议：先试 Suno，因为它纯器乐模式下影视配乐质量已经够用，prompt 用模板化英语就行。

flowchart LR
    A[想给场景配什么感觉的音乐] --> B[用英文写 prompt]
    B --> C{Suno 还是 Udio}
    C -->|偏影视管弦抒情| D[Suno]
    C -->|偏流行摇滚电子| E[Udio]
    D --> F[选 Instrumental 纯器乐]
    E --> F
    F --> G[生成多个版本挑选]
    G --> H[下载 MP3 拖入剪映]

免费音效从哪里找

短片里除了 BGM，还需要各种「点睛」音效——翻书声、脚步声、门铃声、心跳声、刀剑碰撞声。这些不需要自己生成，去免费素材库找最快：

实际工作流：打开剪映 → 时间线点「音频」 → 选「音效」 → 搜中文关键词 → 试听 → 拖到对应画面。

配乐选曲的基本直觉

给场景选 BGM 有几个简单原则：

**一个具体例子**：你的短片有一段是「男主独自走在雨夜街头」。

  1. 去 Suno，prompt 写：`A melancholic piano piece with light rain ambience, slow tempo 70 BPM, instrumental, cinematic`
  2. 生成 3-4 个版本，挑最有「孤独感」的那条
  3. 同时去 Pixabay Music 搜 `rain loop`，找一条 10 秒左右的雨声循环
  4. 剪映里把钢琴曲铺底，雨声叠一层，音量调低（约 -15dB）
  5. 配男主旁白，旁白音量调到 -6dB 左右突出人声

整段听感会比「只有干巴巴的配音」厚实很多。

**要点：** Suno 用英文 prompt + Instrumental 模式生成纯器乐 BGM；音效直接去 Pixabay、剪映音效库找现成的免费素材；配乐音量永远低于人声 6-10 分贝，让位给台词。

音频素材内部节奏处理

想象一段刚生成的 AI 配音听起来像什么样——开头有半秒尴尬的空白「呃」，中间某句突然加速糊成一团，结尾「啪」地一下断掉，听起来像有人把一卷磁带剪断。专业短片的配音听起来干净舒服，关键不在于 AI 念得多好，而在于**对单条音频做内部节奏处理**——就像厨师拿到一块生肉，要先剔骨、去边角、调味、摆盘，才端得上桌。

1. 静音与空白处理

AI 生成的 TTS 音频经常带着三类「垃圾空白」：

剪映处理方法：把播放头（白色竖线）拖到空白段的起点/终点，点时间线上方的「**分割**」按钮（剪刀图标，或快捷键 Ctrl+B），把空白段切出来选中按删除。一条 30 秒的 TTS 经常能剪掉 3-5 秒废话。

2. 淡入淡出

音频如果「啪」一下开始、「啪」一下结束，听感非常业余。需要做：

剪映里：点选音频片段 → 下方「**音频**」面板 → 找到「**淡入**」「**淡出**」滑块，各拖到 0.5 秒左右。

应用场景：场景转换时上一段音频淡出、下一段淡入，听感丝滑；旁白开头用淡入比硬切显得更高级。

3. 断句与切片

AI TTS 通常一次性输出整段文字（30 秒、1 分钟都是一整条）。但你的分镜可能是 5 个独立镜头，每个镜头需要不同的画面和节奏——这时必须把一长段音频**切成若干小句**，再分别拖到对应画面的时间位置。

操作方法：

  1. 播放音频，在「两句之间有明显静音」的位置暂停
  2. 把播放头精确拖到那个静音点
  3. Ctrl+B 分割
  4. 重复几次，把整段切成 3-5 个小段
  5. 选中某小段，拖到对应画面的起始时间

这一步是「**音画对位**」的基础。后面讲剪辑合成时会再深入，这里先记住：**音频必须能被切碎、对齐画面**。

4. 语速微调

剪映时间线上选中音频片段，拖「**变速**」滑块（或在「音频 → 变声/变速」里改）：

⚠️ 提示：变速超过 1.3x 或低于 0.7x 时，人声会明显变调（高频像花栗鼠，低频像怪物）。日常剪辑几乎用不到极端变速，1.0 ± 0.2 范围内最安全。

5. 音量平衡

不同素材音量差异大，剪映里选中片段 → 「音频」面板 → 拖「**音量**」滑块。经验值：

| 素材类型 | 建议音量 | |---|---| | 人声配音 | -6 dB 左右（最高，让观众听清） | | 背景音乐 BGM | -15 至 -20 dB（铺底，不抢人声） | | 音效 SFX | -12 dB（关键音效可瞬间拉高到 -3 dB 强调） |

人声永远最大，BGM 永远最小，音效在「**该响的瞬间**」短暂爆发。

flowchart LR
    A[原始 TTS 音频] --> B[删除头尾空白]
    B --> C[在句间静音处断句切片]
    C --> D[淡入淡出处理]
    D --> E[语速微调]
    E --> F[音量平衡]
    F --> G[节奏干净的成片音频]

**一个具体例子**：你有一段 30 秒的 TTS 旁白，开头有 1 秒静音、中间第 12 秒有 2 秒长停顿、结尾突然断掉。

  1. 拖播放头到第 1 秒静音末尾，Ctrl+B 分割，删除开头那段静音
  2. 拖到第 12 秒长停顿开头分割，删除这 2 秒（如果画面不需要这段等待）
  3. 结尾如果有拖尾静音，同样切掉
  4. 全选这段音频，在音频面板把淡入、淡出各设 0.5 秒
  5. 试听感觉语速略快，拖变速滑块到 0.95x
  6. 音量调到 -6 dB

整段从「30 秒毛坯」变成「28 秒干净的成品」，可以拖到时间线上配合画面了。

**要点：** 单条音频的内部节奏处理四件套——**删空白、断句、淡入淡出、语速音量微调**，让素材本身听起来「干净舒服」；音量优先级始终是「人声 > 关键音效 > BGM」。

本关小结

本关走完的是一条「从无到有再到可用」的音频线：第一节让 AI 把剧本念出来，你拿到的是会说话但还粗糙的原始素材；第二节给这些素材铺上情绪层和节奏锚点；第三节把每条音轨做内部修剪，让它们能被切碎、对齐画面。三块拼起来是同一条流水线——**先有声音 → 再有层次 → 最后节奏干净**，每一步的产出都是下一步的输入。

**音频就绪自检清单**（进入下一关前过一遍）：

**三条音轨叠在一起时最容易翻车的几点**：

  1. **BGM 不要从头铺到尾**——长 BGM 会让观众听觉疲劳，建议每 30-60 秒留 2-3 秒「呼吸」，让纯人声或纯音效顶上来
  2. **同一时刻不要让三轨同时最强**——人声、BGM、关键音效同高潮的瞬间会糊成一团，遵循「同一瞬间只让一个元素最强」的规则
  3. **音效打在动作前 0.1-0.2 秒**——关门、撞击、脚步，提前一点点比完全同步更符合观众直觉

至此音频侧的素材已全部就绪、节奏可控。下一关进入剪辑合成——把这些视觉素材和音频素材按分镜顺序组合、调音画对位、导出成片。

学习笔记

AI配音与配乐 · 学习笔记

一、TTS 工具与角色配音

**TTS 在 AI 漫剧中的定位**：所有角色对白、旁白、解说词原则上都靠 TTS 生成；配音完成后塞进剪映，和画面、字幕对齐就成了「会说话的分镜」。选对 TTS 工具、配好音色和情绪，直接决定短片听感是业余还是专业。

**三大主流 TTS 工具对比**：

| 工具 | 出处 | 费用 | 中文支持 | 适合场景 | |------|------|------|----------|----------| | 剪映配音 | 字节跳动 | 免费 | 极好 | 旁白、简单对白，与剪映时间线无缝衔接 | | ChatTTS | 开源项目 | 免费 | 很好 | 多角色对话、音色尝试丰富 | | ElevenLabs | 海外 | 付费（有免费额度） | 良好 | 关键情绪戏、对白质感要求高 |

**工具选择路径**：旁白解说 → 剪映配音；多角色对话 → ChatTTS；关键情绪戏 → ElevenLabs。前两者可直接拖入剪映时间线，ElevenLabs 需下载音频文件再导入。

**三个控制维度**：

**标准工作流**：粘贴文字 → 选音色 → 调语速 → 试情感 → 生成 → 不满意就换音色或微调参数。

二、背景音乐与音效

**BGM 与 SFX 的分工**：BGM 负责情绪氛围，SFX 负责让画面有真实感（脚步声、门开声、风声）；两者搭配好，听感才完整。

**AI 音乐工具**：

**Suno 关键词四类**：

**工具选择**：偏影视管弦抒情选 Suno；偏流行摇滚电子选 Udio；都选 Instrumental 纯器乐 → 生成多版本挑选 → 下载 MP3 拖入剪映。

**免费音效来源**：

**音效工作流**：打开剪映 → 时间线点「音频」 → 选「音效」 → 搜中文关键词 → 试听 → 拖到对应画面。

三、音频素材内部节奏处理

**1. 静音与空白处理**：AI 生成的 TTS 音频常带三类「垃圾空白」——开头留白（通常从第 0.5–1 秒才开始念）、结尾留白（说完拖 1–2 秒）、句间长停顿（句号位置被拉得很长）。

**2. 淡入淡出**：音频「啪」一下开始或结束听感业余。

**3. 断句与切片**：AI TTS 通常一次性输出整段文字，但分镜需要多个独立镜头，因此必须把长音频切成若干小句，分别拖到对应画面。

**4. 语速微调**：选中音频片段拖「变速」滑块（或在「音频 → 变声/变速」改）。

**5. 音量平衡**：不同素材音量差异大，剪映选中片段 → 「音频」面板 → 拖「音量」滑块。

| 素材类型 | 建议音量 | |---|---| | 人声配音 | -6 dB 左右（最高） | | 背景音乐 BGM | -15 至 -20 dB（铺底） | | 音效 SFX | -12 dB（关键音效瞬间拉高到 -3 dB 强调） |

原则：人声永远最大，BGM 永远最小，音效在「该响的瞬间」短暂爆发。

**处理流水线**：原始 TTS 音频 → 删除头尾空白 → 在句间静音处断句切片 → 淡入淡出处理 → 语速微调 → 音量平衡 → 节奏干净的成片音频。

四、音频就绪自检与避坑

**就绪自检清单**（进入下一关前过一遍）：

**三轨叠放最易翻车的三点**：

  1. BGM 不要从头铺到尾——长 BGM 易听觉疲劳，每 30–60 秒留 2–3 秒「呼吸」让纯人声或纯音效顶上来
  2. 同一时刻不要让三轨同时最强——人声、BGM、关键音效同高潮瞬间会糊成一团；遵循「同一瞬间只让一个元素最强」
  3. 音效打在动作前 0.1–0.2 秒——关门、撞击、脚步，提前一点点比完全同步更符合观众直觉

**本关流水线**：先有声音（TTS） → 再有层次（BGM + 音效） → 最后节奏干净（内部节奏处理）；每一步的产出都是下一步的输入，下一关进入剪辑合成。

第 6 关 · 剪辑合成与成片导出

能把所有画面、镜头、音轨在剪辑软件中按分镜顺序组装、对齐、合成，并按平台技术参数导出成片。

剪辑软件入门

把前五关做的素材——AI画的分镜、AI念的台词、AI配的背景音乐——变成一部能发的短片,中间这道工序叫**剪辑**。它不是「加滤镜」那么简单,而是把所有碎片按时间顺序、对齐关系、情绪节奏拼成完整故事。

国内做AI漫剧,主流剪辑软件是**剪映**(字节跳动出,桌面版叫「剪映专业版」,手机版叫「剪映」)。选它的理由:

第一次打开剪映,屏幕会被分成四块:

flowchart LR
    A[素材库 左上面板 所有导入的素材] --> B[预览窗口 正中 当前画面]
    C[时间线 下方长条 多轨道按时长排列] --> B
    B --> D[播放器控制 预览窗下方 播放暂停进度]

**素材库(左上)**——你导入的所有图片、音频、视频片段都住在这里。可以按文件夹分组,双击任一素材可在预览窗口单独预览,确认内容无误再拖到时间线。

**预览窗口(中上)**——显示当前时间线指针所在位置的画面。剪辑时盯这里,而不是盯时间线上的小缩略图——后者太小看不清。

**时间线(下方长条)**——整部片子的骨架。视频、音轨、字幕各占一条横向轨道。**横排从左到右是时间流动,每一格是一帧画面**。默认帧率25帧/秒,意思是1秒钟的时间线上有25个最小单位。

**播放器控制(预览窗下方)**——播放、暂停、跳到某帧的按钮。

---

第一步:导入素材

点素材库上方的「导入」按钮,或直接把文件夹拖进剪映,把AI生成的图片、视频片段、音频文件全部塞进来。剪映会自动按文件类型归类:图片和视频进视频区,音频进音频区。

第二步:把素材摆上时间线

从素材库**拖拽**一段视频到下方时间线的视频轨——它会出现在时间线的那一格,左右两端是可以拖动的把手(用来裁短)。再拖一段,前后拼接,顺序就排好了。

**核心习惯**:在做任何精修前,**先把所有视频片段按分镜顺序粗排到时间线上**,大致对齐长度,再回头调细节。不要一上来就逐帧修——那是从一个极端走到另一个极端。

三个最高频的基础操作
一个最小例子:30秒短片怎么拼

假设你已经从可灵导出3个镜头(各5秒,共15秒),有ChatTTS生成的旁白(30秒),有Suno生成的背景音乐(45秒)。

操作顺序:

  1. 导入全部素材
  2. 把3个镜头按顺序拖到视频轨——现在视频轨只有15秒
  3. 把旁白拖到音频轨——它比视频长,先不管
  4. 视频轨末端再拖一次第一个镜头(或一张静态尾帧)撑到15秒
  5. 背景音乐拖到音乐轨,从头铺满
  6. 留到下一块:用「分割」裁掉视频多余部分,让画面节奏对上旁白节奏

剪映不像AE、Pr那样陡峭——大多数AI漫剧作者从头到尾只用「分割、删除、拖动、缩放」这四个动作,加上字幕和转场,就能完成80%的成片。

**要点**:剪辑的本质是把素材按时间顺序、对齐关系、情绪节奏排好;剪映四块界面里时间线是「骨架」,预览窗是「眼睛」,先粗排再精修。

画面与音轨的多轨合成

把同一个时间段里**同时存在**的多层内容——画面、旁白、音乐、字幕——像几层透明胶片一样叠在一起,让它们在同一条横向时间线上各自走各自的路,这就是**多轨合成**。可以这样想象:一支乐队有钢琴、鼓、贝斯、人声,四样乐器演奏的是同一首曲子,只是各占一条声部;剪映的多轨合成是同一个逻辑——视频是一轨,旁白是一轨,BGM是一轨,字幕是一轨,它们共享同一条时间线,共用一个播放指针。

flowchart LR
    V[视频轨V1<br/>镜头1 镜头2 镜头3 延伸段] --> T[同一条横向时间线<br/>共同播放指针]
    A1[音轨A1 旁白<br/>完整30秒台词] --> T
    A2[音轨A2 背景音乐<br/>完整45秒Bgm] --> T
    S[字幕轨<br/>每句对白一行] --> T
    T --> P[预览窗口<br/>同时看画面 听声音 看字幕]

**多轨对齐的核心问题:五个关键时间点必须对上**。一部片子里有五种东西需要互相配合:

剪辑师的工作,本质就是把这五个时间点拉到一起。剪映里你只需要做一件事:让它们的横向位置重合——镜头2从第5秒开始、旁白第5秒开始念第二句、BGM第5秒正好一个鼓点落下、字幕第5秒显示第二句,这一刻四轨就对齐了。

**第一步:把镜头按分镜顺序铺到视频轨V1**。上一块已经做完了粗排,这一步要检查每个镜头的边界点是否落在合理位置。如果两个镜头之间需要「黑场过渡」,就在两个镜头之间插入一段0.5秒的纯黑帧——具体做法:在素材库放一张纯黑图片,需要时拖到时间线两段镜头之间。

**第二步:旁白轨对齐画面**。这是最关键的一步,因为旁白是AI漫剧的「骨架」,观众的注意力主要由旁白牵引。操作方法:

**第三步:BGM对齐情绪节点**。BGM通常从第0秒铺到片尾,但有三个地方需要专门处理:

BGM的音量也要调,默认是100%,但和旁白同框时BGM应该压低到20-30%——BGM是「铺底」,不能盖过台词。选中BGM片段,在右侧属性面板把音量滑块往下拉就行。

**第四步:加转场**。AI漫剧里转场的核心原则是**不要抢戏**:

转场放在两段镜头的交界处,拖动边缘调整持续时间(0.2-0.8秒为宜),转场时长不要超过任何一个镜头长度的1/3。

**第五步:加字幕**。剪映的字幕功能提供两种方式:

**AI漫剧推荐手动添加**,因为每句台词都是剧情关键点,字幕位置必须精准对应画面角色说话的那一帧。手动添加时:

一个最小例子:15秒画面 + 30秒旁白怎么处理

上一块最后留了一个未解的问题:三个镜头只有15秒,但旁白有30秒,缺口怎么补?这里给三种方法,选其一即可:

  1. **延长最后一帧**——把第三个镜头的边缘把手往右拖,画面会减速播放(慢动作),直到对齐30秒。**慎用**,慢放镜头看起来很业余
  2. **循环最后一个镜头**——再拖一次第三个镜头到时间线,首尾相接,凑到30秒。**推荐**,AI漫剧常用
  3. **插入静态分镜图**——直接用第三张分镜图(而不是视频)拖到时间线凑齐剩余时间。**最推荐**,因为画面静止观众会下意识把注意力放到旁白和BGM上,反而更有「故事感」

**要点**:多轨对齐的本质是「多条轨道共享一条横向时间线,多个关键时间点要重合」;操作顺序是视频→旁白→BGM→转场→字幕,每加一轨都回到预览窗播放一次检查。

导出与平台技术参数

片子剪完了,最后一关是「打包发货」——导出成片。这一步的四个技术参数——**分辨率、帧率、码率、封装格式**——就像快递的四个属性:箱子大小(画面尺寸)、翻页速度(流畅度)、每页油墨量(细节保留度)、信封类型(谁能打开)。选错任何一个,成品要么糊、要么卡、要么上传后平台告诉你「格式不支持」。

帧率(Frame Rate)——每秒多少张图

视频不是连续的画面,是一秒钟快速翻过几十张静态图。帧率就是「每秒翻几张」。

AI生成的视频本身就有「卡顿感」(因为是逐帧预测出来的,不是真实拍摄),30fps正好能掩盖这个缺陷,让画面看起来更连贯。剪映默认就是30fps,通常不用动。

分辨率(Resolution)——一张图有多少像素

分辨率决定画面尺寸,直接决定了「在哪种屏幕上能看清」。AI漫剧主要在手机上看,所以画幅由发布平台决定:

flowchart TD
    Start[开始选分辨率] --> Q{主要发哪个平台}
    Q -->|抖音 快手 视频号 小红书| V[9:16 竖屏<br/>1080×1920]
    Q -->|B站 YouTube 公众号| H[16:9 横屏<br/>1920×1080]
    Q -->|多平台都发| U[折中: 1080×1920 竖屏<br/>其他平台接受两侧留黑边]
    V --> Tip[关键: 创建项目时就设<br/>不要剪完再改]
    H --> Tip
    U --> Tip

**最容易踩的坑:画幅比例一定要在新建项目时设置**,不能等剪完再改。剪映里点「开始创作」之前,顶部会问「画幅比例」——选9:16或16:9,确定后再开始拖素材。如果中途改画幅,所有AI生成的画面要么被裁切(切掉头顶或脚底),要么两侧加黑边,基本要重做。

码率(Bitrate)——每秒多少数据

码率决定画面细节能保留多少。码率高=画质好=文件大。但平台拿到你的视频后**会二次压缩**(为了节省服务器带宽),所以码率没必要拉到顶:拉再高,平台也会给你压回去,等于白费存储和上传时间。

封装格式(Container)和编码(Codec)——信封和内芯

「封装格式」是文件后缀(MP4/MOV/AVI),决定哪个软件、哪个平台能打开;「编码」是里面怎么压缩数据,决定文件大小。

剪映里点导出的具体流程
  1. 右上角点「**导出**」按钮
  2. 弹出参数面板,逐项检查:
  1. 点「导出」,等进度条跑完(30秒视频大概1-3分钟)
  2. 文件自动保存到手机相册/电脑文件夹
三个常见错误
  1. **画幅比例设错**——9:16和16:9选反,发到平台画面被裁掉一半,**必须在新建项目时就设对**
  2. **追求4K导出**——抖音、B站都不会以4K展示你的视频,导出4K只是让文件变大、渲染变慢,画质肉眼无差
  3. **追求最高码率**——20Mbps的卡通视频,平台压缩后和10Mbps的看起来一样,但上传时间是两倍
一个具体例子

一段30秒的AI漫剧,9:16竖屏,30fps,10Mbps——最终文件大约**35-40MB**。这个体量:微信能直接发,抖音秒传,小红书不卡,视频号无障碍。**这就是AI漫剧的「标准答案」**。

**要点**:AI漫剧的导出「标准配方」是 **MP4 + H.264 + 30fps + 8-12Mbps + 1080×1920(竖屏)**,对应剪映里「推荐」档位的默认参数。画幅比例在新建项目时设,不要在导出时改。

本关小结

剪辑软件入门搭的是骨架——素材各就各位放进时间线,才能给后续对齐提供「基准坐标」;多轨合成是在这个坐标系上把音画咬合到秒级,让节奏立起来;导出与平台参数则是把成片按平台格式打包,让它真正「能发出去」而非「只能本地看」。三步环环相扣——前一步没扎实,后面就是地基歪了楼盖得再漂亮也站不住。

把三节拧成一份「发布前自检清单」,存在手机备忘录里,每次发布前过一遍:①镜头顺序与分镜表一致、无遗漏;②音画在口型、动作起止、BGM转场等关键节拍对齐,误差零点几秒内;③导出参数匹配平台(画幅比例、1080p、30fps、MP4/H.264、码率8-12Mbps);④在手机上完整播一遍,确认音画同步、无遮挡、节奏舒服。四条全打勾,才点「发布」。

这也是AI漫剧六关学习的终点——从剧本到分镜、从生图到图生视频、从配音配乐到剪辑合成,完整流水线已经走通。

学习笔记

剪辑合成与成片导出

一、剪映：AI漫剧的主流剪辑工具

二、基础操作流程

1. 导入素材

点素材库上方「导入」按钮，或直接拖文件夹；剪映自动按文件类型归类（图片视频进视频区，音频进音频区）。

2. 把素材摆上时间线

从素材库**拖拽**素材到对应轨道；左右两端是可以拖动的把手，用来裁短。

**核心习惯**：先按分镜顺序把所有视频片段粗排到时间线上，大致对齐长度，再回头调细节。不要一上来就逐帧修。

3. 三个最高频的基础操作
4. 最小例子：30秒短片拼装

假设从可灵导出3个镜头（各5秒，共15秒）、ChatTTS旁白30秒、Suno背景音乐45秒。操作顺序：

  1. 导入全部素材。
  2. 3个镜头按顺序拖到视频轨。
  3. 旁白拖到音频轨。
  4. 视频轨末端再拖一次第一个镜头（或一张静态尾帧）撑到15秒。
  5. 背景音乐拖到音乐轨，从头铺满。
  6. 用「分割」裁掉多余部分，让画面节奏对上旁白节奏。

**关键结论**：剪映不像AE、Pr那样陡峭——大多数AI漫剧作者从头到尾只用「分割、删除、拖动、缩放」四个动作，加上字幕和转场，就能完成80%的成片。

三、多轨合成与五点对齐

**多轨合成的本质**：把同一时间段里同时存在的多层内容（画面、旁白、音乐、字幕）像几层透明胶片一样叠在一起，各占一条横向轨道，共享同一条时间线和播放指针。类比一支乐队——钢琴、鼓、贝斯、人声演奏同一首曲子，各占一条声部。

五个关键时间点必须对齐

**剪辑师的工作本质**：把这五个时间点拉到一起——让它们的横向位置重合。

第一步：视频轨V1铺镜头

检查每个镜头的边界点是否落在合理位置。需要「黑场过渡」时，插入一段0.5秒的纯黑帧（做法：素材库放一张纯黑图片，拖到两段镜头之间）。

第二步：旁白轨对齐画面（最关键）

旁白是AI漫剧的「骨架」，观众注意力主要由旁白牵引。操作：

第三步：BGM对齐情绪节点

BGM通常从第0秒铺到片尾，但有三处需专门处理：

**音量调整**：和旁白同框时，BGM应压低到20-30%——BGM是「铺底」，不能盖过台词。选中BGM片段，在右侧属性面板把音量滑块往下拉。

第四步：加转场（核心原则：不要抢戏）

转场时长：拖动边缘调整，0.2-0.8秒为宜，不超过任一镜头长度的1/3。

第五步：加字幕

剪映字幕功能提供两种方式：

四、导出与平台技术参数

四个技术参数就像快递的四个属性：分辨率（箱子大小）、帧率（翻页速度）、码率（每页油墨量）、封装格式（信封类型）。选错任何一个，成品要么糊、要么卡、要么上传后平台告诉「格式不支持」。

帧率（Frame Rate）——每秒多少张图

AI生成的视频本身有「卡顿感」（逐帧预测，非真实拍摄），30fps正好能掩盖这个缺陷。剪映默认就是30fps，通常不用动。

分辨率（Resolution）——一张图有多少像素

画幅由发布平台决定：

**最容易踩的坑：画幅比例一定要在新建项目时设置**，不能等剪完再改。在剪映点「开始创作」之前，顶部会问「画幅比例」——选好后再拖素材。中途改画幅，所有AI生成的画面要么被裁切，要么两侧加黑边，基本要重做。

码率（Bitrate）——每秒多少数据

码率高=画质好=文件大。但平台会二次压缩，没必要拉顶：

封装格式（Container）和编码（Codec）
剪映导出具体流程
  1. 右上角点「**导出**」按钮。
  2. 弹出参数面板逐项检查：
  1. 点「导出」，等进度条跑完（30秒视频大概1-3分钟）。
  2. 文件自动保存到手机相册/电脑文件夹。

五、发布前自检清单

  1. **镜头顺序**：与分镜表一致，无遗漏。
  2. **音画对齐**：口型、动作起止、BGM转场等关键节拍对齐，误差零点几秒内。
  3. **导出参数**：匹配平台（画幅比例、1080p、30fps、MP4/H.264、码率8-12Mbps）。
  4. **手机播一遍**：确认音画同步、无遮挡、节奏舒服。

四条全打勾，才点「发布」。