两小时跑通AI真人短剧：图生视频与角色一致性实战

1. 先把“两小时”这件事拆开看这条流水线到底在跑什么两小时做一条AI真人短剧这话我第一次听也觉得是吹牛。真上手跑了几轮才发现卡时间的从来不是生成速度而是动手之前那半小时的犹豫——角色长什么样没定、台词改到第八版、首帧图出来不满意又推翻重来。所以这篇我不打算从“点哪个按钮”讲起而是先把整条流水线的时间账算清楚你才知道哪一步该快、哪一步不能省。先说清楚概念。这里讲的AI真人短剧指的是用AI生成写实向人物画面、再配上配音与剪辑做成一条有起承转合的竖屏短视频通常30秒到90秒人物看起来像真人拍摄而不是卡通或三维渲染。它解决的核心问题是一个没有演员、没有场地、没有摄影器材的人能不能在半天内产出一条看起来“像那么回事”的剧情短片。答案是可以但前提是你把工作流拆对了。为了让内容对任何人都能复现下文不绑定具体产品统一用三个代称对话式AI助手负责写剧本、分镜、改台词我用的是常见的国产大模型对话工具同类产品流程完全通用、AI视频生成平台负责文生图、图生视频、部分平台还带口型同步、桌面剪辑软件负责拼接、字幕、配乐、调色。这三类工具市面上都有多个选择选哪家不影响流程骨架只影响手感和出片风格所以你完全可以按自己顺手的来替换。适合谁看想试水短剧但没团队的个人创作者、做账号内容需要批量产出的运营、以及被“AI短剧”这个词吸引但一直不知道从哪下手的新手。如果你已经能稳定出片这篇里关于角色一致性和镜头节奏的部分应该还能挖到点东西。注意本文所有参数、时长、比例都来自我自己的实操记录不同平台版本更新后数值会变看逻辑比抄数字重要。1.1 三个环节、四种素材缺一不可把整条链路压缩到最简其实只有三个环节写清楚要拍什么、把画面生成出来、把碎片缝成一条片子。围绕这三个环节你需要产出四种素材这四种素材构成了整条片子的骨架素材类型产出环节关键要求缺失后果分镜脚本表剧本环节每镜头一句话画面一句台词生成时全靠现编风格乱飘角色定妆图造型环节正脸清晰、光线均匀、背景干净每个镜头像换了演员视频片段生成环节单镜2-5秒、动作幅度可控剪辑时无米下锅配音音轨配音环节语速统一、情绪贴合台词口型对不上、节奏拖沓这四样东西里最容易被人跳过的是第一样。我见过太多人直接打开生成平台脑子里想着“一个女孩在雨里回头”然后生成出来发现不知道该接什么镜头。分镜脚本的意义不是让你显得专业而是把“想象力”提前固化成可执行的指令——你写下来的每一行后面都会对应一次生成任务写不清就是白烧额度。1.2 为什么我坚持“图生视频”而不是“文生视频”这是整条流水线里最重要的一个技术选择值得单独说。文生视频是直接给一段文字描述让平台吐出动态画面图生视频是先出一张满意的静态图再让这张图动起来。我踩过的坑是这样的早期用文生视频做连续剧情同一个角色在第一镜是短发圆脸第二镜变成长发尖脸第三镜干脆换了性别。因为纯文字描述里“二十多岁亚洲女性”这种词模型每次理解的都不一样你对角色的控制力几乎为零。图生视频把这个问题解决了一大半——你先把角色的“定妆照”定死后面每个镜头都以这张脸为基础去生成人物一致性立刻上了一个台阶。代价是多了一道出图工序但这一道工序省下来的重试时间远远超过它本身的耗时。我的经验是做剧情类内容图生视频的成功率大概是文生视频的两到三倍尤其是需要同一角色连续出镜的短剧。还有一层原因跟剪辑有关。图生视频的每一段都是从一张确定的构图开始运动的你能预判画面里人物站在哪个位置、朝向哪边。文生视频的画面构图是随机的两个镜头接在一起经常出现人物突然跳到画面另一侧剪辑时你只能靠加转场硬遮观感很廉价。1.3 两小时的时间预算怎么分不给时间表两小时就是句空话。我实际跑下来的分配大致是这样环节计划耗时实际容易超时的地方选题分镜脚本25分钟台词反复改越改越长角色定妆图15分钟纠结脸型细节出图几十张分镜首帧图30分钟场景不一致反复重出图生视频35分钟动作崩坏单镜重试五六次配音10分钟语速调不顺剪辑合成25分钟字幕校对、卡点对不齐导出与检查5分钟忘了看首帧和结尾加起来大概145分钟留一点余量刚好两小时出头。关键在于图生视频和出图环节要学会“排队并行”平台生成一段五秒视频通常要等一到三分钟这段时间不要干等着刷手机去写下一镜的描述、去调配音稿把等待时间填满实际体感时间能砍掉三分之一。我个人的硬规矩是任何一个镜头重试超过五次就换方案。不是换提示词是换构图、换景别、换动作方向。因为在同一个方向硬磕往往越磕越崩而换个角度描述经常一次就过。这条规矩帮我省下的时间比任何技巧都多。2. 剧本与分镜把“灵感”翻译成机器能读懂的表格很多人以为AI写剧本就是丢一句“帮我写个短剧”然后等它吐一篇小说出来。那样出来的东西没法用因为它写的是文学你要的是可执行的拍摄指令。这两者的差别就像“一个失落的男人走在街上”和“中景男性三十岁灰衬衫低头从画面左侧向右侧走背景虚化的便利店霓虹”——前者是情绪后者是参数。所以在对话式AI助手这边我用的不是“写剧本”的提示词而是“写分镜表”的提示词。核心思路是把输出格式提前锁死让它没机会发散。我通常会给它一段结构化的指令明确要求输出表格列包含镜号、时长、景别、画面描述、台词、音效备注。这样拿到的结果可以直接贴进表格里当工作清单用。2.1 一个能直接抄的分镜提示词结构我常用的提示词骨架大致是这五段顺序不要乱角色设定几个人、什么关系、外形特征、服装要具体到颜色和材质因为后面出图要用场景设定发生在哪、时间、光线条件、画面整体色调剧情要求一句话核心冲突加一个明确的结尾落点时长与镜头数比如“总时长60秒拆18到22个镜头单镜不超过5秒”输出格式表格字段固定禁止输出额外说明文字第五段特别关键。不加“禁止输出额外说明”它会给你写一段“本剧本讲述了……”的导语你得手动删。加了之后拿到的就是干净的表格直接能用。还有个小技巧把台词长度也用字数约束住。我一般要求单句台词不超过18个字。原因是竖屏短剧的节奏极快一句话超过20字配音出来观众就跟不上了而且字幕一屏放不下要折行观感直接崩。这个约束让AI在写的时候自动压缩表达出来的台词反而更有冲击力。2.2 分镜表里那几个必须盯死的字段表格拿到手不要直接开工先逐列检查。我见过的新手最常犯的错是只看“台词”列把“画面描述”当成装饰。实际上画面描述才是决定成败的那一列。景别字段要检查是否有变化。如果二十个镜头全是中景成片会像监控录像。合理的节奏是开场用全景或中景交代环境冲突升级时切近景甚至特写情绪落点用大特写转场用空镜。我自己总结的一个粗略比例是一条60秒的片子里中景占一半、近景三成、特写和空镜各占一成左右。画面描述字段要检查是否包含可执行的视觉元素。合格的描述应该能回答人物在画面哪个位置、朝向哪边、做什么动作、背景是什么、光从哪来。“她很伤心”不合格“女性角色坐在地板上背靠沙发低头双手抱膝右侧窗户透进冷光”才合格。时长字段要检查总和是否对得上。AI经常把每个镜头都写成五秒二十个镜头就是一百秒跟你要求的六十秒差远了。拿到表先算总和超了就砍镜头别指望剪辑时压缩——素材生成出来是固定长度你只能剪短不能拉长。注意分镜表里的“音效备注”列不要留空。哪怕只写“关门声”“雨声”“心跳”后期剪辑时这一列能帮你省掉大量翻素材的时间。2.3 台词要按“说出来的感觉”改一遍AI写的台词有个通病书面语太重主语齐全、逻辑完整读起来像新闻稿。真人说话不是这样的——会省略、会重复、会答非所问。我的做法是拿到台词后用朗读测试过一遍自己出声念凡是念着别扭的地方就改。比如“我认为你应该重新考虑这个决定”改成“你再想想”字数少了情绪反而更足。这个动作花不了五分钟但对成片质感的提升非常明显因为配音是观众唯一能百分百听懂的信息通道台词别扭整条片子的可信度就没了。另外我会刻意在台词里放一到两个口语碎词比如“行吧”“你知道吧”“算了”。这些词在书面表达里是噪音在短剧里是真实感的来源。当然不能滥用一条60秒的片子里出现三四次就够多了显得啰嗦。还有一点结尾那句台词单独打磨。短剧的完播率和结尾强相关最后一句要么是反转、要么是钩子、要么是一句能让人想评论的话。这句我通常不用AI的原稿自己重写因为它决定了这条片子有没有人愿意看完。3. 角色一致性整条片子最贵的一环如果说整条流水线有一个地方值八成的时间那就是这里。观众可以接受画面不够精致、可以接受运镜简单但绝对接受不了“同一个角色每个镜头长得不一样”。一旦脸变了观众立刻出戏你前面所有的努力归零。角色一致性的本质是让模型在每一次生成时都能拿到足够强的“这个人长这样”的信号。信号越强一致性越高。文生视频时代我们只能靠文字描述信号弱得可怜图生视频时代我们有了参考图信号强度直接上了一个量级。但参考图也有讲究不是什么图都能当参考。3.1 定妆图的四个硬指标我总结的定妆图标准是四条缺一条后面都会出问题指标具体要求不达标的表现正脸为主脸部占画面高度1/3以上五官清晰侧脸、远脸生成时五官漂移光线均匀无明显高光和死黑柔光为主强阴影被当成面部结构生成后脸变形背景干净纯色或简单虚化无杂乱元素背景元素被误认为服装或道具表情中性不笑不怒嘴角自然极端表情被固化后续镜头全是一个表情这四条里最容易被忽略的是“表情中性”。我早期做过一版定妆图人物微微笑着很好看结果后面所有镜头——吵架、哭、惊讶——都带着那个微笑怎么描述都改不掉。模型把笑容当成了这个人物的固有特征。后来改成中性表情的定妆图情绪才重新变得可控。光线那条也值得多说一句。很多人喜欢用带强烈侧光的定妆图觉得有质感。但强侧光会在脸上留下明显阴影模型在后续生成时会把这个阴影当成面部结构的一部分稍微换个角度脸就塌了。柔光、平光、正面打光才是定妆图的安全区虽然看起来平淡但它给后续留了最大的操作空间。3.2 怎么用参考图把脸“焊死”有了定妆图下一步是让每个镜头都带上它。不同平台的说法不一样有的叫“参考图”“角色参考”“人物一致性”本质都是把定妆图作为条件输入。操作上有几个细节第一参考权重不要拉满。拉到最高生成出来的人物会僵硬像贴图权重太低又管不住脸。我一般从中间值开始试效果不好再调。这个参数没有通用值因为每张定妆图的“信息强度”不同只能试。第二一次只锁一个人。双人同框的镜头最难搞两张参考图容易互相污染生成出来两个人的五官混在一起。我的处理办法是双人镜头拆成单人镜头或者用“过肩镜头”“背影侧脸”“一人虚焦一人实焦”这类构图规避正脸同时出现。这不是偷懒很多实拍短剧也是这么处理的观众根本不会注意。第三同一场戏的镜头批量生成。不要这一镜用参考A、下一镜换参考B。同一场戏里所有镜头用同一张参考图、同一段角色描述把变量降到最低。等整场戏生成完再统一看效果发现偏差就整场重来比单镜修补效率高得多。提示定妆图我通常会出三到五张不同角度的正脸、四分之三侧、全身存成一个文件夹。虽然主参考只用正脸那张但遇到特殊构图时可以换角度图一致性会更好。3.3 服装、场景和光线的连续性角色一致性不只是脸还有衣服和场景。这两块翻车更隐蔽因为观众不会立刻察觉但会莫名觉得“哪里不对”。服装要在分镜阶段就定死写进每一镜的画面描述里。我通常会用一句固定的描述比如“深灰色针织开衫内搭白色圆领”在每个镜头的描述里重复一遍。重复虽然啰嗦但比“她穿着深灰色开衫”这种简写管用得多因为后者在不同镜头里可能被理解成不同深浅的灰。场景的连续性靠一张“场景基准图”来保。同一场戏开始前我先出一张空镜或全景把光线的色温、墙面的颜色、家具的位置定下来后面所有该场景的镜头都参考这张图。这一步花不了几分钟但能避免出现“前一个镜头是暖黄灯后一个镜头变成冷白光”的尴尬。光线方向是最后一块。同一个空间里主光源方向必须一致否则两个镜头剪在一起观众会潜意识觉得人物跳了位置。我的习惯是在分镜表备注列里写一句“主光来自画面左侧”生成时带上简单但有效。4. 图生视频让静态帧动起来的参数心法首帧图有了接下来是让它动起来。这个环节最像“开盲盒”但只要把几个变量控制住成功率能稳定在一个可接受的水平。先说结论图生视频的质量不取决于你的描述有多华丽而取决于你描述的“动作幅度”是否和画面的构图匹配。4.1 描述运动而不是描述画面新手最常犯的错是在图生视频的描述里重复首帧图已经包含的信息。比如首帧已经是一个女孩站在雨里描述还写“一个女孩站在雨里穿着白色连衣裙”。这些信息模型已经从图里读到了你再写一遍是浪费甚至会因为文字与图像细微不符而让画面崩坏。正确的写法是只描述“变化”人物做什么动作、镜头怎么运动、环境有什么动态。我常用的描述结构是三段式人物动作转头、抬手、向前走两步、坐下、低头镜头运动镜头缓慢推近、镜头轻微右移、手持轻微晃动环境动态雨丝下落、窗帘飘动、光斑缓慢移动这三段里人物动作最关键也最容易崩。经验值是单镜头的动作幅度越小成功率越高。像“转身”“回头”“抬手”这种小幅动作基本两三次内就能出而“奔跑”“跳跃”“打斗”这种大幅度动作十次里能有一次可用就算运气好。所以我在分镜阶段就会刻意规避大动作。剧情需要冲突怎么办用镜头运动和剪辑来制造而不是让人物在画面里跑。比如“追”这个动作不拍奔跑拍“脚步特写地面水花镜头快速横移”剪在一起观众自动脑补出追逐感成本低还更有电影感。4.2 单镜时长和镜头数的换算这是一个必须提前算清楚的账。大多数平台单次生成的视频长度是固定的常见是5秒或10秒而你的成片是有总时长要求的。换算逻辑是成片时长 ÷ 单镜有效时长 需要的镜头数注意是“有效时长”不是“生成时长”。因为一次生成5秒实际能用的往往只有中间2到3秒——开头可能有半秒的静止结尾可能有半秒的崩坏。所以做60秒的片子按每镜有效3秒算需要20个镜头。这跟我在第2章说的18到22个镜头正好对上。这个换算的意义在于它决定了你要生成多少次。20个镜头按平均每个重试3次算就是60次生成任务。如果每次生成等2分钟纯等待时间就是120分钟——这也是为什么我说必须并行。你不可能一个一个等必须是“提交一批、等的时候干别的事、回来收一批”。实际操作时我会一次性提交五到八个镜头然后去写后面的台词或调配音稿等这批回来再提交下一批。这样等待时间被工作填满整体效率高很多。4.3 口型和配音的对齐问题这是短剧和普通AI视频最大的差别观众要看人物说话。口型对不上出戏程度比脸变了还严重。目前的处理路径有三条各有取舍方案做法优点缺点平台自带口型上传音频平台自动对齐省事一次成型依赖平台支持口型精度有限先音频后生成先定配音按音频节奏生成情绪和节奏最准流程长重来成本高规避正脸说话用侧脸、背影、画外音完全避开风险成本最低表演表现力受限我个人的组合是关键台词用第二条过渡台词用第三条能不用第一条就不用。原因很简单——口型同步目前还是个概率问题十次里有两三次会出诡异的效果嘴型错位、牙齿糊成一团而短剧里一旦出现一次观众就记住这个瑕疵了。用侧脸和画外音虽然保守但成片干净。具体做法是分镜阶段就把台词分类标出哪几句必须正脸说、哪几句可以画外音。必须正脸说的控制在总台词量的三成以内而且尽量安排在情绪高潮处——这时候观众注意力在情绪上对口型的容错度反而更高。4.4 重试的判断标准什么情况下该重试什么情况下该放弃我给自己的判断标准是三条全部满足才留用脸没有变形五官位置正常没有多出来的眼睛或融化感动作完整起势和收势都在画面内没有突然截断光线方向没变跟首帧图的主光源方向一致三条里有任何一条不满足直接重试。不要抱着“剪辑时能盖住”的侥幸心理——剪辑是用来讲故事的不是用来修Bug的一个瑕疵镜头会让整条片子的质感掉一个档次。5. 声音三层结构决定成片“像不像”画面是骨架声音才是让观众相信的皮肉。我见过画面精细但配音机械的片子观众三秒就划走也见过画面粗糙但声音有质感的片子完播率意外地高。声音这块分三层人声、音效、背景音乐三层的处理逻辑完全不同。5.1 人声语速和停顿比音色更重要选音色这件事很多人纠结半天其实音色的影响远没有语速和停顿大。一个音色普通但节奏对的声音听起来比一个音色好听但语调平的声音舒服得多。我的经验参数语速比默认稍快一档。短剧节奏紧默认语速容易显得拖。但也不能快太多快了会丢失情绪。判断标准是念一句18字的台词时长在2.5到3秒之间比较合适超过3.5秒就拖了。停顿是更关键的一层。TTS文字转语音默认会在标点处停顿但现实中的情绪停顿不发生在标点处而是发生在语义转折处。我的处理办法是在文本里手动插入停顿符或者干脆把一句长台词拆成两段分别生成中间留白。比如“我不需要你解释——我只需要你离开”中间那个破折号处要停半秒情绪才立得住。还有个小技巧同一段台词生成两遍取更自然的那个。TTS有随机性同一段文字两次生成的重音位置可能不同有时候第二遍就明显更顺。这个动作几秒钟的事但效果差异肉眼可见。5.2 音效最便宜的真实感音效是投入产出比最高的一环。一个关门声、一段雨声、一次脚步能瞬间把画面从“AI生成”拉回“实拍”的观感。原因是观众的听觉比视觉更敏感于“真实性”——画面可以稍微失真声音一旦空洞就立刻露馅。我的做法是给每个镜头至少配一个环境音哪怕画面里看不出来源。室内戏配空调低频或时钟走针室外戏配风声或远处车流走路配脚步。这些音轨音量压得很低低到观众意识到不到它存在但一旦删掉画面立刻变得“死”。注意环境音要连续不能一句台词一个音效就断。整场戏铺一条连续的环境音底噪中间叠具体的动作音效这样听起来才是一个空间。5.3 音乐情绪拐点才进背景音乐最容易用错。新手的习惯是全程铺一首BGM从头响到尾。这样做的结果是所有情绪被拉平观众感受不到起伏。我的用法是只在情绪拐点进音乐。开场三秒可以有一小段音乐抓人然后迅速撤掉留出干净的对白空间情绪转折处冲突爆发、真相揭示、结尾反转再进进的时候音量从零开始爬升比直接切进来自然得多。选曲上我会优先选节奏简单、没有人声的曲子因为有人声的曲子会和台词抢中频听起来糊。时长不够就循环副歌部分别硬拉伸——拉伸会导致变调一听就露馅。6. 剪辑合成把碎片缝成一条“剧”素材齐了最后一关是剪辑。这一步的难点不在软件操作而在节奏判断什么时候该切、每个镜头留多长、哪里该留白。这些决定了成片是“一堆AI片段”还是“一条剧”。6.1 时间轴的基本结构我习惯先把所有片段按分镜顺序铺上时间轴形成一条“粗剪”然后才开始修。粗剪阶段只做一件事砍掉每个片段开头和结尾的废帧。AI生成的片段头尾往往有半秒的静止或崩坏不砍掉会显得拖沓。砍完之后看总时长通常会比目标短。这时候不要急着加镜头先看节奏——如果短了三五秒但节奏是紧的宁可接受也不要为了凑时长硬塞镜头。短剧的完播率对时长极其敏感多三秒可能就是完播率的断崖。切点位置有个我一直在用的原则在动作发生的瞬间切而不是动作完成后切。比如人物抬手在手掌刚抬到一半时切到下一个镜头观众的大脑会自动补全剩下的动作这比完整展示动作流畅得多。这个技巧在实拍剪辑里叫“动接动”用在AI短剧上同样有效。6.2 字幕样式统一比好看重要字幕这块我只强调三件事。第一字号和位置要固定。全片所有字幕用同一个字号、同一个位置不要因为某句话长就缩小。位置我一般放在画面下方但要避开底部安全区——竖屏平台底部通常有交互按钮字幕压上去会被遮挡。第二一屏一行最多两行。超过两行就要拆句。这也是我在剧本阶段限制台词18字的原因18字在这个字号下正好一行放得下。第三自动识别之后必须人工校对。现在的识别准确率已经很高但同音字、人名、语气词还是经常错。一条60秒的片子大概三四句台词校对两分钟的事但错一个字就够观众在评论区笑半天。我踩过的最尴尬一次是把“我不怪你”识别成了“我不拐你”自己没看出来直接发了。6.3 调色和整体观感统一不同镜头生成出来的色彩倾向经常不一致有的偏黄有的偏青。剪辑软件里的统一色调功能能解决大半问题先选一个基准镜头把其他镜头往它的色温上靠饱和度稍微压一点。压饱和度这个动作值得单独说。AI生成的画面饱和度天生偏高看起来“塑料感”重。把饱和度往下压五到十个点画面立刻耐看很多更接近实拍的质感。对比度可以适当加一点让画面有层次但别加太多加多了暗部会死。还有个细节加一层极轻微的颗粒。这一步在很多人看来是画蛇添足但实测下来一点点颗粒能有效掩盖AI画面的“过度平滑”让它看起来更像摄影机拍的而不是渲染出来的。强度调到几乎看不出来就行。6.4 导出参数和发布前检查导出我一般用1080×1920竖屏、30帧、码率拉到平台推荐值上限。帧率不要用24因为AI生成的片段帧率经常不统一30帧兼容性更好不容易出现卡顿感。导出前必须走一遍完整播放专门盯四个地方第一帧、最后一帧、每一处转场、每一句字幕。第一帧决定观众划到时停不停最后一帧决定他会不会看完转场决定观感是否连续字幕决定信息传达是否准确。这四个地方没问题片子基本就能发了。7. 常见问题与排查速查表跑了这么多条片子翻车的花样基本就那几种。整理成表遇到问题直接对号入座。7.1 画面类问题速查现象大概率原因处理办法同一角色每个镜头脸不一样参考图权重过低或缺参考提高参考权重锁定同一张定妆图人物嘴部糊成一团口型同步精度不够改用侧脸、背影或画外音画面突然变亮或变暗首帧图光线信息不足首帧图改用柔光描述里加光线方向动作做到一半卡住动作幅度超出模型能力缩小动作幅度或拆成两个镜头背景元素跟着人物一起动主体分离失败换更干净的背景或接受并后期遮罩画面有奇怪的融化感生成时长过长后段崩坏缩短单镜时长只用前2-3秒这里我想多说一句第6条。“融化感”是图生视频最典型的崩坏形态表现为人物边缘开始流淌、五官轻微位移。出现这个现象几乎都是因为生成时长超过了模型能维持稳定的范围。解决办法不是调参数是剪短——只取开头那两三秒后面的直接扔掉。别心疼扔掉的比修出来的便宜。7.2 声音与节奏类问题配音和画面打架是最常见的问题。表现是画面里人物已经闭嘴了声音还在响或者人物张嘴了声音还没出来。这不是生成的问题是时间轴对齐的问题。我的处理流程是先铺音轨再对画面。把所有配音按分镜顺序铺好形成一个完整的声音骨架然后往每个语音段的起止点上去对画面。这样对齐出来最自然因为人说话的节奏是连续的画面是碎的以连续的对齐碎的比反过来容易得多。另一个常见问题是整条片子看起来“平”没有起伏。这种情况我一般从三个地方找原因镜头时长是不是都差不多应该长短交错、景别是不是都一个样应该有远近变化、音乐是不是从头铺到尾应该只在拐点进。三个里改一个观感立刻不一样。7.3 发布适配的几个坑不同平台对竖屏内容的偏好不同但有些共性的坑可以提前避开头三秒别放片头。观众划到你的内容前三秒决定他去留。放logo、放标题卡、放缓入的风景镜头都是在赶人。我现在的做法是第一帧就是冲突画面或强情绪特写字幕直接上核心台词把信息密度拉满。封面单独做。不要从视频里截一帧当封面因为视频帧的构图是为动态设计的静态看往往不好看。单独出一张构图更紧凑的图当封面多花两分钟点击率差别很大。结尾留钩子。最后一句台词或最后一个画面要留一个未解答的问题。不是为了套路是因为短剧的传播靠的是评论区讨论没有可讨论的点就没有传播。8. 一些跑了很多条之后才明白的事最后分享几个不在任何教程里、但确实影响成片质量的经验。第一两小时的瓶颈从来不是生成速度是决策速度。我早期一条片子要做一整天回头复盘发现真正在生成上等的时间不到四十分钟其余全耗在“这个脸行不行”“这句台词好不好”上。后来我给自己定了个规矩定妆图最多出十张就必须选一张台词最多改两轮就必须定稿。决策一旦有硬上限效率立刻翻倍。第二不要追求“一条过”。我见过有人为了让每个镜头都完美一条片子生成上百次最后确实精细但花了八小时。短剧这个品类质感够用就行观众要的是节奏和情绪不是每一帧都能截图当壁纸。完成度比完美度重要得多。第三先做短的。如果你的第一条片子就打算做90秒大概率会卡在半路。我建议第一条从30秒、8个镜头开始完整跑通一遍全流程把每个环节的实际耗时摸清楚再做长的。跑通一遍的价值比看十篇教程都大。第四留一个“素材回收站”。所有生成出来但没用的片段别删扔进一个文件夹。下一次做片子缺空镜、缺转场、缺一个雨夜街道很可能这里就有现成的。我现在有大概一半的空镜是从回收站里翻出来的省了大量生成时间。第五别忽略“看一遍”这件事。导出之后完整看一遍别快进。很多问题——字幕错字、音画不同步、结尾突兀——只有正常速度看才能发现。这一步花三分钟能救回一条本来会被划走的片子。这套流程我前后调整了十几版才稳定在现在这个两小时左右的节奏。刚开始跑的时候一条片子花五六个小时很正常不用焦虑。真正让时间降下来的是熟练度你对自己工具的能力边界越清楚写描述的时候越准重试次数越少。等到你能预判“这句话这样写它大概会生成成什么样”的时候两小时就不是目标了是常态。