AI 漫剧怎么做:剧本、角色设定图、分镜、生成视频的完整流程
更新于 2026-10-29
AI 漫剧就是用 AI 画面做的竖屏连续短剧,一集一两分钟,由十几到几十个几秒钟的镜头拼起来。很多人以为它是「一句话生成一整集」,其实不是:能量产的团队都是先把剧本、角色、分镜定好,再一个镜头一个镜头地生成,而且大部分镜头根本不是视频生成出来的。
这篇按实际顺序讲一遍流程:剧本和分镜怎么写、角色设定图怎么做、哪些镜头用视频哪些用图、视频提示词和对白怎么写、最后怎么剪,以及一集大概要花多少钱。工具以 VGEN 上的 Qwen 生图和 MiniMax H3 生视频为例,换别的工具思路也一样。
整体流程
- 剧本:一集只讲一件事,有一个反转或钩子,台词短。
- 分镜表:把剧本拆成镜头,每个镜头 3–5 秒、只有一个动作,写清楚景别、谁在画面里、说什么。
- 角色设定图和场景图:每个角色先定一张标准图,之后所有镜头都照着它生成。
- 逐个镜头生成:关键镜头生成视频,其余镜头用图片。
- 剪辑:在剪辑软件里排镜头、给图片加推拉运镜、加字幕和背景音乐。
花钱最多、最容易翻车的是第 4 步,而第 1–3 步做得越细,第 4 步越省。
第一步:剧本和分镜表
分镜表不用专业格式,一个镜头一行就行,但每行要写清楚这几样:
- 镜号和时长:3–5 秒一个镜头,一集一分钟大约 15 个镜头。
- 景别:近景、中景、全景。人物说话多用近景和中景,AI 在近景下人物最稳。
- 画面:谁在画面里、在哪、做什么动作。一个镜头只做一个动作,「推门进来、坐下、端起杯子」要拆成两三个镜头。
- 台词:谁说、说什么。一个镜头一两句短台词。
- 做法:标明这个镜头用视频还是用图(见第三步)。
剧本和分镜可以先让 AI 对话助手帮你拆,再自己改;重点是把每个镜头写到「照着就能生成」的程度,不要在生成环节边做边想。
第二步:角色设定图,人物一致的关键
漫剧最常见的问题是同一个人前后长得不一样。办法是先给每个角色做一张标准设定图:干净背景、正面、半身或全身、衣服发型写死,之后所有镜头都从这张图出发。
用 AI 生图的文生图做,一次出 4 张挑一张。提示词里把画风写在最前面,所有角色、所有场景都用同一句画风描述,整部剧的风格才统一:
定好的设定图要存好,后面反复用。场景也一样,先出几张固定场景(办公室、出租屋、街角),同一场戏都用同一张。
要让角色出现在新的场景、新的姿势里,用图生图:上传设定图,只写「把她放到傍晚的地铁车厢里,坐着看手机,画风不变」。图生图一次只能放一张参考图,两个人同框的镜头建议直接用下面的视频参考图模式。
国漫风格,细腻线条,柔和光影。一位二十岁出头的女生,黑色齐肩短发,圆脸,大眼睛,穿白色衬衫和浅蓝色牛仔外套,站立,面向镜头,半身像,表情平静。纯浅灰色背景,无文字。
第三步:哪些镜头值得生成视频
仔细看大部分漫剧:对话镜头往往是一张图加轻微推拉;真正让画面「演」起来的只有少数关键镜头。生图比生视频便宜一个数量级,所以先分好类:
- 用视频:有明显动作的(转身、奔跑、打斗、摔东西)、情绪爆发的、需要人物开口说台词的,以及每集开头的钩子镜头。
- 用图 + 运镜:环境交代、人物静止的反应镜头、旁白镜头。图片放进剪辑软件,加缓慢推近或平移,就够用了。
一集 15 个镜头,通常 5–8 个用视频就够。
第四步:生成视频镜头
MiniMax H3 有四种方式,漫剧里按镜头选:
- 首帧图生视频:先用图生图把这个镜头的画面做出来,再让它动。构图最可控,漫剧最常用。见 图片生成视频。
- 参考图:上传角色设定图(最多 6 张),在提示词里写「图片 1 是女主,图片 2 是男主」,适合两个人同框、或者把角色放进新场景。见 多张参考图生成视频。
- 首尾帧:变身、换装、从远到近这种「从 A 变到 B」的镜头。见 首尾帧。
- 续写:一个动作 5 秒不够,从最后一帧接着生成,比一次生成 15 秒更容易控制。见 视频续写。
比例选 9:16 竖屏,图和视频都用同一个比例,避免裁切。提示词只写动作、镜头和声音,不要把图里已经有的人物长相再描述一遍。H3 会一起生成声音,台词直接写进提示词,说话的人用编号区分:
图片中的女生(S1,年轻女声,普通话)坐在地铁座位上看手机,突然愣住,慢慢抬起头看向镜头,小声说:「他怎么会在这里?」近景,镜头缓慢推近她的脸。声音:地铁行驶的轰鸣声,车厢广播隐约可闻,无背景音乐。
第五步:剪辑
- 按分镜表顺序排好镜头,图片镜头加缓慢的推近、平移。
- 字幕后期加:不要让视频模型在画面里写字,中文容易出错。台词字幕在剪辑软件里统一加。
- 背景音乐后期统一加;生成时提示词里写「无背景音乐」,只留对白和环境声,剪辑时更好处理。
- 要 1080p 成品时,挑出最终用的镜头再用 超清修复放大,不用每条都直接出 1080p。
一集要花多少钱
按 VGEN 现在的价格(约 1 元 = 10 积分),假设一集 1 分钟、15 个镜头,其中 6 个用视频,每个视频镜头平均试 3 次,每张图平均出 3 张挑 1 张:
- 视频镜头:6 个 × 3 次 × 9.5 积分(720p 5 秒)= 171 积分。
- 图片镜头:9 个 × 3 张 × 2 积分(1K)= 54 积分。
- 角色和场景设定图:约 10 张 × 2 积分 = 20 积分。
- 合计约 245 积分,约 25 元一集。镜头越熟练、试的次数越少,成本越低;要 1080p 成品时再加超清修复的钱。
完整价格见 VGEN 收费标准。新用户注册送 10 积分,可以先拿一个镜头试试。
常见问题
- 人物前后不像怎么办?每个镜头都从同一张设定图出发(图生图或参考图),提示词里不要再描述长相;多用近景、中景,人物离镜头太远时最容易变样。
- 台词说错人、或者说不完?一个镜头一两句短台词,说话的人用 S1、S2 编号,写明「两人轮流说,不重叠」。详见 文生视频带声音。
- 画面里的字是乱码?视频里尽量不出现文字,字幕和标题在剪辑软件里加。
- 能不能一次生成一整集?现在的模型单条最长十几秒,一集还是要按镜头生成再剪辑;这样也更好控制,哪个镜头不满意只重做那一个。
- 可以用别人的小说、动漫角色吗?改编别人的作品、使用别人的角色和肖像要有授权,详见 服务条款。
延伸阅读
视频提示词的系统写法,看 MiniMax H3 使用手册。
看到喜欢的画风想复刻,用 图片反推提示词。