面向 5–10 分钟写实真人短片的完整工作流 · 2026 年 8 月版
一个人如何兼任导演、编剧与摄像 —— 国内工具为主，文生视频 / 图生视频
核心理念
2025–2026 年，AI 剧情片的制作方式已经从"抽卡式单镜头碰运气"进化为结构化电影管线：模型负责生成，但一致性、连贯性和可看性全部来自前期设计与后期剪辑。你一个人身兼导演、编剧、摄像，本质上是在管理一条小型制片管线。行业里流传的一句话值得贴在桌面上：
"前期定天花板，生成定地板，剪辑救命。"—— 对 2025–2026 年数十部 AI 短片幕后复盘的共识总结
阅读须知 本指南基于 2026 年 8 月的公开资料调研整理。AI 视频工具迭代极快（本文提到的 Seedance 2.5、可灵 3.0、海螺 H3 均为 2026 年上半年发布），开工前请先用 1 分钟样片验证你选择的工具的当前版本表现，并到官网核对最新价格与功能。
全景工作流
时间分配参考
一部 5–10 分钟的写实 AI 剧情短片，规范流程分为八个阶段。注意它不是一条直线：任何一环失败都要回退重做，迭代贯穿全程。
综合《归墟》访谈、百花奖 AIGC 推优短片、Runway AI 电影节获奖作品等多份公开复盘整理（为多案例综合推断，供排期参考）：
最反直觉的结论 生成环节花的时间其实不是最多的，"筛选 + 重试 + 改指令"才是。多位创作者强调：AI 并没有让工期除以十，合理预期是"传统工期 × 0.7"。把时间主要预算给筛选和后期，而不是指望一键出片。
八阶段详解
阶段一：故事与剧本 —— 编剧的你
目标：写一个"AI 拍得出来"且好看的故事
产出：一页梗概（logline + 三幕结构）→ 含场景、对白、情绪标注的完整对白剧本
为 AI 选题材：主角 1–2 人（角色越多一致性越难）、场景集中（3–5 个主场景）、冲突明确。写实片尤其要避开人群戏、复杂打斗、大幅肢体交互——这些是当前模型的集体短板。
写完整对白剧本，不要只写意象大纲。《归墟》创作者的教训：剧本不清导致后期成倍烧钱，"很多成本来自创作者不知道自己具体要什么"。
每场戏写明时间 / 天气 / 光线（如"黄昏、雨后、侧逆光"），这是给后面场景一致性埋的锚点。
可以用 LLM（Kimi / 豆包 / ChatGPT 等）辅助扩写与打磨，但核心冲突和取舍必须自己定——AI 给的是平均值，可看性来自你的判断。
复杂情绪不要指望一个镜头演出来：拆成身体反应和局部特写（攥紧的手、颤抖的指尖、躲闪的眼神），既好生成又有电影感。
—— 《归墟》创作者泫九的处理方式
阶段二：分镜脚本与镜头表 —— 导演 + 摄像的你
目标：把剧本翻译成一条条可以直接投喂模型的镜头单元
产出：镜头表（Shot List）：镜号 / 场景 / 景别 / 运镜 / 画面内容 / 角色动作 / 对白音效 / 时长 / 参考资产 / 转场备注
按约 15 秒为一个镜头单元拆剧本（百花奖最佳短片《断鞘》的实战粒度），再按需切成 5–10 秒的生成段。
景别要有节奏：远 / 全 / 中 / 近 / 特交替使用，避免同景别同角度镜头堆叠（看起来像跳帧），也避免跨度太大的跳切。
模型不懂 180 度轴线规则——这是写实对话戏最容易翻车的地方。必须由你（导演）在分镜里保证：提示词中明确写出人物相对位置（"A 在画面左侧，B 在画面右侧"）和视线方向；反打镜头时手动交换方位描述。
复杂调度可以写"分镜式提示词"：可灵 3.0 的智能分镜支持一次生成最多 6 个镜头切换，即梦 Seedance 2.5 支持时间戳指令（精度 1 秒内）控制段落节奏。
分镜脚本示例：手绘风格六格分镜，标注景别递进（全景 → 中景 → 特写）与运镜箭头。实际项目中可以用 AI 绘图生成九宫格分镜图，编号管理场景与关键时刻。
阶段三：角色资产：定妆照 —— 全片一致性的根基
目标：为每个主角建立"角色锚点"：一组全片通用的基准形象图
产出：定妆照（正脸特写）+ 三视图（正 / 侧 / 背）+ 服装道具参考图 + 角色提示词词库
角色定妆三视图示例：同一角色的正面 / 侧面 / 背面全身参考图，服装与面部特征保持一致。全片所有镜头都以这组图作为参考输入。
这一步不能省、不能急。《归墟》一个主要角色生成了上百张图才定稿 1 张基准形象；国内首部 AI 长片《奇谭》完成了 200 余个角色与视觉资产、十余轮形象探索。
定妆照要求：正脸清晰、光线均匀、五官无遮挡、服装完整。侧脸、遮挡、强风格滤镜都会污染后续参考。
同时建立角色提示词词库：性别年龄 + 五官 + 发型发色 + 体型 + 服装 + 随身物品，写成固定模板，全片逐镜头复用，只改动作与情绪。
工具选择：即梦 AI 绘图（与即梦视频同平台，参考链路最短）、Nano Banana 2（多图一致性编辑业界顶级，需代理）、Midjourney（电影质感强）、SD/ComfyUI + LoRA（免费、可控性最高、门槛也最高）。详见「工具选型」。
阶段四：场景资产：环境基准图
目标：让同一个场景在不同镜头里"长得一样"
产出：每个场景 1–2 张环境基准图 + 场景描述模板 + 光线/时间/天气设定表
场景概念图示例：黄昏雨巷的面馆街景。这类"定场镜头"基准图锁定空间布局、主色调与光线基调，该场景的所有镜头都以其为参考或首帧。
每个场景先生成一张环境基准图（无人或人物很小），该场景所有镜头以它为参考/首帧，避免背景漂移。
锁光线：场景描述模板中固定时间段、光源方向、色温、天气（"黄昏、侧逆光、暖色温、雨后湿地反光"），只改人物动作部分。光影跳变时，优先检查场景描述是否被改动。
列一张场景变化清单：同一场景若有时间推移（白天 → 黄昏），明确标注哪几个镜头开始切换，避免无意间混用。
阶段五：关键帧图生成 —— "首帧即王"
目标：每个重要镜头先出静态图，确认无误再转视频
产出：按镜头表编号的关键帧图（可含首帧 + 尾帧双图）
图生视频的质量上限由首帧决定。业内经验："人物变脸，先回去提升首帧参考图的质量"，而不是反复重抽视频。
关键帧要确认四件事：构图、光线、人物形象、情绪状态。静态图都不对，动起来只会更不对。
需要镜头内大幅变化（如人物从坐着到站起）时，直接生成首帧 + 尾帧两张图，交给模型推理中间过程（可灵 2.1 起的首尾帧功能、即梦"使用尾帧"、Vidu Keyframe-to-Video）。
关键帧命名按镜头表编号管理：S01_镜03_首帧_v2.png，资产多了以后你会感谢这个习惯。
阶段六：视频生成 —— 图生视频为主，文生视频为辅
目标：把关键帧批量变成合格的动态镜头
产出：按镜头编号归档的视频素材（含废片，留作备份）
为什么图生视频优先：文生视频随机性大、角色无法锚定；图生视频有首帧图像做参照，构图与人物都被锁住。文生视频更适合空镜、氛围镜头和灵感探索。
提示词公式：主体（@参考图）+ 具体动作与表情 + 场景与光线 + 运镜 + 风格画质。写"她攥紧伞柄，指节发白，回头瞥了一眼"，不要写"她很紧张"——具体动作有效，抽象情绪无效（《纸手机》团队经验）。
一个镜头只给一种运镜（推 / 拉 / 摇 / 移 / 环绕选一），运动强度不宜过高；短镜头控制在 5–10 秒，新模型虽支持 15–30 秒原生直出，但越长越容易变形漂移。
抽卡心态：单镜头重生成 3–5 次是正常水平，头部团队废片率高达 300:1。生成前先明确"这条镜头的通过标准是什么"，避免无目的反复抽卡烧钱。
需要长镜头时用视频延长：即梦可续写最多 2 次至约 36 秒，可灵可把 10 秒延到约 20 秒，延长时用时间戳锚点稳住关键动作。时长不够优先拆分镜，而不是硬拉。
镜头衔接用首尾帧：导出上一段最后一帧 →（需换机位时先用图生图出变体）→ 作为下一段首帧。详见「镜头连贯性」一节。
多模型混用是行业共识
"让每个 AI 只干它最擅长的事"：写实特写给可灵、多角色叙事长镜头给即梦 Seedance、快速量产给 Vidu、便宜空镜给通义万相。没有一个模型能包打天下。
阶段七：对白、口型与声音设计
目标：让角色开口说话，让世界有声音
产出：配音音轨、对口型后的对白镜头、配乐与环境音效
当前有两条技术路线并存：
① 先 TTS 后对口型（2025 年主流，现在仍是精修首选）：先用 TTS/声音克隆生成干净人声（单段 ≤15 秒、背景干净），再用即梦/可灵的对口型功能匹配画面；
② 音画原生共生成（2026 年新趋势）：Seedance 2.5、海螺 H3（原生立体声）、可灵 3.0 支持口型、声线、环境声与画面一次生成。粗剪省事，精修仍常回路线①。
即梦对口型实操要点：适合单人清晰正脸（多人需分段再做画中画合成）；"生动模式"运动幅度设 2–3；工序必须是先对口型 → 再补帧 → 再 HD 增强，顺序颠倒会出问题；侧脸和遮挡镜头容易口型错位。
角色声线要锁：豆包 TTS 支持声音复刻（约 150 元/音色/年），为每个主角建一个固定音色；ElevenLabs 情感表现力最强（$5/月起）。
音效是遮丑神器：脚步声、雨声、环境底噪能极大转移观众对画面瑕疵的注意力。配乐可用 Suno（$10/月可商用）、海绵音乐（免费、中文强）、ElevenLabs SFX。
阶段八：剪辑、调色与成片 —— 救命环节
目标：把一堆不完全一致的镜头，剪成一部看起来连贯的片子
产出：成片（16:9，1080p/4K）+ 字幕 + AI 标识
剪辑是第二次导演。Runway AI 电影节获奖作品《River of Inheritance》从 217 段素材删到 28 段——宁删勿留，采用率从严。
动作镜头在动作中间剪，前后速度一致，观众的眼睛会被动作带走，注意不到细节差异；相似构图不要相接。
转场从简：优先硬切或闪白；接不上的地方用反打镜头、台词或音效垫过去。不要用花哨转场欲盖弥彰。
统一调色是掩盖镜头差异的最后一道保险：对齐色相 / 对比 / 饱和度，加一层胶片颗粒，既统一质感又去"塑料感"。达芬奇免费版即可胜任，是调色天花板。
分辨率不足时后期超分：Topaz Video AI（约 $299，行业标准）或剪映内置超分/补帧，把 720p 素材升到 4K 交付。
导出前过一遍合规清单：AI 声明、角标、元数据标识。
三大一致性难题
3.1 角色一致性：五种方案对比
业界通行的组合拳
新手 = 定妆照 + 参考图；多机位复杂镜头 = 参考图 + 提示词模板 + 换脸兜底；长期系列 IP = LoRA。写实真人剧情片的标准打法是：定妆照 → 图生视频 → 个别镜头局部重抽 / 换脸补救。
3.2 场景一致性：四件套
环境基准图复用：每个场景一张基准图，所有该场景镜头以它为参考/首帧。
锁光线三要素：时间、光源方向、色温写进固定模板，逐镜头复用。
场景描述模板化：空间布局、主色调、陈设做成模板只改动作；背景变了先查模板是否被改。
后期统一调色：LUT + 色彩校正对齐全片，掩盖残余差异。
3.3 镜头连贯性：接戏的艺术
可灵 2.1 首尾帧：同时给首帧 + 尾帧 + 提示词，模型推理中间过渡并动态校正人物/色彩/节奏（官方称转场效果较 1.6 版提升 235%）；即梦开"使用尾帧"，首尾差异大时选较长时长、适中速度并写明过渡方式。
剪辑点规则：动作中间剪、前后速度一致；远/全/中/近/特切换，避免相似构图相接。
轴线自己保：模型不理解 180 度规则。对话戏在提示词里写死左右方位与视线方向，反打镜头手动交换。这是写实对话戏不"跳轴"的唯一办法。
两条路线按叙事选：追求无缝用首尾帧接力；追求节奏用硬切 + 统一调色遮盖。硬切并不丢人，观众脑补能力很强。
工具选型指南
4.1 国内视频生成主工具对比
4.2 海外标杆（简要对比）
4.3 配套工具链
4.4 三套推荐组合
入门低成本：通义万相（空镜/预演）+ Vidu（主力剧情）+ 剪映（剪辑/超分）——月均百元级
混合推荐：可灵 3.0（写实特写）+ 即梦 Seedance 2.5（多角色长镜头）+ 剪映/达芬奇（后期）——月均数百元
高质量冲奖：即梦 Seedance 2.5 + 可灵 3.0 + Sora 2（hero 镜头）+ Topaz 超分 + 达芬奇调色——单片千元以上
案例与他人经验
以下案例均来自公开报道与创作者专访，是这份指南里"别人真金白银换来的经验"：
常见坑与规避指南
成本与工期估算
7.1 单条镜头参考价（5 秒 · 1080p · 2026 年中）
测算前提：成片 60–80 个镜头 × 每镜头重生成 3–5 次 ≈ 总生成量 180–400 条。以下仅视频生成费，另有会员/软件固定开销。
7.2 一部 8 分钟短片的总预算
7.3 工期锚点
三条省钱铁律 ① 先用便宜模型（万相 720p / Luma）跑完整动态分镜，定稿镜头才上高质量模型，能省一半以上；② 所有模型失败重试都扣费，真实成本按名义价 ×2–3 估，预算留 30% 余量（即梦 2026 年已三次涨价，行业算力紧张期还可能调）；③ 把需求写死再抽卡——最贵的镜头永远是"不知道自己要什么"的镜头。
合规与发布
8.1 《人工智能生成合成内容标识办法》（2025 年 9 月 1 日施行）
两类标识：显式标识（观众可见的文字、角标、语音提示）+ 隐式标识（写入文件元数据的服务提供者编码、内容编号）。
对创作者最关键的一条：拿到无显式标识的 AI 内容后公开传播，必须主动声明并添加显式标识；不得恶意删除、篡改、伪造、隐匿标识，也不得提供工具帮别人删标。
平台会通过元数据识别 AI 内容并向公众提示。即使你不说，平台也可能帮你标——但主动声明更安全。
8.2 主要平台落地规则
长片 / 剧集额外注意 《奇谭》以"网络故事片"身份取得《网络剧片发行许可证》——AI 长片、剧集在国内发行同样需要走网络剧片许可与备案流程。如果你的目标是 20 分钟以上或系列化，立项时就要把审查规划进去。另外，避免生成可识别的名人肖像与 IP 形象，商用前核查配乐与参考图版权。
附录：模板与清单
9.1 视频生成提示词通用模板
角色描述模板（全片固定复用）：性别年龄 + 五官特征 + 发型发色 + 体型 + 服装 + 随身物品。只改动作与情绪，其余一字不动。
场景描述模板（全场景固定复用）：空间布局 + 主色调 + 陈设 + 时间段 + 光源方向 + 天气。
9.2 运镜提示词速查
9.3 镜头表模板
建议用表格软件管理，一行一镜；"参考资产"列直接写文件名，生成时按图索骥。
9.4 生成前检查清单
角色定妆照已确认并加入参考图
场景基准图已生成并锁定光线参数
提示词使用具体动作描述而非抽象情绪
景别与运镜在相邻镜头间有变化
轴线方位已在提示词中写死（对话戏）
该镜头的通过标准已明确（避免无目的抽卡）
9.5 发布前检查清单
已勾选平台 AI 生成声明
画面中已添加 AI 生成角标
文件元数据中的 AI 标识未被清除
配乐与参考图版权已核查
无可识别的名人肖像或 IP 形象
9.6 主要调研来源
本指南信息来自 2025–2026 年公开报道、官方发布与创作者专访，主要包括：人民网（可灵 2.1 首尾帧发布）、新华网（《奇谭》持证首播 / 《千秋诗颂》）、腾讯新闻（《归墟》创作者泫九专访）、光明网与 36 氪（可灵 AI 导演共创计划）、新浪财经（百花奖 AIGC 推优六部短片）、凤凰网（《纸手机》）、豆瓣（《牌子》导演专访）、Adobe 官方博客（MAX 2025 生成式 AI 电影节幕后）、网信办系统（《人工智能生成合成内容标识办法》答记者问）、阿里云开发者社区（万相 2.6 发布）、少数派（MiniMax H3 解读）及各工具官网与第三方横评（价格信息）。工具价格与功能随版本变动，开工前请以官网为准。
工具迭代飞快：本文所有模型版本、功能与价格信息截至 2026 年 8 月，仅供决策参考。祝开机顺利，一次过稿。
评论