AI 漫剧工业化制作：从分镜到可交付成片

最容易返工的地方，通常发生在生成之前

很多人一开工就去试角色图和视频 Prompt。生成了几十条以后才发现：甲方要横版，账号要竖版；对白还在改，人物服装已经做了三轮；片子能看，但没有人说得清谁来验收。

这不是模型不行，是项目没有入口。先把交付条件写下来，后面每个镜头才知道自己在为谁服务。

把试片当成一次小型交付

“雨夜纸鹤”的第一版交付可以这样写：9:16 竖屏，60–75 秒，手机端观看，目标是验证角色一致性、雨夜场景连续性和纸鹤运动。验收人只有一位，首轮只判断能不能看懂、镜头能不能接、角色有没有漂。

这份交付单不高级，但它把牌桌摆出来了。后面谁想加群像、战斗或第二处场景，先说明它会多占多少镜头、资产和返工时间。

先算得起，再开始生成

给试片设一个硬上限：总镜头 8–12 个，每镜头首轮最多 4 次候选，超过上限必须回到分镜或资产层查原因。假设 10 个镜头、每镜头 4 次，你的首轮预算就是 40 次生成，不是“直到满意为止”。

时间也一样。把可用时间拆给剧本、资产、生成、剪辑和返工。一个人只有两天，却写了 25 个镜头、三名角色和两个打斗场景，这不是野心，是排期已经失败。

• 生成预算：总镜头数 × 每镜头候选上限。
• 返工预算：至少给问题镜头预留总时间的 20%。
• 停机条件：同一镜头连续三次出现同层问题，暂停生成，回查上游。

剧本锁定，不等于文字写得漂亮

生成前要锁的是顺序和因果：人物为什么进场，想得到什么，遇到什么变化，最后停在哪个状态。只要这些还在动，分镜、资产和声音就都不该进入批量生产。

对白也要分层。必须保留的句子先标出来；能为时长和口型改写的句子另列一栏。别到了配音才发现一句话塞不进镜头。

先删支线，再谈丰富

如果 60–90 秒里同时出现回忆、第二角色、战斗和世界观旁白，镜头数会暴涨，角色资产也会跟着翻倍。第一次试片要主动删。你不是在证明自己能写一部长篇，你是在验证一条生产线。

删掉的内容记进“下一版候选”，不要偷偷塞回 Prompt。Prompt 不是垃圾桶，放进去的每个要求都要有人验收。

用时长倒逼剧本做减法

先给每个段落分秒数，再写镜头。60–75 秒的试片可以粗分为：建立 12 秒、触发 12 秒、跟随 18 秒、发现 18 秒、落点 10 秒，剩余时间留给转场和停顿。如果五段加起来已经 95 秒，就别指望剪辑师用加速救回来。

对白按正常语速先读一遍并计时。八秒镜头里塞一段十二秒的台词，最后只会出现口型追不上、画面被迫拉长或信息全靠字幕。需要保留的是信息，不一定是原句长度。

一个镜头先只管一件事

“人物起身、冲刺、腾空、拔剑、攻击、落地”看起来是一句动作，实际上跨了六个身体状态。模型如果在几秒里硬做完，常见结果就是跳姿势、瞬移和肢体破损。

分镜的职责是把复杂动作拆成能验收的节点。每个镜头先确定一项主要信息和一个主要动作，其余要求都要为它让路。

相邻镜头要能接上

单个镜头好看还不够。相邻镜头要检查人物方位、视线、光向、动作方向和情绪。如果 SH005 里人物向右走，SH006 突然从右向左进门，观众会觉得空间断了。

分镜表里把起始状态和结束状态写清楚。这个动作很土，但能提前抓住大量连续性问题。

先画一条看得懂的轴线

给站台到候车室画一张极简平面图：长椅在左，门在右，C01 从左向右移动，纸鹤始终在他前方。只要没有明确交代越轴，后续镜头都保留这个屏幕方向。这样做不是为了学院派，而是避免生成出八个各自成立、拼起来却像瞬移的镜头。

还要给每个镜头写覆盖关系：SH001 交代环境，SH002 交代人物，SH003—SH004 交代异常，SH005—SH006 交代跟随，SH007—SH008 交代发现和悬念。两个相邻镜头如果承担同一信息，就删掉较弱的一个。

反复写“保持一致”没有用

角色一致性不是一句咒语。后续镜头要重复调用同一组外观、服装、配色、材质和多视图参考，团队还要知道当前锁定的是哪一版。

场景和道具也一样。雨夜站台的灯光方向、长椅位置、候车室门和纸鹤尺寸如果每个 Prompt 重新发明，剪辑时一定接不上。

关键帧只解决关键问题

情绪转折、多人物站位、复杂动作起点和首尾状态值得先做静帧。普通走路、环境空镜和简单过场不必每个镜头都建一套关键帧。

关键帧不是越多越专业。每多一张，就多一个命名、版本和引用成本。先问这张图要锁什么：构图、人物关系、动作起点，还是场景状态。答不出来就先别做。

• SH004：纸鹤飞起前的低位起点图。
• SH006：纸鹤穿门前后的空间关系图。
• SH008：人物伸手与灯灭前的尾帧状态图。

先锁识别层，再锁镜头层

资产分两层。识别层回答“它是谁”：脸部锚点、服装层级、纸鹤折痕、站台结构不能随镜头改变。镜头层回答“这一次怎么看”：景别、表情、姿态、雨量和局部光影可以变化。把两层混在一起，团队会把每次姿态变化都误判成资产改版。

新版本只在稳定识别点真的改变时创建。例如 C01 从长夹克换成短夹克，需要升版本；只是低头、转身或被雨淋湿，不需要另建角色资产。旧版本不覆盖，锁定表只把“当前版本”指向 v04。

提示词负责一个镜头，不负责整部片

提示词写得更长，不代表控制更强。真正决定镜头的字段要具体，其他字段保持简洁。角色身份靠资产，动作连续靠拆分，节奏靠剪辑；别把所有责任都压给一段文字。

示例：SH004 纸鹤飞起

低角度近景，镜头贴近湿地面缓慢前移；引用 C01-v03、S01-night-v02 和 P01-glow-v04。青年鞋尖停在画面左侧，纸鹤从长椅下抖落雨水后飞起，暖橙微光照到地面水迹。纸张振翅声清楚，背景只保留雨声。

这段没有写“史诗、震撼、电影感”。它先把位置、动作、光和声音写清。观众需要的是纸鹤真的飞起来，不是一串形容词。

先说当前官方能力，再说怎么用

字节跳动 Seed 团队在 2026 年 2 月 12 日的发布说明中，把 Seedance 2.0 定义为统一多模态音视频生成模型，支持文本、图片、音频和视频输入，也展示了多参考、15 秒多镜头音视频输出、视频延续与定向编辑。官方同时承认，多主体一致性、文字渲染、复杂编辑和部分音频仍有改进空间。

这些是发布时的模型说明，不是你账号此刻一定能看到的界面和额度。真正开工时，仍要核对素材类型与数量、支持时长、声音入口、首尾帧或编辑入口、导出规格、费用、排队与商用规则。

“雨夜纸鹤”的使用路线

SH001、SH002 这类简单建立镜头可以直接生成；SH004 先用角色、场景和纸鹤参考做多参考单镜头；SH006 用首尾状态控制穿门；SH008 的伸手、灯灭和静音不要挤成一条过载指令，必要时拆成两镜，再在剪辑里完成悬念。

如果多镜头结果失控，退回单镜头。这不叫降级，是把导演权拿回来。

分段时序要写动作节点，不写一口气的愿望

以 SH004 的 7 秒为例：0—2 秒，镜头贴地停稳，纸鹤在长椅下轻微颤动；2—5 秒，纸鹤抖落雨水并向右上方飞起；5—7 秒，纸鹤停在膝盖高度，暖光映出水迹，人物鞋尖仍不动。每段只有一个可见变化。

如果工具支持段落式描述，就按时间写；如果不支持，也把这三段留在生产单里，用来筛选候选。模型不一定逐帧照做，但验收人至少知道应该在哪一秒看到什么。

别只保存“最好的一条”

同一镜头要保留候选编号、选中版本和失败原因。否则第二个人接手时，只能重新猜哪条 Prompt 有效；一周后你自己也会忘记为什么淘汰上一版。

建议统一状态：待做、生成中、待审、返工、可剪、已锁定。状态一旦变成“已锁定”，后续修改要新开版本，不覆盖旧文件。

一次只改一层

角色脸漂了，就先查 C01 的参考和版本；动作跳变，就先查动作拆分和首尾状态；节奏慢，先去时间线剪。一次把人物、镜头、风格、动作和声音全改掉，你只会得到另一条随机结果。

失败记录至少写：镜头号、版本、问题层、具体问题、下一次只改什么、结果。它看起来像笨功夫，却是团队不重复交学费的地方。

成片不是候选镜头的自动拼接

剪辑时间线要重新决定镜头顺序、时长、停顿和信息落点。对白、环境声、动作音效和音乐各自承担什么，也要在这里定下来。模型生成的声音能进候选，但响度、台词可懂度、声音一致性和版权仍要验收。

先做能看懂的粗剪，再做气氛。观众连人物为什么进门都没看懂时，加转场和粒子没有意义。

别用出片数量冒充产能

第一轮结束后，至少统计总镜头数、首轮可剪镜头数、总生成次数、平均每镜头生成次数、返工最多的问题层、总耗时和成本。可剪率等于首轮可剪镜头数除以总镜头数；平均生成次数等于总生成次数除以总镜头数。

第一次的数据只是你的基线，不是行业标准。第二条片再用同样口径记录，才有资格判断资产结构、分镜粒度或工具路线有没有让生产更稳。

产能计算要能导出下一步动作

假设雨夜纸鹤共 8 个镜头，首轮有 3 个达到可剪标准，总生成 29 次，总耗时 11.5 小时，直接工具成本 86 元。首轮可剪率是 3 ÷ 8 = 37.5%；平均每镜生成次数是 29 ÷ 8 ≈ 3.6 次；平均每个最终镜头的直接工具成本是 86 ÷ 8 = 10.75 元。

数字本身不说明好坏，要和失败层级一起看。如果 29 次里有 12 次都死在角色或纸鹤漂移，下一轮优先补资产卡；如果大多数镜头第一次就可剪，却在粗剪里全部过长，问题在分镜时长和剪辑，不是模型。复盘最后必须落成一个下一轮动作。