这次我们来看一个很典型的 AI 短片制作需求以刑侦题材为主线做出《我是刑警》这类硬核叙事的风格化短片。很多做短视频的人拿到这种需求第一反应是没有演员、没有场地、没有服化道根本拍不了。但如果是做选题样片、分镜可视化或者新媒体的演示 demoAI 生成链路完全可以把前期成本压到很低的水平而且一天之内就能出一版可以评审的片子。本文不评价具体剧情也不讨论真实案件而是把“我是刑警”当作一个题材标签讲清楚一条可复用的 AI 短片流水线怎么搭。核心链路是剧本 - 分镜 - 文生图 - 图生视频 - TTS 配音 - 剪辑合成。整套流程既可以用可灵、即梦这类云端工具直接跑也可以用 ComfyUI 加开源模型本地部署两条路线我都会给出操作步骤和验证方法。文章覆盖的内容包括核心能力速览、适用场景与合规边界、环境准备、分步制作流程、逐项效果验证、接口 API 与批量任务、资源占用观察、常见问题排查和最佳实践。这套工作流不依赖某个固定工具哪怕后续平台换版本思路依然可以复用。后面每一章都会给出可直接照做的命令、提示词模板和检查标准方便你一边读一边搭环境。1. 核心能力速览先把这条流水线的能力边界列出来方便判断它适不适合你。能力项说明制作题材刑侦/刑警题材 AI 短片建议用原创剧本完整链路剧本 - 分镜 - 文生图 - 图生视频 - TTS 配音 - 剪辑合成云端路线可灵、即梦、海螺等 AI 视频平台不需要本地显卡本地路线ComfyUI Stable Diffusion AnimateDiff/CogVideoX 等开源模型TTS 配音GPT-SoVITS 本地克隆 / 云端语音合成必须取得声音授权剪辑合成剪映、FFmpeg、Premiere负责配音、字幕、转场和成片封装显卡门槛云端无要求本地文生图建议 8G 显存起步本地视频生成按模型参数量大幅上浮接口 API云端视频平台一般提供 OpenAPI本地可用 ComfyUI API 跑批量队列批量任务支持推荐按分镜编号批量生成素材串成成片主要风险点角色一致性、动作稳定性、素材版权、声音与肖像授权、警用标识规范说明云端工具版本更新很快生成参数、价格和接口字段会随版本变化实际操作时要以目标平台官方最新文档为准。本地模型的显存占用与模型参数量、量化方式和生成分辨率强相关表格里给的是通用判断不构成绝对标准正式批量前建议先跑一条最低参数任务实测本机上限。如果你手里的显卡显存偏低优先从云端路线入手把本地路线留到有明确需求时再启用。2. 适用场景与使用边界这条 AI 短片流水线适合的人群和场景非常明确。先说适合谁短视频创作者可以用它做刑侦题材的选题样片在投入实拍之前先验证叙事节奏和画面风格新媒体团队可以用它做系列短剧的立项 demo让决策者在最短时间里看到成品效果影视前期的概念设计师可以用它把分镜脚本可视化帮助导演和摄影沟通机位与光线个人技术爱好者可以用它练习 AI 视频生成、TTS 和自动化批处理这是很便宜的练手方式。再说它能解决什么问题。最大的价值是成本AI 生成不需要演员档期、不需要外景审批、不需要昂贵的摄影器材只需要一条稳定的生成链路和足够的耐心。其次是效率一个分镜脚本通过批量任务可以在一晚上生成几十个镜头素材传统实拍几乎不可能做到。最后是可迭代画面风格、角色形象、台词都可以随时重新生成版本管理比实拍重拍容易得多。不合适的场景也要说明白。如果项目需要出镜人物是真实存在的演员或公众人物AI 生成会带来肖像权风险不适合如果内容要求还原某个真实案件的细节涉及大量敏感信息也不建议用公开的生成工具来做如果目标是院线级别的商业片AI 生成的画面稳定性还没法直接替代实拍需要大量后期修正。合规边界是这条流水线里最不能省的部分。任何通过 AI 生成的人物、图像和视频发布前都要做三层检查第一不能侵犯版权不照搬已播出影视剧的具体剧情、台词、人物设定和画面元素只借用题材类型和风格氛围第二涉及人物形象、声音、肖像的内容必须取得本人或其权利人的明确授权声音克隆更是如此第三涉及警用标志、制服制式、证件等元素时要采用剧情化和去标识化处理避免被误认为是真实执法影像同时也要遵守相关传播规范不能用来冒充执法人员、传播虚假警情。此外AI 生成内容在多数平台已经纳入标识要求发布带深度合成内容的视频时要按平台规则进行 AI 标识。不要在内容里渲染暴力血腥、犯罪细节或教唆性信息。从这条流水线能安全覆盖的场景来看最合适的是一看就是虚构剧情的刑侦题材小短片、创意广告样片和影视前期预演。3. 环境准备与前置条件3.1 先选路线云端还是本地制作 AI 短片之前先要确认走哪条路线因为两条路线的环境准备差别很大。云端路线指使用可灵、即梦、海螺这类在线平台你只需要注册账号、了解它们的生成规则不需要准备显卡也不需要安装任何深度学习环境。本地路线指使用 ComfyUI、Stable Diffusion、AnimateDiff、CogVideoX 等开源工具在自有电脑上运行生成任务对硬件和软件环境有明确要求。判断依据很简单如果你主要想快速出片而且愿意支付一次几毛到几元不等的算力费用云端路线更省心如果你要高频测试、批量生成、不想把素材传到第三方服务或者想研究模型本身本地路线更合适。两条路线也可以混用比如文生图用本地 ComfyUI 保证角色一致性图生视频用云端平台追求动态效果。3.2 云端路线准备云端路线要准备的东西不多但每一项都会影响效率。首先是账号可灵、即梦、海螺等平台都有自己的会员和积分体系建议先充小额测试额度不要一上来就充大额其次是确认素材规范多数平台支持 5 秒、10 秒等固定时长对首帧图的分辨率、比例也有要求上传前要先看官方说明最后是素材目录把剧本、分镜表、参考图、生成结果按镜头编号统一存放后面做批量任务时才不会乱。素材命名建议使用“镜号_场景_动作_版本”的结构例如shot_03_雨夜_巷口回头_v2.png。这样生成结果和分镜表能一一对应排查失败镜头时定位更快。不要用“最终版”“新最终版”这类命名AI 生成项目改版次数很多命名不统一等于给自己挖坑。3.3 本地路线准备本地路线需要满足三个层面的前置条件硬件、软件、模型。硬件层面图像生成和视频生成的负载主要在显卡上建议优先选择 8G 显存以上的 NVIDIA 显卡显存越小越需要依赖降低分辨率和批次数来适配本地视频生成模型参数量差异很大从 2B 到 13B 都有显存占用会明显上浮更稳妥的做法是先看模型官方页面给出的最低配置再结合自己的显卡决定是否量化。CPU 可以跑但速度会很慢通常只用于验证流程不用于正式批量生产。软件层面你需要准备 Python 环境、Git、显卡驱动和 PyTorch。ComfyUI 官方推荐用独立虚拟环境安装避免和系统其他 Python 包冲突桌面版显卡驱动要更新到能支持当前 PyTorch 版本的程度。端口方面ComfyUI 默认监听 8188 端口Stable Diffusion WebUI 默认监听 7860 端口如果这两个端口被其他程序占用启动会失败需要更换端口。模型层面Stable Diffusion 系列模型和各类视频生成模型都来自开源社区下载时建议从官方仓库和模型作者发布页获取不要下载来路不明的整合文件同时要留意模型许可证有些模型只允许个人非商业使用商用前必须确认授权范围。模型文件体积一般在 2G 到 20G 之间硬盘至少预留 50G 空间比较稳妥。4. 分步制作流程AI 短片制作不是一个单一模型能完成的事按下面六个步骤走每一阶段都有可验证的输出物。从一个空白的想法到一条能看的片子中间每一步最好都能产出文件后面出问题也好定位。4.1 剧本与分镜用 LLM 生成可执行脚本第一步是做剧本和分镜表。大语言模型在这里的价值不是替你决定剧情而是把一段想法转成绘图工具能理解的结构化描述。拿 DeepSeek 或 Kimi 这类模型举例你可以直接给出这样的需求提示请帮我写一段 60 秒刑侦题材短片的分镜脚本主题是刑警追查线索体现职业感。 要求 1. 完全原创不出现真实案件、真实人物、具体地名 2. 共 8 个镜头每个镜头包含镜号、景别、画面描述、运镜方式、台词/旁白、时长 3. 画面描述要能被 AI 绘图工具理解写清楚环境、光线、人物动作、服装和道具 4. 整体风格写实、冷色调节奏先紧后缓。模型输出分镜表后不要直接拿去生成先人工修改一遍。重点检查三点画面描述是否足够具体比如“夜晚的城西仓库”比“一个仓库”更容易出片镜头之间是否有连续性比如同一个角色的服装描述在各镜头里是否一致台词是否精炼短片段落里旁白控制在 20 字以内更有效果。分镜表建议直接存成 CSV 或 Markdown 表格后面批量任务还要复用这几列数据。4.2 角色表先锁定形象再生成刑侦题材短片最容易翻车的问题就是角色“飘脸”同一个刑警在上一个镜头和下一个镜头长得完全不一样。解决思路是先把角色固化成一个角色描述模板所有镜头都引用同一份描述。角色模板可以这样写角色名老周 设定32 岁男性刑警短黑发五官轮廓硬朗下巴偏方眼神沉稳。 服装深灰色冲锋衣内搭深蓝色衬衫左胸口有剧情道具式工作证去标识化处理。 风格写实、冷色调、中等胶片颗粒。生成第一张角色正面图后这张图会成为后续所有镜头的参考基准。云端图生视频平台通常支持上传首帧或参考图本地 ComfyUI 则可以使用角色参考节点类似 IP-Adapter 的工作方式把角色特征锁进生成过程。简单来说所有镜头都要“看图说话”而不是只看文字提示词。这里要提醒一句角色设计里凡是涉及警用元素的服装和道具都要做去标识化或剧情化处理不要完整复刻真实警服制式和警徽细节既避免发布合规问题也避免被误读成真实执法录像。4.3 文生图批量产出关键帧角色定好之后开始按分镜表生成关键帧。建议每个镜头至少出 4 个候选画面再从里面挑一个构图、表情、光线最合适的作为图生视频的首帧。这一阶段不要急着收敛多出几个候选后面视频生成阶段才有选择空间。实际生成时提示词可以分三块写主体描述角色 动作、环境描述场景 光线 时间、风格描述写实/冷色调/镜头焦段。例如老周站在雨夜巷口左手拿手电筒回头看向镜头方向警惕表情深灰色冲锋衣去标识化工作证 狭窄巷道地面湿滑有反光路灯昏黄冷色调写实摄影风格中景浅景深35mm 镜头。分辨率建议从 1024x576 或 1024x1024 起步不要一上来就 4K。生成后统一检查人脸是否清晰、服装是否和角色表一致、场景是否契合分镜。不合格的直接换种子或改提示词重新生成不用勉强修图。4.4 图生视频给静态画面加上运动关键帧确认之后进入图生视频阶段。这一阶段的工作是让静态画面动起来。用云端平台时操作路径一般是上传首帧图 - 填写动作提示词 - 选择时长 - 生成。动作提示词只写“动什么”不要写“画面长什么样”。比如人物从画面左侧走向右侧镜头缓慢推近雨滴落在肩头人物低头看手机抬头环顾四周风从背后吹来衣角轻微摆动背景灯光闪烁。本地 ComfyUI 路线可以用 AnimateDiff 或 CogVideoX 完成类似工作。两者的共同点是输入一张图和一段运动描述输出一段短视频。如果显存充足也可以尝试混元视频等更大参数量模型效果通常更好但硬件门槛更高。本地生成速度比云端慢而且视频模型显存占用明显更高建议先用低分辨率、少帧数跑通流程再逐步提高参数。每个镜头建议控制在实际素材 4 到 6 秒生成后先不要急于合成按镜头编号存档等全部镜头出来后再统一挑选。失败的镜头单独放在retry目录方便复盘失败原因。4.5 TTS 配音旁白与对白分开处理短片里的声音分两类旁白和角色对白。旁白用稳定的播音腔即可角色对白如果需要贴合特定角色人设可以考虑用 GPT-SoVITS 这类支持少样本克隆的本地工具。使用声音克隆前必须确认你拥有参考音频的合法使用权。这里可以给一条硬性规则没有本人明确授权的真实人声一律不用于克隆。自己录制的一段语音、购买版权的声音素材都属于可用范围从影视剧、短视频里随便截取的音色不能用于克隆。这条规则不只是在规避法律风险也是在保护创作者自己否则素材发布后一旦被原始声音所有者投诉下架和追责都很麻烦。配音生成完成后输出 WAV 文件文件名与镜头号对应。如果需要对口型还需要额外的口型驱动环节比如用 SadTalker、LivePortrait 等工具把人声和角色面部动画同步起来。这一步不是必须的纯旁白型短片可以完全跳过先把声音质量和节奏调好更重要。4.6 剪辑合成把镜头素材拼成成片所有镜头素材、配音文件和音效就位后进入剪辑阶段。使用剪映这类软件时按分镜表顺序拖入时间线配音对位后加字幕和转场背景音乐控制在旁白音量以下最后统一调色输出。如果走命令行自动化FFmpeg 可以用 concat 协议把多个片段按列表拼接ffmpeg -f concat -safe 0 -i filelist.txt -c copy output.mp4filelist.txt的内容形如file shot_01.mp4 file shot_02.mp4 file shot_03.mp4注意-c copy是直接复制流不重新编码速度最快但要求所有片段编码参数一致如果片段分辨率或帧率不一致需要去掉-c copy改用重新编码否则会出现花屏或音画不同步。5. 功能测试与效果验证制作流程搭好后不要直接全量生产先用最小样本跑一轮功能测试。下面给出一套可以直接照做的验证方案。5.1 分镜文本测试测试目的确认大模型生成的分镜是否可以直接被绘图工具使用。操作步骤用 4.1 里的提示词生成一版分镜表随机取 3 个镜头把画面描述字段单独提取出来不作任何补充直接粘贴到文生图工具里生成一张图。判断标准生成的画面和分镜描述之间偏差不大环境、人物的关键元素都能出现。如果描述里“墙上的标语”这类细节没有被模型识别说明画面描述不够具体需要改写分镜文本。这类测试成本低建议每版分镜都先跑一轮。5.2 角色一致性测试测试目的确认同一个角色在多个镜头里保持外形稳定。操作步骤用 4.2 的角色模板生成同一角色的正面、侧面、背影三张图再把正面图作为参考图分别生成两个不同场景的画面最后把五张图放到同一张画布里对比。判断标准对比脸型、发际线、服装颜色和款式是否一致。如果有两三张明显不像同一个人就要启动参考图机制或者改用角色的照片级参考工作流。脚本阶段把关越严后面视频生成阶段返工越少。5.3 图生视频测试测试目的确认静态首帧图在生成视频后画面不崩、运动自然。操作步骤选一个动作简单的中景镜头上传首帧图写一条单一动作提示词比如“人物朝画面右侧缓慢转头”生成 5 秒视频逐帧检查。判断标准人物五官在运动过程中没有明显畸变衣服边缘不抖动画面没有突然出现多余物体。5 秒测试通过后再逐步测试“走路”“回头”“环顾四周”等复杂动作。每增加一个动作要素失败概率都会上升所以建议动作复杂度按阶梯递增。5.4 TTS 配音测试测试目的验证配音听感是否接近目标音色以及文本多音字是否读对。操作步骤准备一段含多音字和对白的台词例如“根据线报嫌疑人昨晚出现在城西仓库马上出发”用目标音色合成后整段试听。判断标准音色稳定、没有明显机械感、多音字读音正确。如果不满意先检查文本是否加了注音或同音字标注再检查参考音频长度和干净程度参考音频越短、底噪越大合成质量越不稳定。配音测试不通过会影响整条片的观感宁可多花时间调参考音频也不要直接拿粗糙音色进时间线。5.5 成片合成测试测试目的验证剪辑阶段音画同步和整体节奏。操作步骤取 3 个已经生成的镜头配上旁白和一首背景音乐合成 20 秒左右的样片在手机和电脑上各看一遍。判断标准声音和画面节奏匹配转场不突兀字幕无错别字AI 标识按规定添加。样片通过后再扩展到全部分镜。这一步能提前暴露大多数节奏问题避免全量生成后才发现叙事结构有问题。6. 接口 API 与批量任务制作一条 8 镜头的短片手动操作还能接受如果要做系列短视频一次就是几十个镜头必须走接口和批量任务。6.1 云端平台 API 调用思路可灵、即梦、海螺等平台一般都为开发者提供 OpenAPI申请流程大同小异注册开发者账号 - 创建应用 - 获取 API Key - 阅读对应接口文档。接口调用通常是两步式第一步提交生成任务返回任务 ID第二步轮询任务状态生成完成后获取结果 URL。下面给出一段通用调用模板实际字段以目标平台文档为准import requests API_URL https://api.example.com/v1/video/generate # 替换为实际平台接口 API_KEY your_api_key headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } payload { model: video_gen_model, prompt: 刑警在雨夜追查线索镜头跟随冷色调写实。, image_url: https://your-storage.example/shot_01.png, duration: 5, resolution: 1080p } resp requests.post(API_URL, jsonpayload, headersheaders, timeout30) print(resp.status_code) print(resp.json()) # 拿到 task_id 后按文档轮询进度 # task_id resp.json()[task_id]调用时要注意两点第一上传参考图需要先走文件上传接口拿到可访问 URL不能直接传本地路径第二生成任务通常要等几十秒到几分钟请求超时时间设长一些用轮询而不是同步等待。6.2 ComfyUI API 批量队列本地 ComfyUI 本身就带 API 服务。启动后可以用POST /prompt提交工作流工作流 JSON 可以从 ComfyUI 前端导出。批量生成的做法是预先写好工作流 JSON循环替换其中的提示词、参考图路径和输出文件名再逐个提交给 API。大致思路如下import json import requests import time comfyui_url http://127.0.0.1:8188 workflow json.load(open(shot_workflow.json, encodingutf-8)) for shot_id in range(1, 9): # 修改工作流中的提示词节点和保存文件名 workflow[nodes][0][widgets_values][0] fshot_{shot_id} 的画面描述 workflow[nodes][-1][widgets_values][0] foutput/shot_{shot_id}.png resp requests.post(f{comfyui_url}/prompt, json{prompt: workflow}) print(shot_id, resp.status_code) time.sleep(2) # 避免提交过快注意不同版本 ComfyUI 工作流 JSON 结构有差异实际修改节点字段时要以导出的工作流为准。批量提交后还要在服务端查询队列状态避免一次性提交过多任务把显存打爆。6.3 批量任务管理与重试批量生产过程中镜头任务失败是常态建议在工程上做三层防护。第一层是台账用 CSV 记录每个镜头的状态待生成、生成中、成功、失败、已选片。第二层是重试失败任务不要手动重复提交写一个简单的重试逻辑对超时和返回错误码的任务重新排队。第三层是输出检查批量生成结束后跑一个脚本检查输出目录里每个镜头是否有对应文件文件是否非空、时长是否达标。import csv import subprocess import time def check_duration(filepath): # 用 ffprobe 读取视频时长粗略判断生成是否成功 result subprocess.run( [ffprobe, -v, error, -show_entries, formatduration, -of, defaultnoprint_wrappers1:nokey1, filepath], capture_outputTrue, textTrue ) try: return float(result.stdout.strip()) except ValueError: return 0.0 with open(分镜表.csv, encodingutf-8) as f: rows list(csv.DictReader(f)) failed [] for row in rows: shot_id row[分镜编号] video_path foutput/{shot_id}.mp4 duration check_duration(video_path) if duration 1.0: failed.append(shot_id) print(f{shot_id} 失败或文件过短) else: print(f{shot_id} 通过时长 {duration:.1f}s) print(失败镜头, failed)这段脚本的关键是“文件存在且时长大于 1 秒”这个最低标准通过它先把明显失败的任务筛出来再做人工二次筛选。需要说明的是ffprobe是 FFmpeg 自带的探针工具需要提前安装并加入环境变量。7. 资源占用与性能观察AI 短片工作流涉及多个模型资源占用要分阶段观察。云端路线的资源占用在服务器端本地主要消耗的是网络带宽和平台积分。你不需要关心显存但要关心并发如果同时提交多个任务平台会有并发限制超出后会排队甚至返回限流错误观察点应该放在账号的任务并发数和队列排队时间上。本地路线的观察重点是显存、内存和磁盘。可以用下面的命令每 2 秒刷新一次显存状态nvidia-smi -l 2生成任务运行时重点看进程的显存占用是否持续增长并接近显存上限。文生图环节占用主要受分辨率和批次数影响分辨率从 512 提到 1024显存占用会成倍增加图生视频环节帧数、分辨率和模型参数量是决定因素视频模型比图像模型高出一个量级生成时不要同时开太多其他程序。TTS 环节相对轻量但也要避免在视频生成的高负载时段同时跑大批量语音合成。降低本地占用的常规思路有以下几条把分辨率降到目标分辨率的下一档比如最终出 1080p 就先生成 720p批量大小设为 1一次只处理一张图或一段视频使用模型的量化版本或低精度模式生成视频时分段生成每段 4 到 6 秒不要一次生成几十秒关闭 ComfyUI 前端页面有时候前端渲染也会占一部分资源。性能观察的目的是找到稳定的配置参数。建议记录一张参数表列清楚每类镜头使用的分辨率、步数、帧数、生成用时和显存占用。积累几条稳定配置后批量任务直接套用不要每批都重新调参。8. 常见问题与排查方法AI 短片流水线的坑很多下面列出的几个是最高频的问题现象可能原因排查方式解决方案同一角色不同镜头脸不一致只靠文字提示词控制角色没有使用参考图对比各镜头首帧图的脸部特征用角色正面图作为参考图或接入角色参考工作流图生视频中人物动作变形动作提示词包含太多动作要素或场景要素逐帧检查开始畸变的帧位置拆分动作一个镜头只保留一个主要动作画面中人物五官抽搐、皮肤异常视频模型在低帧率或复杂表情下崩溃对比不同帧数下的输出质量降低帧数或改为小幅运动复杂表情后置生成的画面出现多余文字提示词里混入了文字描述或模型误识别场景文字检查画面中的文字内容在负向提示词中加入“文字、水印、logo”等词TTS 音色不像目标人物参考音频太短、底噪大或混入背景音乐单独听参考音频换 10 秒以上干净人声降噪后再克隆批量任务运行到一半卡住单个镜头任务超时或平台限流查看任务日志和返回码加超时重试降低并发数本地生成报 CUDA out of memory分辨率、帧数超出显存容量用 nvidia-smi 观察占用降低分辨率、减少帧数、使用量化模型ComfyUI 页面打不开8188 端口被占用或服务未启动检查端口监听和启动日志换端口重启例如 8189成片音画不同步配音文件长度和镜头时长不匹配在时间线上检查对位重新对齐配音起点或调整镜头速度这里多解释两个容易忽略的点。第一动作提示词要“少而准”写“走路”就别同时写“看手机”和“转头”多动作叠加是视频生成崩坏的头号原因第二本地生成出现显存不足时不要只想到换显卡先在提示词和参数层面降负载很多场景降低分辨率后效果差别并没有想象中那么大先把流程跑通再追求高分辨率更现实。9. 最佳实践与使用建议整个工作流跑通之后建议在项目里固定下面这些工程化习惯。先做 15 秒样片再全量生产第一次跑这条流水线不要直接生成全部 8 个镜头先用 2 到 3 个镜头做样片确认角色、画风、配音和剪辑节奏都符合预期再批量扩充。固定一套角色描述模板和提示词模板把角色表、场景关键词、风格关键词都写成可复用的模板文件每次生成都从模板复制修改而不是重新打字这样能显著降低角色飘脸的概率。分目录管理素材。建议目录结构如下project/ ├── scripts/ # 剧本和分镜表 ├── references/ # 角色参考图、场景参考图 ├── stills/ # 文生图输出 ├── clips/ # 图生视频输出 ├── audio/ # TTS 配音和背景音乐 └── final/ # 成片批量任务必须加日志和失败重试。生产环境的批量脚本要输出每步日志记录每个镜头的状态、耗时和失败原因失败任务自动重试时重试次数不要超过 3 次避免无效消耗。API Key 和模型地址不要提交到公共仓库。把密钥放到环境变量或本地配置文件中并在代码库里加入.gitignore忽略配置文件。接口服务部署在有公网访问权限的服务器上时要用访问控制限制调用来源防止被刷接口。涉及警用标志、制服、人脸和声音的内容发布前做一遍合规复核。不管生成效果多好版权和授权问题一旦出问题补救成本都很高。最后每一版成片都要保留工程文件。分镜表、工作流 JSON、提示词、参数表、素材文件都要和成片版本一起归档。AI 生成的特点是可以无限重新生成但没有档案的版本管理会让项目快速失控。10. 总结与下一步这条 AI 短片流水线最值得尝试的点是用一套“角色参考图 图生视频”的组合拳解决刑侦题材短片的角色一致性问题。相比纯粹靠文字提示词生成参考图机制能明显减少“飘脸”这是短片观感能立住的最关键一步。上手后先验证的功能应该是文生图阶段的角色一致性测试先把主角形象稳定下来再进入图生视频和配音。最容易踩的坑也在这一步图生视频阶段动作提示词写太多导致画面崩坏所以第一版测试务必要用单一动作、低参数跑通。后续可以做的扩展方向有三个。一是批量生产系列片把分镜表做成 CSV配合 6.3 的批量脚本一次生成整季的镜头素材二是加入口型驱动让角色对白和画面嘴型同步从旁白型短片升级到对话型短剧三是把工作流沉淀成可复用模板换题材时只改角色表和分镜表整套链路不用重新搭建。这套方法的本质是把传统短片前期制作里最贵的部分搬到生成式 AI 流水线上。显卡不够就先用云端时间不够就先用批处理素材版权拿不准就先做去标识化处理。先把一条 20 秒样片跑出来比任何参数文档都有用。