企业官网建设流程全解析

这几年AI漫剧推文短视频几乎成了内容赛道最热的方向之一。做小说推文的、做影视解说的、甚至做IP账号的，都在往这个方向转型。按理说这赛道门槛不高，有AI绘图工具就够了，但真正上手跑过几轮你就会发现，决定一条漫剧能不能持续量产、能不能接得住剧本的，就两个关键命门——分镜生成的质量和角色一致性的稳定度。很多团队卡在第一步的分镜脚本转化上，更多个人创作者死在"第一集主角是什么脸，第二集就换了一张脸"的尴尬里。这篇文章把我自己从脚本拆解到成片发布的完整工作流，以及踩了大半年的坑，全部梳理出来，给准备入坑或正在瓶颈期的人一个可以直接参考的路线。

1. 为什么AI漫剧推文会火，以及制作它到底卡在哪里

1.1 内容形式的演变：从图文推文到AI漫剧

先聊清楚什么叫AI漫剧推文短视频。它本质上还是推文视频的一个变种，只是把原来"一张风景图加一段文字朗读"的形式，升级成了"漫画风格的画面加分镜切换加角色出镜"的动态剧集。观众刷到的时候，看到的是类似动态漫画的东西，但实际上每一帧画面都不是手绘的，而是AI生成的。

这个形态为什么能在短时间内迅速起量，到后来彻底卷成一个成熟赛道？我觉得有几个原因：

第一，平台对图文搬运类的推文视频压得越来越狠。单纯拿书封、风景照配上配音的伪原创内容，重复率太高，平台不推流。而漫剧这种形式因为每一帧画面都是AI生成的，天然有"原创"属性，完播率和互动率都明显好于传统推文视频。

第二，制作成本确实降到了一个人能扛得住的程度。早几年的动态漫画还需要找画师拆帧、手绘分镜，一部中等长度的短片成本少说几万块。现在的AI工作流，从脚本到成片，单人一天能做出一到两条完整内容，成本几乎只有会员费和电费。

第三，叙事容量变大了。推文视频原来只能念一段几百字的文案，而漫剧可以做成连续剧集，第一集留钩子，第二集填坑，观众追更粘性远高于单条视频。这就意味着它能接住小说推广、短剧引流、甚至是自有IP内容孵化等更多的商业化需求。

但是，当我真正下场做了半年之后发现，漫剧的制作远不是"写个提示词、点个生成"这么简单。

1.2 真正卡住量产的两个命门

至少在我和身边的同行那儿，大家遇到的瓶颈高度一致：分镜生成和角色一致性。

先说分镜。分镜这个词是从影视工业借来的，指把文字脚本转换成一个个镜头画面的过程。传统的分镜师要画草图、标景别、标运镜方式，而现在要做的是让AI来替代这个环节。难点在于，AI生图不是"你说什么它就画什么"，它更像一个理解力有限但画技超群的画师。你的分镜提示词能不能准确传达镜头语言、人物状态和场景氛围，直接决定生出来的图能用不能用。

再说角色一致性，这个是所有漫剧创作者公认的噩梦。AI大模型本身是没有"同一个角色"的概念的。它每次生成图片，性别和大致外观也许能靠提示词控制住，但五官细节、发型发色、服装质感和颜色，都会在下一个镜头里悄悄漂移。一个镜头里男主角穿黑色皮衣，下一个镜头突然变成深蓝色夹克；刚才还是单眼皮，下个镜头就变成欧式大双。这类问题在单张生图时几乎无感知，但放在一条连续故事的短视频里，观众的违和感会被无限放大，直接判定你的内容粗糙、不用心。

这两个问题不解决，漫剧就永远是"能做出来，但做不快、做不精"的尴尬状态。下面我会用后面几个章节，把这两块各自拆开来讲，把我验证过有效的工作流和参数全部交代出来。

2. 分镜生成：从脚本到画面的第一道转化工序

2.1 脚本拆解：先让大模型帮你把叙事翻译成镜头语言

很多人做分镜的第一步就错了。他们拿着小说原文直接丢给AI绘图工具，想让它画出"他震惊地看着她"这种画面。结果画出来的是两个模糊人影，根本没法用。原因在于，小说叙事用的是情绪语言，而绘图模型要的是视觉语言。

正确做法是先用大语言模型（LLM）做一层"翻译"工作。我自己用的流程是这样的：

第一步，把小说章节或推文文案丢给大语言模型，让它按照镜头语言重新组织。我会给它一个明确的分镜表格式，要求输出以下字段：

• 分镜序号（例如S01、S02）
• 景别（远景、全景、中景、近景、特写）
• 镜头角度（平视、俯视、仰视、斜角）
• 画面内容（场景、人物位置、人物动作、表情状态）
• 台词或旁白（这条镜头对应的文案内容）
• 情绪氛围（紧张、温馨、悬疑、冷峻等）

举个例子，小说原文可能写着："林晚推开咖啡店的门，看到窗边坐着的那个人，整个人都僵住了。"如果直接扔给绘图模型，大概率生成一个不知所云的画面。但经过LLM翻译后，它会变成：

镜头S03：中景，平视 画面内容：现代都市咖啡馆内景，门被推开，一位黑发年轻女性站在门口，手持包带，身体微微僵硬，视线投向窗边。窗边坐着一位穿深灰色大衣的男性，侧脸轮廓清晰。 情绪氛围：惊讶、时间凝固

这一步做完，生图的成功率至少翻一倍。因为大语言模型擅长做"语义到结构的转换"，它会帮你把情绪描述补全成具体的画面要素：穿什么、站在哪、看什么、光线如何。你只需要在提示词里把这些要素组织好。

我个人还习惯让LLM一次性输出整个章节的全部分镜，然后我再人工删减。AI写的分镜会偏保守，镜头切换不频繁、缺少节奏感，但这没关系，初稿够用就行。你可以追加一条指令："请确保每15到20秒的叙事中至少有一个景别变化，并在高潮段落使用特写镜头。"这样生成的分镜表会更接近短视频的节奏需求。

2.2 分镜提示词模板：人物、场景、景别、动作如何组合

LLM输出的分镜脚本还不是最终提示词。你需要按照绘图工具的语法习惯，把它重组成一套结构化的提示词。

我这半年用下来，最稳定的分镜提示词结构是四段式：

画面主体描述（人物+动作+表情） + 场景环境（地点+氛围+光线） + 镜头语言（景别+视角+构图） + 风格参数（画风+渲染质量+负面提示词）

用上面咖啡店的例子展开，最终提示词大概是这样的（以Stable Diffusion为例）：

masterpiece, best quality, anime style, a young Chinese woman with black long hair, wearing a beige coat, standing at the entrance of a modern coffee shop, holding a bag strap, body slightly stiff, eyes wide looking toward the window, medium shot, eye level, shallow depth of field, warm interior lighting, coffee shop atmosphere,

后面还要接上负面提示词：

lowres, bad anatomy, bad hands, extra fingers, extra limbs, blurry, jpeg artifacts, watermark, text, signature

这里有几个点值得单独说一下：

人物描述一定要放在最前面，而且要固定描述词。这就是为后面要讲的角色一致性打基础——同一个角色在每条分镜里必须用同一段"外貌描述词"，一个字都不能改。

场景描述要避免出现和人物描述冲突的词汇。比如人物的头发是黑色，场景里就不要出现"dark background"这种可能抢颜色的词，否则模型可能把头发也画成深色背景的一部分。

景别和镜头语言放在第三段。很多新手把景别写在最前面，模型往往会忽略。放在中间偏后的位置，配合"medium shot"、"close-up"这种明确的摄影词汇，遵守率要高很多。

风格参数里我会统一加"anime style"或者"illustration style"，保证整套分镜的画风一致。这个点在后面讲画风统一的时候还会再展开。

2.3 工具选型：主流AI生图工具的分镜能力对比

分镜批量生成阶段，最常用的工具无非这么几类：Midjourney、Stable Diffusion生态（包括ComfyUI）、以及国内的可灵、即梦等一站式工具。

我用一个表格来对比它们在我实际项目中的表现：

我的建议是：预算有限、追求效率的，可以直接用即梦或可灵的一站式方案，它们在国内网络环境下体验顺畅，角色的参考图锁定功能做得越来越成熟；如果对画风和质量有更高要求，并且愿意折腾，Stable Diffusion搭配ComfyUI是上限最高的路线。Midjourney的优势在于出图审美高，但它在分镜批量生产的流程化上弱一些，更适合做精品单图。

我自己目前的组合是：主力用ComfyUI加角色LoRA或InstantID的方案做核心镜头，快速验证镜头效果时用即梦的批量分镜功能，两条腿走路。这个组合在后面章节里会看到。

3. 角色一致性：AI漫剧最难啃的骨头

3.1 为什么AI生图总是"换脸"

要解决角色一致性问题，首先得理解AI生图的底层逻辑。扩散模型生成图片时，本质上是在一个"噪声"的基础上逐步去噪，最终得到图像。它并不是像画家那样记住一张脸然后画出来，而是根据你给的提示词，在它的"经验空间"里搜索一个最匹配的图像分布。

问题就在这里。大模型对"黑发女性"的理解是一个概率分布，不是一个确定的个体。同一句"a young Chinese woman with black long hair"，它每次采样到的高维特征可能都不一样。虽然外观上都是"黑发年轻女性"，但在具体五官、脸型、气质上，每次生成都相当于一次"重新投胎"。

漫画风格尤其明显。真人风格的照片会比较接近，因为人脸皮肤纹理、光影细节会把五官的差异稀释掉；但动漫风格高度依赖线稿和色块，五官特征就是那几笔线条的排列组合，稍微偏移一点，看起来就是不同的人。

理解了这一点，你就能明白为什么"提示词玄学"无法根治角色漂移——你没法用语言精确描述一个人的全部面部特征，更没法让模型每次都精确复现它。必须要用"参考图"这类显式的锚定手段。

3.2 保持角色一致性的四大主流方案

我把目前实际操作中有人验证过并且能稳定出片的方案，按自动化程度从低到高排了一个序：

方案一：固定种子值加统一提示词。这是最基础的做法，同一条分镜里所有图片都使用相同的随机种子（seed），同时角色描述词完全一致。它的逻辑是，种子值相同意味着初始噪声相同，模型在同样的起点上更容易落在相近的图像区域。但说实话，这个方案的稳定性有限，种子只能保证"大概像"，无法精确锁定五官。它最大的价值是零成本，可以作为校验基准。

方案二：Midjourney的角色参考参数--cref。Midjourney支持角色参考图，用法是给一张角色设定图，加上--cref参数，并配合--cw（character weight，角色权重）来控制参考强度。我自己的经验是，--cw取80到100时，服装和发型的一致性最好，但构图会受参考图影响；--cw取40到60时，能保留更多自由度，适合需要动作变化较大的镜头。这个方案适合单角色镜头为主、对角色的动作要求不太高的场景。

方案三：Stable Diffusion加IP-Adapter FaceID或InstantID。这是目前可控性最高的一条路线。IP-Adapter的工作方式是把参考图的特征提取出来，注入到生成过程中，相当于给扩散模型加了一个"脸部记忆卡"。InstantID更进一步，只需要一张脸部照片就能提取身份特征，并在推理时保持稳定。这套方案下，角色的脸基本能做到多角度复用，表情和视角变化后的五官依然统一。

方案四：角色LoRA训练。这是最重但上限最高的方案。LoRA是一种低秩微调技术，你可以用同一个角色的大约30到50张不同角度的图片，训练出一个专属的角色模型文件。训练完成后，生成任何场景只要在提示词里挂上这个LoRA，模型就会稳定输出这个角色的长相。训练成本主要是算力，一张消费级显卡（12GB以上显存）就能跑，一次训练大约一到两小时。这个方案适合剧集比较长、角色出场次数多的项目，值得前期投入。

从我的实战来看，如果是快速验证和日更账号，方案二或方案三足够了；如果是连载超过50集的长剧集，强烈建议直接上方案四，长痛不如短痛。

3.3 参考图法与LoRA法的关键参数实测

我重点说两个我实测过的重要参数档位。

先看InstantID的实战配置。我用的环境是ComfyUI加InstantID，关键节点参数设置如下：

• 参考图：用角色正脸清晰照，最好是平视、自然光、面部无遮挡的照片
• identitynet_strength：0.8
• adapter_strength：0.4（这个值太高会导致脸部贴图感明显，太低则一致性不足）
• 生成步数：30步
• 采样器：DPM++ 2M Karras
• CFG：5.5

实际效果：identitynet_strength在0.7到0.9之间脸部相似度最高；adapter_strength建议保持在0.3到0.5之间，超过0.6时皮肤质感会变差，像贴了一张图。这个参数组合在侧脸、仰视、俯视等镜头里的表现都还比较稳定。

再看LoRA模型的训练参数。我用的训练脚本是kohya-ss/sd-scripts，关键参数：

• 训练集：35张角色图，建议包含不同角度（正脸、侧脸、半侧脸）和不同表情
• 图片分辨率：512x512（训练集统一裁剪，超出部分不拉伸）
• 学习率：1e-4
• 训练步数：1600步左右
• 网络维度：64

训练完的LoRA文件大小只有几十到一百多MB，挂载到ComfyUI后，提示词里写上触发词（比如我训练时用了一个虚构名字"lw"）就能稳定调出角色。这一步的坑在于训练集图片的质量，宁可要15张角度丰富、光线干净的图，也不要30张模糊、过曝、杂乱的图。素材干净比数量重要得多。

4. 从分镜到成片：完整制作流水线

4.1 图生视频：哪些镜头动态效果最好

分镜图和角色方案都搞定后，接下来的工序是把静态分镜转化成带动态的视频段。目前最主流的路线是用图生视频工具，把之前生成的分镜图作为首帧，让模型去补全后面的运动。

但图生视频不是所有图都能生得好。以我的实测经验，这几类镜头最容易出效果：

一是有明确主体的中景和近景镜头。人物坐在那里、转头、微笑、举起杯子这类动作，模型的预测能力很强，动态自然。

二是背景相对简单的镜头。比如室内局部、墙壁前、街道一角，模型只需要让人物动，不需要大量计算背景变化，出的效果稳定。

三是镜头运动幅度小的场景。缓慢推近、轻微平移，模型基本能hold住；大幅度的镜头旋转和物体剧烈运动，几乎必出怪异形变。

图生视频的动态幅度参数也要区分场景。在可灵里，我一般把运动幅度控制在3到6之间，日常对话场景取4，情绪爆发的段取6。太低的幅度会让人觉得是PPT，太高则会变形。

还有一个经验：一条视频里的镜头切换不要太碎。短视频的镜头如果平均时长低于2秒，观众会觉得画面一直在跳。我一般控制在3到5秒一个镜头，既保留了动态感，也给后续配音和字幕留了节奏空间。

4.2 配音与字幕：推文节奏怎么卡

AI漫剧的视频节奏，除了画面，配音和字幕占了更大的分量。漫剧在短视频上的爆点往往和画面的紧张感绑定，但观众真正接收信息靠的是耳朵和眼睛的双通道。

配音这一块，我目前用主流的TTS工具就能满足大部分需求。多角色对话时，人物音色要分开：主角用一个音色，配角和旁白各用另一个音色。这看起来是常识，但很多初稿会在多角色混驾的时候出现音色乱跳的问题，所以最好在脚本阶段就标注好每句台词的Speaker ID。

字幕是另一个容易被忽略的点。漫剧观众通常是在静音或低音量的场景下刷视频，字幕不仅要准确，还要带情绪。我习惯把关键词或者情绪词用大字号或高亮颜色标出来，比如"他猛地回头"里的"猛地回头"、震惊时的"什么？！"，这类文字强调能极大提升完播率。

另外，口语化的旁白文案和字幕的断句是两回事。旁白句子可以长，但字幕必须断成短句，一行别超过12个字。这需要你在剪辑时单独做一层字幕稿，别直接把旁白稿丢进自动字幕工具。

4.3 素材管理：分镜素材命名与复用规范

做好分镜结构和角色方案后，脚本阶段就得设计素材管理规则。我自己用的命名规范是这样的：

项目名_场景编号_镜头编号_角色编号_版本号

举例：

yuedu_S03_L02_Main_v2

"Main"是主角角色编号，v2表示这一镜头的生成版本。这样做的好处是：后续找图时一眼就能看出是哪本书、哪个场景、哪条镜头、哪个角色、第几版。AI生图经常要反复抽卡，没有这个命名规范，几十张图一混，项目直接就乱了。

我还会单独建一个"角色设定"文件夹，里面放每个角色的标准参考图，以及对应的提示词模板。每次生图前先把该角色的固定描述词粘贴出来，对照检查一遍，避免因为手滑改了发型颜色导致后期发现角色漂移。

5. 制作过程中的高频翻车现场与排查链路

5.1 角色忽然换衣服：参考图权重与词法冲突

这个问题的翻车率极高，几乎每个刚上手的人都会遇到。表现是：第一幕里男主穿黑色皮衣，到了第二幕没有任何情节铺垫，突然变成卡其色风衣。

排查链路要分两条走。

第一条链是参考图权重。如果你用了--cref或InstantID，先检查角色权重参数是否设置合理。以Midjourney为例，--cw默认是100，这个值会锁定角色的服装细节。如果你希望角色换衣服，需要把cw降低到40到60，同时把新服装描述写进提示词。如果cw是100，模型会优先参考原图，你的"卡其色风衣"就会被压制，但服装又因为参考图含混不清而漂移到灰色调，最终出现"说不清什么颜色"的衣服。

第二条链是提示词词法冲突。如果提示词里同时出现了"black leather jacket"和"khaki coat"，模型有可能随机选一个。你需要删除和旧服装相关的所有词，只保留新服装描述，并且把服装词放在提示词的主体描述区靠前的位置。

我自己的经验是，服装一致性和镜头多样性之间永远有一个平衡。如果你想流水线产图，就宁可让角色一直穿同一套衣服；如果剧情非要换装，那就先出一张新服装的角色设定图，再把这个设定图作为后续镜头的参考图。换装必须走"先定妆、再出镜"的流程，不要在同一个参考特征下直接改提示词。

5.2 手部崩坏与五官畸变：局部重绘的边界

AI生图的手部问题是老生常谈。纯生图阶段可以在负面提示词里加"bad hands, extra fingers"，能大大降低崩坏率，但完全杜绝很难，特别是人物拿东西、手指交叠的镜头。

如果分镜图里手部崩坏了，不要整张图重抽，那样容易连脸带画风一起变。正确做法是局部重绘（inpainting）。Stable Diffusion的局部重绘、ComfyUI的Paint节点、即梦或PS的AI填充都能做。我的做法是：

1. 用蒙版把崩坏的手部区域涂出来。
2. 提示词里写"hands holding a coffee cup, realistic hand anatomy"之类具体描述。
3. 重绘幅度（denoising strength）控制在0.4到0.6，太高会改变周边区域，太低则修不掉崩坏。

五官畸变的情况也类似。漫画风格的五官崩坏往往集中在眼部、嘴巴等细节，局部重绘时幅度可以更低一些，0.3到0.4就够，否则会换脸。

这里还有一个隐藏的坑：如果你此刻已经用了InstantID或者LoRA固定了角色脸，那么局部重绘时必须保持同一个角色控制网络开启，否则修完手，脸却变了，得不偿失。

5.3 多角色同框：谁在"抢"特征

多角色同框是漫剧里难度最大的一类镜头，因为一致性锚点之间会发生冲突。两个角色都用参考图注入特征时，生成结果容易出现"两脸纠葛"，也就是A的鼻子安到了B脸上。

我自己常用的解法是分步合成：

第一步，先把画面里多个角色分别用单人镜头生成好，各自保持最佳一致性。

第二步，把两张单人图作为输入，放进局部重绘或者图生图中合成一张同框图。此时提示词里只写场景和构图，角色描述词各用一半，配合各自角色的LoRA或参考图节点，但权重都要调低，比如LoRA权重从1.0降到0.7。

第三步，检查合成图，如果局部崩坏，再用蒙版局部重绘修补。

这个方法的核心逻辑是"降低每一个特征注入源的强度，把它们从竞争者变成合作者"。你让两个角色同时以极高权重输出特征，模型根本不知道该听谁的；降低权重之后，反而能找到一个平衡点。

还有一个辅助技巧：构图时尽量让两个角色占据画面不同侧，位置不要重叠。模型在生成时会自然地按左右分工分配特征，重叠部分才是冲突的重灾区。

6. 从能出片到能稳定出片：我在量产阶段的几项优化

6.1 批量生产时提示词模板的工程化管理

当我从"做几条视频玩玩"转向"每天稳定出一到两条"的时候，最大的感受是：AI生图最怕的不是效果差，而是不稳定。今天调的参数明天就忘了，这个镜头用了什么提示词自己也说不清。

所以我把提示词做成了"模板加变量"的工程化管理方式。一个典型的分镜提示词模板长这样：

风格前缀：masterpiece, best quality, anime style, cinematic lighting 角色模块：{角色外貌描述} 场景模块：{场景地点描述, 光线氛围描述} 镜头模块：{景别, 视角, 构图描述} 渲染后缀：8k, detailed face, detailed eyes 负面提示词：lowres, bad anatomy, bad hands, blurry, watermark, text

每次生成新镜头时，只替换{}里面的变量，其他固定部分一个词都不动。这样能保证整套视频的画风和角色描述始终一致，排查问题时也能快速定位是哪一段变量出了问题。

我还会为每个项目维护一张"角色与场景提示词速查表"，表格里记录每个角色固定描述词、服装设定、所属场景的关键词。新同事或者未来的自己，拿到这张表就能无缝接手项目。

6.2 画风统一的隐性参数：裁切、分辨率与推理步数

画风不一致是批量生产后期最容易出现的问题之一。很多人发现角色一致了，但这一集是明亮清新的风格，下一集水墨质感浓重，放在同一个剧集里非常突兀。

画风统一除了在提示词里写死风格前缀，更关键的其实是几个隐性参数：

一是裁切方式。生图时如果每张图的长宽比不统一，模型的构图重心会偏移，导致画面观感不一致。我会在项目开始时固定一个长宽比，比如9:16竖屏，之后所有分镜图都强制在这个比例下生成，不随手改。

二是分辨率。不同分辨率下的采样细节天差地别。我的习惯是，分镜图一律输出768x1344（或同等档位），不混用其他比例，否则视频转场时画质跳变很直观。

三是推理步数和采样器。同一套模型，30步和50步出图的"锐化程度"不一样；同一个步数，不同采样器的风格也有差异。生产阶段我会把生成参数完全固定，只在局部微调，不要每张图都换采样器。

6.3 单镜头抽卡策略：怎么决定一张分镜图算"过了"

抽卡是漫剧制作无法绕开的一步。我的策略不是"抽到好看为止"，而是设定一个"可用清单"，按下面的优先级判断镜头是否通过：

1. 角色脸是否一致（权重最高，不符合直接淘汰）。
2. 是否符合分镜脚本的关键要素（人物动作、场景、景别）。
3. 手部是否有明显崩坏（轻微瑕疵可通过局部重绘修）。
4. 画风是否符合项目基准（对比项目风格基准图判断）。

优先级是从1到4依次判断。角色脸不对，其他再好也没用；动作错了，就改了重抽；手部崩坏，保留后用局部重绘修；画风有偏差，通过生成参数校准。

我自己的经验是，一条常规剧集大约需要生成50到60张分镜图，最终入片的可能在35到40张，入片率在60%到70%之间是正常水平。如果你90%以上的图都一次通过，那大概率说明你的画面表达比较保守，可以适当增加镜头张力；如果入片率低于50%，检查提示词结构，大概率是描述太模糊。

写到这里，其实我把一套完整的AI漫剧推文短视频工作流都过了一遍。从脚本到分镜，从分镜到角色控制，从角色控制到批量生产，每一步都有它自己的逻辑和坑。这套流程不是一步到位的，我也是从"天天抽卡抽到崩溃"的状态一路调整过来，最终跑成了一条稳定出片的流水线。如果你正准备入坑，别想着第一次就做出完美作品，先把分镜生成和角色一致性这两个地基打好，后面的效率提升都是水到渠成的事。