企业官网建设流程全解析

“分心不是我的错”这条AI短片，主题不是讲ADHD诊断，而是让没有ADHD的人也能理解“大脑不受控地跑神”到底是什么感觉。真正值得技术博主拆解的，是它背后那套AI创作流水线：用文本生成脚本，用图文模型做分镜，用视频模型生成动态画面，用语音合成配旁白，最后剪成一部能参加AI影展的成片。这种“AI全民制作人”模式，已经能把过去需要整个剧组才能完成的短片压缩到一个人、一台电脑、几个开源模型就能跑完。

这篇文章不聊情怀，直接拆怎么做。下面按一条可复制的AI短片制作工作流展开：从主题定调、脚本生成、分镜设计、视频生成、声音合成，到批量任务、接口自动化、资源占用和排错排查。无论你是想给某个群体做科普表达，还是想用AI工具做参赛短片，这套流程都能直接沿用。

1. 核心能力速览

先看这条AI制作路线涉及的能力维度：

这条路线最核心的优势是模块化。脚本、画面、声音、字幕每一层都可以单独替换工具，不需要绑定某一个全家桶平台。对CSDN读者来说，这意味着每一步都有明确的输入输出，可以自己写脚本接管。

2. 作品定位：把ADHD的“分心”翻译成画面

做AI短片之前，先要确定创意锚点。“分心不是我的错”这个标题已经给出了情绪方向：不是辩解，而是解释。短片要回答一个问题——ADHD患者的主观体验到底是什么样。

从创作技术上，可以把“分心”拆成三个可视觉化的意象：

• 注意力漂移：眼前要做的事一直往后退，周围的声音、光线、手机通知不断把视线拽走。
• 多线程意识：脑子里同时跑着三四件事，每一件事都开了头，但哪一件都无法稳定推进。
• 时间感知扭曲：觉得才过了几分钟，抬头一看已经两小时；重要的事永远觉得“还有时间”。

这三个意象用AI生成时非常友好，因为它们本身就是超现实的。分镜可以这样设计：

翻译成人话：你不需要让AI理解ADHD，只需要给它一个足够具体的视觉目标。AI生成视频对“抽象情绪”的把握不稳定，但对“某个物体变成另一个物体”“多个分身同时出现”这类明确指令的执行力反而更高。

3. 适用场景与使用边界

这套AI制作流程并不是万能的。

适合的场景很明确：科普类短视频、参赛短片、个人表达类内容、公益宣传素材。因为ADHD主题强调主观体验，AI生成画面的“非现实感”反而成了优势，观众本来就需要一种“超现实”的观看视角来理解患者大脑的工作方式。

不适合的场景也不能回避。如果要做医学严谨的科普，画面可以AI生成，但诊断标准、治疗方案、药物描述这些内容必须由专业医学内容把关，AI和创作者都不能擅自给出医疗结论。本文只讨论“体验表达”，不构成任何医疗建议。

合规边界必须明确：

• 所有生成画面需要标注“AI生成”或符合平台要求的AI内容标识。
• 如果参考了某个真实ADHD患者的经历，需要获得当事人授权。
• 背景音乐和音效要用可商用授权素材或AI生成的无版权素材。
• 不能把AI生成内容伪装成真实人物采访或真实纪实画面。
• 如果画面中出现卡通人脸或仿真人脸，需要留意肖像权和公众人物相关限制。

从材料看，“AI全民制作人”这类活动本身鼓励个人用AI完成完整作品，但发布和参赛前仍要逐帧确认素材来源合规。

4. 环境准备与前置条件

做AI短片不一定要顶配硬件，但不同设备决定了你能走哪条路线。先列一张通用检查清单：

如果你恰好有高性能显卡，优先选本地部署路线，可以做批量出图、反复抽卡、不限制调用次数。如果只有一台普通笔记本，更稳妥的是在线API路线：本地只负责写提示词、调接口、剪片子，把生成压力交给云端算力。

磁盘目录建议一开始就规划好，后面批量任务才不会乱：

adhd_short_film/ ├── 01_script/ # 口播稿、旁白稿、分镜表 ├── 02_prompt/ # 文生图/图生视频提示词JSON ├── 03_images/ # 关键帧图片 ├── 04_clips/ # 视频片段 ├── 05_audio/ # TTS旁白、背景音乐、音效 ├── 06_export/ # 成片和字幕文件 └── logs/ # 批量任务日志

5. 脚本与分镜生成：用大模型产出可用素材

AI短片的第一步不是生成画面，而是生成文字。文字决定了画面生成的方向，文字质量差，后面每一层都会跟着差。

推荐流程是：先用大模型做一轮头脑风暴，再人工筛选，最后把选定内容重新组织成结构化的分镜JSON。不要指望大模型一次输出就能直接用，更不要拿着大模型输出的原文直接当旁白。

可以这样调用大模型生成初稿：

import requests api_url = "https://api.example.com/v1/chat/completions" # 以实际服务商接口为准 headers = { "Authorization": "Bearer YOUR_API_KEY" } payload = { "model": "your-model-name", "messages": [ { "role": "system", "content": "你是一位短片编剧。请根据给定主题输出90秒短片的分镜表，格式为JSON数组，每个分镜包含scene、duration、visual、narrator、sound字段。" }, { "role": "user", "content": "主题：表现ADHD患者的分心体验，核心画面要具体，不要使用泛泛的情绪词。" } ], "temperature": 0.7 } response = requests.post(api_url, headers=headers, json=payload, timeout=120) print(response.json())

拿到初稿后，需要人工做的校正工作有几个要点：

• 把“焦虑”“混乱”这类抽象描述替换成“桌面堆满便签”“多个半透明人影同时忙碌”这类可生成画面。
• 控制分镜数量。90秒短片建议6到9个分镜，每个分镜控制在5到15秒。
• 每个分镜的visual字段要包含主体、动作、光线、镜头运动四个要素。
• narrator字段不要写长句子，AI语音合成读长句容易丢失重音节奏。

一个经过校正的分镜条目，大致长这样：

{ "scene": 2, "duration": 10, "visual": "一个年轻人在书桌前打字，身体保持不动，周围出现三个半透明的自己：一个在厨房煮面，一个在窗前发呆，一个在玩手机。整体色调冷蓝，缓慢推镜头。", "narrator": "看起来我在写报告。实际上，我的大脑同时在三个地方。", "sound": "打字声，远处水沸腾声，手机震动声叠加" }

校正后的分镜JSON是整个项目的核心资产。后面生成图片、视频、旁白都可以从这个文件读取，不用重复输入文字。

6. 画面生成：从分镜提示词到AI视频片段

画面生成建议分两步走：先出静态关键帧，再转动态视频。如果直接文生视频，很容易出现肢体崩坏、构图失控的问题；先锁定图片，再用图生视频驱动运动，成功率会明显提高。

提示词在这一层的价值远大于模型选择。对比一下两组提示词：

低质量提示词：

一个人很焦虑地坐在房间里，乱七八糟

高质量提示词：

年轻女性坐在书桌前，右手握笔停在半空，桌上摊开笔记本和三个手机。房间内出现两个半透明分身，一个站在窗口看雨，一个蹲在角落拼积木。冷蓝色调，体积光，35mm镜头，浅景深，高清细节

后者的可执行性明显更强。文生图模型不擅长理解“焦虑”，但擅长理解“半透明分身”“冷蓝色调”“浅景深”。

给分镜写提示词时可以套用这个模板：

画面主体 + 主体动作 + 环境细节 + 风格光效 + 镜头语言 + 画质关键词

生成视频片段时，如果是图生视频路线，一般需要上传关键帧图片，再输入运动描述：

主体保持不动，人物头部缓缓抬起，桌上的纸张被风吹动，三个半透明分身缓慢走动，镜头缓慢前推

关于短视频生成，实践中有两个经验值得直接采用：

• 单次生成时长不要追求过长。多数视频模型对拍摄连续性有依赖，更稳妥的策略是每个分镜生成5到10秒片段，之后在剪辑阶段衔接。
• 人物一致性先靠同一种子图片保证。连续镜头尽量使用同一底板图片或同一角色参考图生成，避免换个镜头人脸就变了。

批量出图时建议写一个简单的循环脚本：

# 批量调用生成接口示例，实际接口与参数需要按模型文档调整 for i in $(seq 1 9); do python generate_image.py \ --prompt_file "./02_prompt/scene_${i}.txt" \ --output "./03_images/scene_${i}.png" \ --steps 25 \ --batch 2 done

如果生成过程频繁失败，第一件事不是调高步数，而是降低分辨率。1080P生成不稳定时，先用768x432验证构图，构图通过了再上高分辨率重绘。

7. 旁白与音乐：让声音层帮画面建立情绪

ADHD主题短片对声音层的需求很明确：旁白要像“脑子里同时有好几个声音在说话”，背景音乐则要在专注和分心之间反复切换。这种声音设计通过TTS语音合成与AI音乐生成就能实现。

旁白生成有一个细节：不要用默认的播音腔。对ADHD体验来说，旁白更像“内心的自言自语”，语速可以稍快，句与句之间留出不规律停顿。多数TTS工具支持语速、停顿、甚至多个音色叠加，可以生成“主旁白+低音量内心声音”的双轨效果。

TTS接口调用一般长这样：

import requests tts_url = "http://127.0.0.1:5000/tts" # 本地TTS服务示例 payload = { "text": "看起来我在写报告。实际上，我的大脑同时在三个地方。", "voice": "narration_fast", "speed": 1.05, "format": "wav" } response = requests.post(tts_url, json=payload, timeout=60) with open("05_audio/narrator_02.wav", "wb") as f: f.write(response.content)

音乐生成建议给AI音乐模型设定更具体的条件：不要写“做一首关于ADHD的音乐”，而是写“每分钟95拍的电子乐，开头只有钢琴单音，中段加入碎拍和失真的环境声，结尾回到单音”。AI音乐模型的输入越接近“制作指令”，输出越能用。

声音层在剪辑阶段要做一次混音。常见的做法是旁白放在中置声道，背景音乐降低到旁白下方约10到15dB，环境音效根据画面位置做左中右偏移。这些操作在剪辑软件里都能完成，不需要额外音频工作站。

8. 批量任务与素材管理

做一条短片，最消耗时间的不是等待AI生成，而是在几千个文件里找到“那张构图是对的”“那段旁白是可以用的”。批量任务管理，本质上是给素材建立一个可追溯的命名和回退体系。

推荐素材文件按如下规则命名：

scene_序号_版本_参数标签.扩展名

例如：

scene_02_v3_steps25_seed8842.png

文件名里带上种子参数非常重要。AI生成画面时，同一提示词+同一种子会得到接近一致的结果。一旦找到满意的构图，把种子值记录在文件名里，后续重新生成或局部修改都能快速定位。

批量任务日志建议单独保留，尤其是调用接口生成视频时，日志能记录每一次调用的参数、返回码、耗时和失败原因。Python脚本里可以这样记录：

import csv import datetime log_path = "logs/generation_log.csv" with open(log_path, "a", newline="", encoding="utf-8") as f: writer = csv.writer(f) writer.writerow([ datetime.datetime.now(), scene_name, model_name, seed, duration, status_code, error_message ])

失败重试也要有策略。直接对同一个接口重复发送同样的请求，大概率还会失败。更好的方式是：

• 先看错误码。如果是显存不足，第一步清空显存、降低分辨率，而不是重试。
• 如果是超时，先检查网络或本地显存占用，再决定是否重试。
• 重试间隔建议递增，比如第一次等5秒，第二次等15秒，第三次等30秒。
• 连续失败三次以上，停止任务，人工检查参数。

批量生成时不要一次性把几百个任务全丢进队列。更稳妥的做法是每批10个左右，跑完一批检查输出质量，再放下一批。AI生成不是流水线上的铣床，出的每一批都需要人工目检。

9. 接口API与自动化装配

当单张图片、单个片段都能稳定生成后，就可以考虑把整条流水线串起来。接口的价值不在于替代剪辑，而在于把“分镜JSON -> 画面文件 -> 音频文件 -> 字幕文件”这一段完全自动化。

下面给出一个可扩展的Python流程示意：

import json import subprocess import time def parse_storyboard(path): with open(path, "r", encoding="utf-8") as f: return json.load(f) def generate_scene_image(scene): # 调用本地ComfyUI API或云端文生图API # 返回图片保存路径 pass def generate_scene_clip(image_path, motion_prompt): # 调用图生视频API # 返回视频片段路径 pass def generate_narrator(text, output_path): # 调用本地TTS服务 pass def main(): storyboard = parse_storyboard("02_prompt/storyboard.json") for scene in storyboard: image_path = generate_scene_image(scene) clip_path = generate_scene_clip(image_path, scene["motion"]) generate_narrator(scene["narrator"], f"05_audio/scene_{scene['scene']}.wav") time.sleep(2) # 避免请求过于频繁 if __name__ == "__main__": main()

视频片段拼接和字幕烧录可以直接用FFmpeg执行。下面是一个通用拼接命令模板：

# 将多个视频片段按顺序拼接 ffmpeg \ -f concat -safe 0 -i filelist.txt \ -c:v libx264 -preset medium -crf 18 \ -pix_fmt yuv420p \ -s 1920x1080 \ -r 30 \ output_main.mp4

filelist.txt格式为：

file '04_clips/scene_01.mp4' file '04_clips/scene_02.mp4' file '04_clips/scene_03.mp4'

如果需要给旁白自动压字幕，可以先通过ASR模型将TTS旁白转成带时间戳的SRT字幕，再用FFmpeg烧录。这样做的好处是字幕时间戳和实际语音严格对齐，不需要手动一条条调。

# 烧录字幕示例 ffmpeg -i output_main.mp4 -vf "subtitles=subtitle.srt" output_final.mp4

接口层跑通之后，后续再创作同类主题的短片，只需要换分镜JSON和提示词，整个管线可以复用。这也是“AI全民制作人”这类创作模式最大的价值：生产工具链沉淀下来后，单条短片的边际成本会越来越低。

10. 资源占用与性能观察

AI短片创作过程中，资源占用最大的环节几乎永远是视频生成。通过任务管理器观察多个阶段的资源变化，可以帮助判断当前瓶颈在哪。

本地GPU生成时重点看三个指标：

• 显存占用：文生图阶段通常低于视频生成阶段；不同分辨率下差异明显。
• 显卡利用率：生成单张图时利用率可能有波动，但如果全程低于50%，大概率是CPU喂图速度不够。
• 总内存占用：如果模型运行库除了显存之外还占用大量内存，说明部分数据被交换到了内存里，速度会受拖累。

观察显存的一个实用方法是在命令行执行：

nvidia-smi -l 2

这样每隔2秒刷新一次GPU信息。批量任务运行期间，可以同时开一个日志文件记录峰值显存：

nvidia-smi --query-gpu=memory.used,utilization.gpu --format=csv -l 2 > logs/gpu_monitor.csv

分辨率、帧数、步数会直接影响生成时间和显存占用。一个通用规律是：分辨率每提升一倍，计算量通常远高于一倍增长；出图抽卡阶段建议先用低分辨率确认构图，最后再对选定画面做高清放大。

如果你想在较低显存的设备上跑本地生成，可以按优先级做这些调整：

• 降低生成分辨率。
• 减少批量大小。
• 清理后台占用显存的无关进程。
• 切换模型量化版本。
• 优先使用本地API代替完整WebUI界面，减少额外开销。

API路线的资源观察有所不同。本地只占CPU和网络带宽，云端耗时取决于服务商的排队情况。此时更值得关注的是单次请求的响应时间：如果一次视频生成请求耗时超过几分钟，应该考虑是否把任务拆成更短片段。

11. 常见问题与排查方法

AI短片创作最容易踩的坑，按出现频率排序如下：

遇到生成结果不稳定时，先别急着怪模型。优先排查三个变量：提示词有没有明确的主体与限制、seed有没有锁定、分辨率有没有在生成过程中发生变化。AI生成不是玄学，大多数失败都能在前置参数里找到原因。

12. 合规与最佳实践

把AI短片项目做完是一回事，把项目发布出去是另一回事。有几个原则建议在开工前就写进项目计划。

AI内容标识是底线。无论发布到哪个平台或提交到哪个影展单元，只要画面主体由AI生成，就应该按照平台规则添加AI生成标识。瞒报只会带来下架和曝光处罚。

素材授权要分三层梳理：

• 画面层：文生图模型生成的画面如果直接使用，确认模型许可允许商用或参赛。
• 音频层：AI生成的背景音乐和TTS旁白，确认版权条款是否允许修改和公开传播。
• 文本层：参考任何公开文章或患者经历时，需要改写并注明出处，涉及个人故事要脱敏或获得授权。

ADHD主题还有一个额外约束：不能为了戏剧化而污名化。短片表达“分心”时可以夸张画面，但旁白措辞应保持非歧视性，不要暗示ADHD患者“不努力”“懒散”。创作“分心不是我的错”最好的状态是让观众看完后说“原来是这样”，而不是“所以呢”。

工程化建议方面，给三条最直接的实践准则：

• 第一次跑流程时所有参数往小里设。先做一个20秒、3个分镜的样片，验证整个管线能跑通，再扩展成长版。
• 为每个确定性产出建立版本记录。分镜JSON、提示词、种子、生成日志都要纳入版本管理，至少保留最近三个版本。
• 成片导出前做一次“裸眼检查”。不看参数、不看脚本，把片子从头到尾播放一遍，记录每一处让你觉得不舒服的画面和声音，然后逐一修复。AI短片最常见的失败不是模型不够强，而是创作者跳过了这一遍人工审片。

13. 总结与下一步

“分心不是我的错”这条片能不能做好，核心不在AI模型选得多贵，而在三个地方：分镜有没有把抽象感受翻译成具体画面、素材有没有用统一的风格参数管住一致性、声音层有没有和画面形成情绪对冲。模板工具永远只是辅助，创作思路才是决定成片上限的因素。

如果你准备沿着这条路线做AI短片，建议第一个小目标不是做出完整作品，而是先跑通“分镜JSON到单条30秒成片”的最小闭环。先把工具链的稳定性确定下来，再用同样的管线去拓展时长、复杂度和主题范围。

下一步可以尝试的方向很多：把这条制作链路封装成自动化脚本，让旁边的人拿着分镜JSON就能产出同风格片段；也可以对ADHD体验做系列化创作，把“分心”“冲动”“时间感扭曲”分别做成独立短片；还可以把工作流记录下来，形成一篇可复用的提示词模板集。工具是开放的，题材是开放的，剩下的就是动手跑一遍。