企业官网建设流程全解析

如果你以为做一条“雪糕看AI小视频”或者“小糖糕唐诗幽默重现江湖”这类AI短视频，只需要把一句提示词扔进文生视频模型，然后坐等成片，那么大概率会在更新到第三条时放弃。

原因很简单：这类栏目看起来是“AI生成”，实际上是一个内容工程。它有固定角色、连续剧情、幽默对白、唐诗文本改编，还要求能稳定更新。真正卡住你的不是某个模型效果不够好，而是几个环节之间没有打通：角色一致性怎么保证、脚本怎么批量产出、配音和图生视频怎么对齐、素材目录怎么管理。这篇文章不想泛泛讨论“AI视频有多厉害”，而是把一套从唐诗选题到成片的完整流水线拆开，给你一条可以照着落地执行的路径。

先给一个判断：像“雪糕看AI小视频”“小糖糕唐诗幽默”这类内容，本质上是“创意 IP + 内容工程”。如果只关注单次生成效果，你会一直困在抽卡里；如果先把流程搭出来，哪怕模型版本更新，你也能快速迁移。读完这篇文章，你能学会：用大模型把一首古诗改写成幽默分镜脚本，用固定角色参考图保证人物形象不漂移，再用图生视频、配音和剪辑工具合成一条完整短视频，并掌握最基本的排错手段。

1. 这篇文章真正要解决的问题

AI短视频最近非常火，但有一个现象很值得注意：大量账号发了几条“惊艳”作品之后就不再更新。原因不是创意枯竭，而是流程跑不通。创作者把太多精力放在“怎么生成一张好看的图”上，忽略了成片需要的是稳定、可复制、可排错的流水线。

“雪糕看AI小视频”“小糖糕唐诗幽默重现江湖”这类内容，表面上是把唐诗和幽默对白结合，实际上对生产流程提出了四个具体要求：

1. 角色是连续 IP。雪糕、小糖糕不能这一集长一个样，下一集又换了发型。角色是观众记住这个栏目的核心。
2. 剧本要可控。古诗不能乱改，尤其是大家耳熟能详的《静夜思》这类作品，既要保留原诗意境，又要制造反差笑点。
3. 单条视频有完整叙事。不能只有画面奇观，还要有“起承转合”，配音、字幕、画面节奏必须对齐。
4. 产量要能支撑更新。如果做一条片子要手工处理十几个文件，那每周更新就是灾难。

所以这篇文章解决的不是“怎么生成一段AI视频”，而是“怎么搭建一条可持续生产AI短片的流水线”。最应该看这篇文章的读者有三类：想认真做AI动画短视频账号的内容创作者；想用AIGC提升内容生产效率的开发者和产品运营；以及需要把“故事创意”转成“代码任务”的技术人。

2. 基础概念与核心原理：不是所有AI视频都是一个玩法

要理解这类项目，先要把几个容易混淆的概念分清。

2.1 文生视频、图生视频与视频驱动

文生视频是“文本直接出视频”。优点是零门槛，缺点是控制力弱。角色容易漂移，动作不稳定，很难做到一个人物从第一秒到最后一直保持同一种形象。

图生视频是把一张图片变成动态视频。这张图可以是角色定妆图，也可以是分镜图。图生视频更适合做角色IP短片，因为你可以先严格控制画面中的角色长什么样，再让模型去动。

视频驱动则是用一段视频素材去影响另一张图的动态，或者让人物图片开口说话。对“小糖糕唐诗幽默”这种以对白推进剧情的短片，口型驱动几乎是必须的。

2.2 角色一致性：这个栏目的生命线

“雪糕看AI小视频”里的雪糕，和“小糖糕唐诗幽默”里的小糖糕，如果形象不稳定，观众就会觉得陌生。角色一致性的常见实现路径有三种：

对新手来说，最快上手的是“固定参考图”。先把雪糕和小糖糕的定妆图各做一张，之后所有画面都在提示词和图片参考中复用这两张图。对进阶玩家，LoRA能解决更多复杂问题，但训练数据要自己做，脏手和脏背景反而会让效果退化。

2.3 为什么不能完全依赖单模型出片

把“唐诗幽默”做成完整视频，中间的步骤至少有六个：选题拆解、脚本生成、角色定妆、分镜画面、配音和视频合成。没有任何一个模型能把六件事一次做到位。

如果强行用文生视频一条龙出片，你会遇到三个常见问题：

• 画面里的文字不可控，可能出现乱码；
• 人物说话内容与文本不一致，口型对不上；
• 镜头一多，同一人物在前后镜头里长相完全不同。

因此，更合理的思路是“分工协作”：大模型负责文本，多模态模型负责画面，TTS负责配音，FFmpeg负责合成。这也是本文后面所有示例的设计基础。

2.4 从唐诗到短视频的核心创作逻辑

为什么“唐诗幽默重现江湖”这类内容能火？因为它把两个原本不搭的东西放进一个场景里：一个是有千年文化底蕴的唐诗，一个是现代人熟悉的吐槽口吻。雪糕可以扮演冷静的“吐槽担当”，小糖糕可以扮演天真的“行动担当”，一收一放，笑点自然出现。

但幽默不能伤害原诗的情感。写脚本时要注意“反差但不下沉”。以《静夜思》为例，原诗的情感是孤独和思乡，改编时可以让小糖糕把月光误当成“要命的加班灯光”，雪糕在旁边吐槽一句“那是月亮，不是甲方需求”。既有现代职场共鸣，又没有把李白写成小丑。

3. 环境准备与前置条件

开始写代码之前，先准备好环境。这里不绑定某一款具体产品，因为AI模型迭代太快，今天流行的工具可能下个月就改了。重点是理解每个环节你需要什么。

3.1 基础运行环境

• 操作系统：Windows 10/11、macOS、Linux 均可。
• Python：建议 3.10 或更高版本，主要用于写脚本调用模型接口。
• FFmpeg：用于视频片段合并、音频合成、字幕烧录。建议 6.x 以上版本。
• 内存：16GB 以上更稳妥，普通 8GB 也可以跑，但不要同时开太多本地模型。

3.2 模型与API服务

为了控制成本，建议采用“混合链路”：

本地方案可以选用 Stable Diffusion WebUI 或 ComfyUI 做图像生成，如果要在本地训练角色 LoRA，建议使用 NVIDIA 显卡，显存 12GB 以上。如果电脑配置不够，直接用云端API按量付费更省心。

3.3 项目目录结构

建议新建一个项目目录，长期更新内容一定要从第一天就把目录规范起来：

tangshi_ai_video/ ├── poems/ # 原始唐诗文本 ├── scripts/ # 生成的分镜脚本 ├── characters/ # 角色定妆图 ├── scenes/ # 分镜图片和视频片段 ├── audio/ # 配音文件 ├── subtitle/ # 字幕文件 └── output/ # 最终成片

这样做的价值在于：后续如果要批量生产，你只需要按目录扫描素材，脚本能自动找到对应文件。

4. 核心流程拆解：从《静夜思》到一条30秒短片

整个拆解过程分为六步。为了讲清楚，本文以《静夜思》为例：

床前明月光，疑是地上霜。举头望明月，低头思故乡。

这首诗画面感强、情绪转折清晰，非常适合做成短剧情。

4.1 第一步：选题与情感拆解

选诗不是看哪首有名，而是看它能不能变成“场景+冲突+反转”。古诗要足够大众，画面感要强，情绪层次要适合改编。《静夜思》好改编，是因为它有三层结构：眼前细节、抬头动作、内心情绪。这三层正好对应短视频的起承转合。

选诗时不宜选太长、太晦涩的作品。短视频时长最好控制在30到60秒，一首绝句、一句名句就够。

4.2 第二步：角色设定

设定两张角色卡，固定下来后不要随意改动。

雪糕：冷静型吐槽角色，说话语速偏快，声音偏少年感。外形可以是高个子、冷色调、戴眼镜的卡通形象。在诗里负责“拆穿幻想”。

小糖糕：天真行动派，声音软萌，语速慢一点，外形偏圆润、暖色调。在诗里负责“认真执行错误理解”。

角色卡不仅服务于画面，还服务于配音。配音演员或TTS音色选择也要对应角色，否则观众会出戏。

4.3 第三步：脚本生成

这一步可以用大模型API完成。你需要把“角色设定、诗歌文本、分镜要求、输出格式”全部写进提示词，而不是只丢一句“帮我写脚本”。

一个可复用的提示词框架如下：

你是短视频编剧，擅长把古典诗歌改编成幽默但尊重原作的AI动画脚本。 角色设定： - 雪糕：冷静吐槽型，音色偏高冷，普通话标准。 - 小糖糕：天真行动派，音色软萌，语气夸张。 请根据以下唐诗生成5至7个镜头。每个镜头必须包含： - scene：画面内容 - shot：景别，如中景、近景、特写 - character：出现角色 - dialog：该镜头台词 - duration：镜头时长，单位秒 - visual_style：画面风格 要求： 1. 保留原诗情感，不得恶搞。 2. 反差幽默来自角色对诗句的错误理解。 3. 结尾收回到诗意本身。 诗歌原文：床前明月光，疑是地上霜。举头望明月，低头思故乡。

这个提示词模板可以存成文件，之后批量换诗歌内容即可。

4.4 第四步：分镜画面生成

根据脚本生成的镜头列表，逐镜生成图片。每一个镜头都要带上角色定妆图作为参考，并且在画面描述中写清楚“保持雪糕的冷色系设计”“保持小糖糕的圆润形象”。

每一个分镜图片不需要一次生成到完美。如果画面崩了，先检查是不是参考图权重设置太低；如果角色身体比例不对，可以在提示词里补充“全身、站姿、正视镜头”等约束。

4.5 第五步：图生视频与口型驱动

把分镜图片放进图生视频模型，让静态画面产生动作。这个环节的重点不是“动作越大越好”，而是“动作是否服务于台词”。一个人说话时，嘴部自然开合、身体轻微晃动就足够；不要每句话都让角色跳起来，那样反而显得诡异。

如果短视频以对白为主，建议先配音，再根据音频时长决定每个镜头的长度，最后生成视频片段。这样可以避免画面长于语音或语音长于画面。

4.6 第六步：配音、字幕与合成

配音建议按镜头逐句生成，而不是一次性合成一整段。逐句配音的好处是：某个镜头的语音不对，只需要重录这一句，不需要重新处理整条音频。

字幕不要直接信任自动识别结果。中文古诗里“明月光”“地上霜”这类词，语音识别很容易错。成片前必须人工校对字幕，否则一个错别字就让专业感大打折扣。

5. 完整示例与代码实现

下面给出三个可直接运行的脚本示例。它们不是某个平台的唯一写法，而是通用的参考框架。API地址、模型名称、参数名都需要根据你实际使用的服务商替换。

5.1 示例一：用大模型生成分镜脚本

# 文件路径：scripts/generate_script.py import os import json from openai import OpenAI client = OpenAI( api_key=os.getenv("LLM_API_KEY"), base_url=os.getenv("LLM_BASE_URL", "https://api.example.com/v1") ) def generate_script(poem_title: str, poem_text: str) -> dict: prompt = f""" 你是短视频编剧，擅长把古典诗歌改编成幽默但尊重原作的AI动画脚本。 角色设定： - 雪糕：冷静吐槽型，音色偏高冷，普通话标准。 - 小糖糕：天真行动派，音色软萌，语气夸张。 请根据以下唐诗生成5至7个镜头。每个镜头必须包含： - scene：画面内容 - shot：景别，如中景、近景、特写 - character：出现角色 - dialog：该镜头台词 - duration：镜头时长，单位秒 - visual_style：画面风格 要求： 1. 保留原诗情感，不得恶搞。 2. 反差幽默来自角色对诗句的错误理解。 3. 结尾收回到诗意本身。 诗歌标题：{poem_title} 诗歌原文：{poem_text} """ resp = client.chat.completions.create( model=os.getenv("LLM_MODEL", "gpt-4o-mini"), messages=[ {"role": "user", "content": prompt} ], response_format={"type": "json_object"}, temperature=0.8 ) return json.loads(resp.choices[0].message.content) if __name__ == "__main__": script = generate_script( poem_title="静夜思", poem_text="床前明月光，疑是地上霜。举头望明月，低头思故乡。" ) os.makedirs("scripts", exist_ok=True) with open("scripts/jingyesi.json", "w", encoding="utf-8") as f: json.dump(script, f, ensure_ascii=False, indent=2) print("脚本已保存到 scripts/jingyesi.json")

这段代码做了三件事：把角色设定写进提示词、要求模型输出JSON、把结果保存到本地文件。保存成JSON后，后面的分镜生成和配音步骤都可以直接读取同一个文件，不再需要手工抄写。

运行前先设置环境变量：

export LLM_API_KEY="你的API密钥" export LLM_BASE_URL="https://api.example.com/v1" export LLM_MODEL="gpt-4o-mini" python scripts/generate_script.py

注意，base_url示例地址不是真实服务。你要换成自己使用的模型服务商提供的地址和密钥。

5.2 示例二：用角色参考图生成分镜图片

不同文生图服务的接口差异很大，有的叫image，有的叫reference_image，有的需要先上传图片拿到图片ID。下面是通用思路的伪代码，重点在“参考图如何参与生成”：

# 文件路径：scripts/generate_image.py import os import base64 import requests api_key = os.getenv("IMAGE_API_KEY") url = os.getenv("IMAGE_API_URL", "https://api.example.com/v1/images/generations") def encode_image_to_base64(path: str) -> str: with open(path, "rb") as f: return base64.b64encode(f.read()).decode("utf-8") def generate_image(prompt: str, reference_image_path: str, out_path: str) -> None: payload = { "prompt": prompt, "size": "1024x576", "n": 1, "response_format": "url", # 下面这个参数是示意，具体名称以服务商文档为准 "reference_image": encode_image_to_base64(reference_image_path), } headers = {"Authorization": f"Bearer {api_key}"} resp = requests.post(url, json=payload, headers=headers, timeout=120) resp.raise_for_status() data = resp.json() image_url = data["data"][0]["url"] image_data = requests.get(image_url, timeout=60).content with open(out_path, "wb") as f: f.write(image_data) print("图片已保存:", out_path) if __name__ == "__main__": generate_image( prompt="雪糕站在窗前，月光洒进房间，表情冷静，夜景古风，动画风格", reference_image_path="characters/snow_stick.png", out_path="scenes/scene001.png" )

这个脚本的核心价值在于“锁定参考图”。如果去掉参考图，每次生成的雪糕都可能换一张脸。实际项目中，图片API的上传方式、大小限制、参考图数量都可能不同，你需要先阅读服务商文档，把参数名和格式替换成真实值。

5.3 示例三：用FFmpeg合成视频、音频和字幕

分镜图片生成后，先用图生视频服务把每张图变成视频片段，再把所有片段合成一条完整的短视频。

# 将分镜图片变成5秒视频片段 ffmpeg -loop 1 -t 5 -i scenes/scene001.png \ -vf "fps=25,format=yuv420p" scene001.mp4 # 生成视频片段列表，文件内容为： # file 'scene001.mp4' # file 'scene002.mp4' # file 'scene003.mp4' ffmpeg -f concat -safe 0 -i list.txt \ -i audio_final.mp3 \ -c:v libx264 -c:a aac -pix_fmt yuv420p \ -shortest output.mp4 # 给视频烧录字幕 ffmpeg -i output.mp4 \ -vf "subtitles=subtitle.srt:force_style='FontSize=20,PrimaryColour=&HFFFFFF'" \ final.mp4

命令解释：

• -loop 1 -t 5：让图片循环播放5秒，适合把静态分镜变量成视频片段。
• -f concat：按列表顺序拼接多个片段。
• -shortest：视频和音频中较短的作为总时长，避免出现黑屏或静音。
• subtitles：把SRT字幕烧录到画面里。

如果你用的是 Windows，字幕文件名路径要小心处理，建议把文件放到当前目录并简化文件名。中文字体问题也需要在系统里配置可用字体，否则烧录时可能不显示。

5.4 批量运行的最小执行顺序

实际生产时可以按顺序执行以下命令：

python scripts/generate_script.py python scripts/generate_image.py # 逐个镜头调图生视频API生成 video_scene001.mp4 # 用TTS逐句生成 audio_scene001.mp3 ... ffmpeg -f concat -safe 0 -i list.txt -i audio_final.mp3 -c:v libx264 -c:a aac -shortest output.mp4

先跑通“一首诗、一个脚本、一张图、一条视频”的最小闭环，再考虑批量。

6. 运行结果与效果验证

运行结果不是只看“有没有视频文件”，而是要看“这条视频能不能发”。

6.1 预期输出文件

跑完上面的命令后，你应该得到：

• scripts/jingyesi.json：结构化的分镜脚本。
• scenes/scene001.png等多张分镜图。
• scene001.mp4等视频片段。
• audio_final.mp3：对白音频。
• subtitle.srt：字幕文件。
• final.mp4：成片。

如果少任何一个文件，不要急着生成下一首唐诗，先检查流程断在哪一步。

6.2 成片验证清单

判断“成功”的标准很简单：如果去掉字幕，只看画面和听声音，观众依然能理解剧情逻辑，并且雪糕和小糖糕看起来是同两个人，这条片子就算基本合格。

7. 常见问题与排查思路

AI短视频生产最烦的不是“效果不好”，而是“不知道哪里出了问题”。下面按现象列出排查方向：

这里要特别提醒：接口超时不是只有网络一个原因，也可能是生成队列太长。建议每调用一次大模型请求之间至少停1到2秒，不要写一个for循环瞬间发几十个请求。

8. 最佳实践与工程建议

8.1 把提示词当成代码管理

角色设定、分镜要求、画面风格都应该沉淀为模板，放进Git仓库管理。每次调整提示词后，记录改动原因。你可以在项目里维护一个prompts.yaml文件：

character_snow_stick: name: 雪糕 appearance: 冷色系、高个子、戴眼镜、动画风格 voice: 少年音、语速偏快 personality: 冷静吐槽 character_sugar_stick: name: 小糖糕 appearance: 暖色系、圆润身材、动作夸张、动画风格 voice: 软萌音、语气夸张 personality: 天真行动 script_rules: poem_emotion: 保留原诗情感，不恶搞 humor_style: 反差来自角色对诗句的错误理解 ending: 结尾收回到诗意

有了固定模板，模型输出的质量会稳定很多。

8.2 先小成本跑通，再规模化

不要一开始就追求高清、长视频、大量镜头。第一条片子控制在30秒左右，5个镜头，分辨率720P都足够。跑通之后再逐步提升画质和时长。如果一上来就同时处理大量素材，遇到问题时你会分不清是脚本问题、图片问题还是剪辑问题。

8.3 角色一致性优先于画面精致度

观众会原谅不够精致的动画，但很难接受“上一秒是这个角色，下一秒变另一个人”。所以所有画面生成步骤，都要围绕同一组定妆图来工作。换模型、换平台时，先重新验证角色一致性，不要只看单张图单独有多好看。

8.4 内容合规与安全边界

制作这类内容一定要注意合规：

• 古诗文本大多属于公共领域，但翻译、白话改编版本要注意版权来源。
• 角色形象最好是原创设计，不要使用真实人物肖像，也不要使用有清晰版权归属的知名动漫角色。
• 内容不要过度低俗，尤其涉及未成年人或校园场景时，要避免不良暗示。
• 发布AI生成内容时，遵守目标平台对“AI生成内容”的标识要求。

8.5 为批量生产留好接口

当一首诗的流程跑通后，批量生产就变成“换文本、跑脚本、扫目录、合成视频”四件事。建议把所有视频片段列表、音频对齐方式都做成配置文件，不要在每个镜头里手写绝对路径。目录结构越规范，自动化越容易。

9. 总结与后续学习方向

这篇文章从“为什么AI短视频账号容易断更”这个问题出发，拆解了“雪糕看AI小视频”“小糖糕唐诗幽默重现江湖”这类内容背后的完整生产链路。核心不是某一个大模型效果多强，而是把“创意 IP + 内容工程”结合成一条可复制的流水线。你学会了用大模型生成分镜脚本，用角色参考图和图生视频保持形象稳定，用FFmpeg完成最终合成，也知道了最常见的排查方向。

下一步建议分两条线走。如果你是内容创作者，先选三首画面感强的唐诗，用最小闭环各做一条30秒的短片，再对比数据效果；如果你是开发者，可以继续研究三个方向：本地部署开源图像生成模型并用LoRA锁定角色，为TTS配音搭建批量缓存机制，把整个流程封装成一个带任务队列的自动化工具。

最后给一个很实际的提醒：不要急着把所有环节都自动化。先手工跑通一条片，确认每个步骤的输出是你可控的，再写脚本去简化它。流程一旦稳定，你就有时间真正打磨剧情和幽默感，而这才是这类栏目能持续更新的关键。建议把文中代码和排查表收藏备用，做第一条片子时按清单逐项核对。