AI 影视工业化全链路实战手记：从剧本到成片，独立创作者如何用 AI 跑完一部科幻短片

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

这是一份偏"流水线思维"的 AI 影视实操总结。核心结论先放在前面：AI 影视的差距不是工具差距，是流程差距。把"抽卡"换成"管线"，把"灵光一现"换成"资产库 + 智能体 + 标准提示词模板"，普通人也能用一台电脑跑完一部十分钟级别的科幻短片。文章会沿着 剧本 → 视觉定调 → 资产管线 → 分镜 → 图像编辑 → 视频生成 → 调色 → 声音 → 整片串联 的顺序，把我自己折腾下来的关键节点全部摊开，并附上提示词模板、对比表格和 Mermaid 工作流图。

如果你只想要快速答案——记住三句话：

• 角色一致性靠"三视图 + 智能体"，不靠抽卡。
• 场景质感的胜负在影调，不在模型。
• 视频生成是漏斗模型，多并发 + 严筛，而不是一次成片。

想看完整拆解，往下翻。

一、先把"AI 影视工业化"这件事讲清楚

很多新人一上手就在抖音、B 站、小红书疯狂搜"AI 怎么做大片"，看了一堆教程，回头打开软件还是只会"输入提示词、点生成、看运气"。这套打法可以做一两个小短片，但永远做不出一部连贯的、有调性的、能撑十分钟的作品。差距不在脑子里，差在思维方式上。

1.1 "抽卡"思维和"管线"思维

抽卡思维的特征是：一个画面想到哪里写到哪里、出来满意就用、不满意就重抽，每张图都在重新发明轮子。管线思维不一样，它做的事情是：

1. 先建资产库：把项目里所有会反复用到的元素先确权——主角的脸、机甲的样式、武器的造型、基地的灯光氛围——每一项都生成一组"母版图"。
2. 再做镜头：拍每一个镜头时，把母版图当参考喂进去，让 AI 在"指定主体"基础上演绎动作和氛围，而不是从零联想。
3. 最后做后期：调色、配音、剪辑、节奏，按工业流水线一道道做下来。

这个差别和真人剧组的差别其实一模一样。真人剧组也不是导演当场拍脑袋决定演员长什么样，而是先选角、定服装、试妆、出剧照，把"人"这个变量锁死之后再开机。AI 同理。

1.2 一张工作流总图

为了让全文有个锚点，我先把整套管线画成 Mermaid 图。后面每一节都对应这张图里的一个或几个环节。

flowchart TD
    A[创意种子: 赛道+大纲+对标] --> B[剧本工程化]
    B --> C[视觉定调: 影调+色彩+构图]
    C --> D[资产管线]
    D --> D1[角色资产]
    D --> D2[机甲/怪兽资产]
    D --> D3[道具资产]
    D --> D4[场景资产]
    D1 & D2 & D3 & D4 --> E[分镜叙事: 九宫格/四宫格]
    E --> F[图像编辑: 换脸换装与放大]
    F --> G[视频生成: 图生/文生/首尾帧]
    G --> H[调色与影调统一]
    H --> I[声音设计: 环境+动作+情绪]
    I --> J[整片串联与节奏]
    J --> K[合规过审]
    K --> L[成片]

1.3 为什么"AI 塑料感"挥之不去

不少同学反映：明明用的是同样的模型，自己出来的画面就是有股说不出的塑料味。这件事拆开看，无非三个原因：

• 提示词只描述"是什么"，没描述"怎么拍"。 AI 默认会给你最稳妥、最居中、最商业图库的渲染。要电影感，就要在提示词里把"摄影机"塞进去。
• 没有任何参考图，全部让 AI 联想。 AI 联想出来的东西是它训练集的平均值，平均值就是没记忆点。
• 从来没在画面之间做过统一。色温、对比度、影调、镜头焦距彼此飘忽不定，画面拼起来就会有强烈的"贴片感"。

整套管线的目的，就是把这三个原因一个一个干掉。

1.4 关于我

简单介绍下作者人设。我是莫潇羽，在 无忆研习社（www.wuyi.wiki） 写技术干货已经快两年。这一年下来我自己折腾了三部 AI 短片，最长的一部接近十一分钟，里面有六台机甲、四种怪兽形态、二十几个场景，独立完成全流程。这篇文章不卖课、不带货，只把我踩过的坑和总结出的方法论摊开。能学到多少，看缘分。

二、剧本与世界观：让 AI 给你写出能拍的剧本

剧本是整部片子的源代码。源代码写不好，下游全部翻车。但绝大多数新人在这一步就栽了——要么不写剧本直接开干，要么把脑子里一团乱麻甩给 AI 让它"帮我写个科幻短片"，然后惊讶 AI 给出的东西怎么这么烂。

2.1 创意种子的三件套

我的做法是先把"创意种子"明确成三个独立的小盒子，再让 AI 在盒子里跳舞。

第一个盒子：赛道方向。 一句话定调，比如"史诗级特效 / 末日科幻 / 机甲对怪兽"。不要贪心写"史诗级悬疑爱情科幻动作大片"，AI 不知道往哪靠。

第二个盒子：故事大纲。 三五句话就够了。给出主角、起点、冲突、终点。

第三个盒子：对标作品。 这一步关键到我反复强调——不写参考片，AI 就会给你它训练集里那种"很套路、很 stock"的故事。写了参考片，AI 就会向那个方向靠拢。机甲题材，参考《环太平洋》《独立日》《雷霆再起》就够了，写完往里一塞。

2.2 万能提问公式

很多人写 prompt 是想到哪写到哪，这没法控质量。我用的是一个稳定的"身份 + 任务 + 格式"三段式：

# 身份
你是一位资深的好莱坞类型片编剧，擅长机甲科幻 + 末日动作题材。

# 任务
基于以下创意种子，请帮我写一份 5 分钟短片的剧情大纲：

【赛道方向】机甲对外星生物 / 末日科幻 / 动作高潮
【故事内核】三个不同国家的战士在生活化场景中突然遇到外星人入侵，
            紧急赶往地下机甲存放地点，登上巨型机甲与怪兽展开战斗
【对标作品】《环太平洋》《独立日》《雷霆再起》
【关键限制】节奏紧凑、视觉至上、留有反转和悬念

# 格式
- 第一幕(铺垫,30%) / 第二幕(冲突,50%) / 第三幕(高潮+悬念,20%)
- 每幕包含: 场景描写 + 关键动作 + 一句对白
- 末尾给出三个候选片名

这套结构的好处是 AI 不会乱发挥。我自己改了无数次，每次都能稳定拿到一份能直接用的初稿。

2.3 大纲到剧本的二次生成

只有大纲是不够的，还得继续追问：

• "把这份大纲扩展成一部 5000 字的中短篇小说，重点写画面，不要太多内心戏。"
• "再以这份小说为基础，把第一幕拆成 30 个分镜的拍摄脚本，标注景别、机位、动作和环境氛围。"

这一步把"故事"翻译成"画面"。AI 拆出来的分镜脚本可能不是最优的，但它会逼你看到自己之前没想到的细节——比如开场的居家场景，AI 会建议加一段"主角喝豆浆 / 配菜上桌"的生活化镜头，这种细节人坐着想根本想不到。

2.4 一份"通用编剧智能体"的骨架

如果你用 Gemini 的 Gem 功能，或者豆包、智谱的"智能体"功能，可以把上面那套提问结构固化成一个智能体。我自己的智能体提示词大致长这样：

你是一个名为"导演助理"的智能体，专长是把零散创意快速结构化为可拍摄的剧本。
每次对话开始时，主动询问用户的【赛道】【故事核心】【对标作品】【时长】四件事。
拿到后按以下流程输出:
1. 30 字片名候选 × 3
2. 三幕剧大纲(每幕不少于 200 字,标注关键画面)
3. 主要角色清单(姓名/年龄/国籍/外貌特征/性格关键词)
4. 主要场景清单(位置/时间/氛围/标志元素)
5. 关键道具清单
后续用户每问一句,你都要顺手把对应内容补全到上述清单上,保持一致性。

智能体跑起来之后，整个项目所有跟"剧情/角色/场景"相关的问题都在这一个对话里解决，资料就不会散。这是莫潇羽@无忆研习社 总结出来的一个相当受用的小习惯。

2.5 转写错误的隐患和合规预审

如果你的素材是语音转文字得到的，里面会有大量同音错字（比如"提词"被识别成"题词"、"模特"被识别成"摩托"），这些字眼如果原样喂给 AI，AI 会顺着错的方向理解。检查一遍再用。

另外还有一个隐性步骤——剧本写完之后，自己过一遍合规预审。把剧本里的城市、组织、人物名字过一遍敏感词检查：是否影射特定真实政权、是否出现真实大规模地标的毁灭、是否含有反人类反历史的元素。后续视频生成阶段对这些非常敏感，到那时候才发现就晚了。

2.6 一份"会改稿的智能体"补充模板

剧本第一稿能用，但通常不够好。我自己折腾出的另一个智能体专门用来"改稿"，提示词大致是：

你是一个名为"剧本编辑"的智能体,任务是优化用户提供的剧情大纲。
每次拿到一份草稿,按以下顺序检查并提出修改建议:
1. 节奏: 三幕剧字数比例是否接近 30/50/20?是否有冗长段落?
2. 视觉化: 是否每一幕都有 2~3 个具有"高记忆点"的视觉锚点?
3. 对白: 关键对白是否短而有力?是否避免了说教?
4. 转折: 是否有 1~2 个让观众"咦"一下的反转?
5. 收尾: 是否留有悬念或情绪余味?
对于每一条不达标的地方,提出至少两种修改方向,并说明各自利弊,
让用户自己选择。请不要替用户直接改稿,只提建议。

这个智能体的妙处在于它"不替你做决定"，所以最终的稿子还是你的。我做完整部短片后回头看，剧本反复迭代了大概 8~10 个版本，没有这个改稿智能体我是熬不下来的。

2.7 一个常被忽略的步骤：分幕情绪曲线

写完剧本之后，我会强制自己画一张"情绪曲线"——横轴是时间，纵轴是观众的情绪强度（紧张、好奇、感动、震撼）。把每一幕、每一场戏的情绪打分标在曲线上，看看是否符合"低-高-更高-极高-回落"的常见情绪节奏。

新手最常见的错误是"全片高强度"，一上来就高潮，观众两分钟就疲了。情绪有起有伏，作品才能撑住十分钟。

三、视觉定调：把"AI 塑料感"按死在源头

我反复跟身边朋友讲一句话：电影感的核心不是分辨率，是影调。同一张人脸，电影摄影师拍出来和手机自动模式拍出来是两个东西，差别就在影调。

3.1 电影质感的七个核心维度

在我自己折腾下来，决定一帧画面"像不像电影"的因素大致有这七个：

如果一段提示词把这七个维度都补齐，出来的画面"电影感"就会自然冒出来。

3.2 一段我反复在用的"影调通用提示词"

下面这段我已经用了大半年，几乎适配所有写实风格的画面，建议收藏：

Cinematic still, anamorphic 2.39:1, shot on Arri Alexa, 
35mm film grain, low key lighting, deep contrast, 
moody color grading with teal-orange palette, 
volumetric haze, soft rim light from behind subject, 
shallow depth of field f/1.8, professional color grading, 
high dynamic range, photoreal, no plastic skin, 
strong atmospheric perspective

要换风格的话，把里面的色温词和颗粒词换一下就行。比如做赛博朋克就把 "teal-orange" 换成 "neon magenta and electric blue"；做日式清新就换成 "pastel with soft pink highlights"。

3.3 影调差异对照实验

我特意做过对照——同一张主图、同一段动作描述，加和不加上面那段影调提示词，差别非常直观。莫潇羽建议大家自己也跑一遍这个对照实验，跑过一次你就会理解为什么我说"影调是 AI 影视的命门"。

3.4 项目级"主色调"先定下来

整部短片不应该每个场景一种调子，最起码每一幕应该有自己的色调锚点。我做机甲科幻这部短片时定的主色调矩阵大致是这样的：

• 第一幕（清晨生活场景）：暖橙色 + 微微的青灰阴影，体现"还没崩坏的世界"
• 第二幕（紧急集合 + 出击）：冷蓝 + 暗红警戒灯，紧张感
• 第三幕（高潮战斗）：高反差、爆炸高光 + 残留橘红，混乱感
• 第四幕（悬念结尾）：低饱和、冷青绿色，肃杀感

锚定主色调有个隐藏好处——后期调色的时候你能立刻判断哪些镜头偏了，需要拉回来。

四、角色资产开发：把每一张脸都钉死

整部片子最怕的就是同一个角色每隔几秒换张脸。AI 生图本质是概率分布，你不锁定，它就会漂。锁定的办法有两套：正向工程和反推工程。

4.1 正向工程：用智能体批量生成

正向的思路是，把"美术总监"这个角色让智能体当。莫潇羽给智能体写的提示词大致是：

你是项目的角色美术总监,负责生成所有人物的标准化资产。
每次我提供一个角色卡(姓名/年龄/国籍/职业/性格),
你要输出:
1. 三段不同维度的图像生成提示词(主体描述/服装描述/光影描述)
2. 一份服装清单(细化到材质和颜色)
3. 一份"反差点"清单(让角色不像 stock 模特的 2~3 个独特细节)
4. 推荐使用的图像模型(Nano Banana Pro / 即梦 4.0 / 通义 / MiniMax)
请保证同一角色在不同对话轮次中的描述完全一致。

让智能体先给你方案，你筛一筛、改一改，再批量出图。这一步出图阶段我会一次让模型并发抽 4~5 张，能用就用，不能用就在原图基础上指认修改，避免重新生成——重新生成意味着角色又漂了。

4.2 反推工程：从一张参考图反推提示词

有时候你在某个社交平台上看到一张特别对味的角色图，想做出类似气质的人物，但又不能直接用人家的图。这时候反推就上场了。流程是：

1. 把参考图丢给豆包或通义，让它分析图像，输出"主体描述 / 场景描述 / 风格描述 / 色彩描述 / 构图描述"五段词。
2. 拿到这段反推词，把你自己角色的样貌描述塞进"主体"段，其他段保留。
3. 在 Nano Banana Pro 或即梦上重新生成，得到风格相近但人物不同的图。

这里有个细节：反推的时候别让模型把"服饰"也写得太死，否则你换了角色但衣服还和别人一样。我一般会让反推词分成"留下的"和"要替换的"两栏，方便后续套用。

4.3 服装的精细化合成

把人和衣服分开做，是我最近一年最大的认知升级。先生成一个不穿衣服的"基础人"（穿基础 T 恤就行），然后用 Nano Banana Pro 或类似支持多图参考的模型，把服装参考图和人物图同时喂进去，写一句"将参考图中的服装套用到主体角色上，