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

这是一份按"制片人思维"写的AI影像生产手册，不是工具评测稿。核心结论一句话:AI出片不缺工具,缺的是把零碎8秒片段拼成"完整剧集"的体系。本文围绕一个可复制的微剧工作流展开,八集成片实操下来,可以确认下面这几点是关键:第一,先把结局和情绪落点定死,再用逆向工程倒推每一幕;第二,用Nano Banana Pro先把角色定妆照、场景概念图做扎实,再让Veo 3.1做动态镜头,人物不会换脸,场景不会"飘"; 第三,对白镜头能不用Veo原生口播就别全交给它,主要靠ElevenLabs的Speech-to-Speech把音轨换掉,声音稳定度立竿见影;第四,用蒙太奇+旁白把"难拍的部分"压缩掉,8集片子才能在合理的算力开销下走完;第五,剪辑环节是"救场子的最后一关",VSDC、iMovie、DaVinci任选其一,够用就好。 想看完整拆解,往下翻——下面会把每一个环节都拆到能直接照着干的颗粒度。

一、为什么90%的AI视频创作者卡在"片段惊艳、长片散架"

我最早折腾AI视频的时候,跟绝大多数人一样,沉迷于刷新页面看新片段。每打一条提示词就像开盲盒,出来一条赛博朋克街道、出来一条电影感慢镜,自己看着都觉得"我是不是已经能拍片了"。

后来真去做一个完整的网剧,问题立刻就暴露出来。

8秒的单镜头能炸街,8分钟的单集就开始"破功"。前一秒还是A场景,后一秒道具凭空消失;主角第三集突然变了发色;两个人对话不是抢台词就是说着说着开始飙口音;蒙太奇剪起来发现镜头之间风格根本接不上。最尴尬的是,你不知道是哪一环出了问题——是提示词不行?是模型不稳?还是自己没规划?

这个时候我才意识到,单镜头精度和成片完整度根本是两套能力。前者是技术活,后者是导演活。再升一级,是制片活——你得对整部剧的预算、节奏、宣发负责。

这一套思维转变,我把它叫做"AI Show Running",直译过来就是"AI制片总监"思维。它的核心命题不是"我能生成什么",而是"我这部剧此时此刻需要什么"。当你脑子里装着这个问题,工具的选择、提示词的写法、剪辑的取舍都会自然变得有方向。

这篇文章不打算讲"怎么写出炸街的提示词"。市面上这类内容已经堆成山了。我想拆给你看的是:当你决定做一部哪怕只有3分钟的完整故事,从立项到上线,这中间到底有多少坑、多少决策、多少可以提前规划的事。我自己跑完一遍8集网剧后,把整套流程倒推回去,凝练成了下面这套工作流。不敢说完美,但确实是能落地的。

二、AI影像创作者的三种身份进化:从提示词操作工到制片总监

如果你刚接触AI视频,大概率正处在"提示词操作工"阶段。这没什么不好,所有人都得从这一步开始。但停在这一阶段,你做的永远是"片段",不是"作品"。

2.1 第一阶段:提示词操作工

这个阶段你关心的事情很具体:

• 这个画面颜色不够电影感,怎么调?
• 用"shallow depth of field"还是"bokeh"更准?
• 加上"35mm film grain"会不会更好看?

你写提示词、生成、看结果、再调整。整个循环是反应式的——AI给你什么,你看了再决定下一步怎么改。这种工作模式能快速练手感,适合用来熟悉模型脾气。但有个致命缺陷:它没有目的。一百条提示词跑下来,你得到的是一百个孤岛式的视觉作品,彼此之间没关系。

2.2 第二阶段:故事策划者

进化到这一步的标志,是你脑子里开始装"弧线"这个东西。

任何一段哪怕只有60秒的故事,都得有起承转合。主角一开始是什么状态?中间遇到什么事?结束的时候和开头比起来,有什么变化?这种"变化"才是故事的本体。视觉再好看,角色心理没变化,观众看完就忘。

到这一阶段,你写提示词时不再是"我要一个酷的镜头",而是"我需要一个能让观众感受到角色突然警觉的特写"。前者出来的是视觉素材,后者出来的是戏剧素材。区别看似细微,实则巨大。

2.3 第三阶段:制片总监(Show Runner)

到这一层,你考虑的就不只是"这一场戏",而是整部剧的系统。

注意看,这些事都不是"AI能不能搞定"的问题,而是导演自己得想清楚的事。AI只是执行层。

我自己摸索下来的体感是:提示词操作工追求单点画质,故事策划者追求情绪流动,制片总监追求体系自洽。每一级都是建立在上一级之上的,跳不过去。但只有走到第三级,你才有可能做出来一部"剧",而不是一堆视频。

这篇文章后面所有内容,都默认你愿意往制片总监这个方向走。如果你只想出炸街的8秒片段,接下来这些章节对你帮助不会太大。

三、视觉极致 vs 叙事系统:两条赛道的根本分歧

我把现在AI视频圈的玩法粗略分成两条赛道。你迟早要做选择,与其稀里糊涂跟风,不如先看清两条路各自的特点。

3.1 赛道一:堆视觉、卷细节

这条赛道追求的是"逼真到极致"。每一帧都要有电影感,每一个镜头都要禁得起逐帧分析。

代表性的工作方式是:

• 一个镜头反复生成几十遍,选最好的一条
• 提示词写得极尽细致,从镜头焦段到光照色温都给死
• 用Topaz这类工具做后期画质提升、补帧

这条路有它的价值。它能逼着技术往前走,出来的成片用来做品牌大片、广告、概念预告片都很合适。但它有三个绕不开的硬伤:

第一,代价极高。8秒的片段反复生成几十次,Veo 3.1按秒计费的话,单条镜头烧掉的算力不少。一部30分钟的片子按这种打法,预算会迅速失控。

第二,连续性是软肋。每条镜头都是孤立生成的,角色的发型、服装、皮肤色调在不同片段之间会漂移。这不是模型不行,这是这种工作方式本身的盲点。

第三,故事是缺席的。你最后会得到一堆精美的视觉,但它们之间没有人物关系、没有情感弧线、没有解谜或反转。观众看一眼"哇好炫",看两眼"我看的是啥?"

3.2 赛道二:搭结构、搭叙事系统

这条赛道更像传统电视剧那套思路。

• 先把整季的故事弧线画出来
• 用图像生成做角色定妆和场景概念图作为视觉锚
• 单镜头不求完美,但求一致——只要它在整段故事里站得住,8秒里出一丁点小瑕疵观众都不会在意
• 用蒙太奇、配乐、旁白把"难拍的部分"压缩掉,不硬碰硬

这种打法的输出物可能在单帧上比不过赛道一,但它会让观众追着看下去。这才是网剧的本质。

我个人这一年踩下来,走赛道二回报更稳。原因很简单:观众的留存来自人物和故事,不来自单帧画质。一部画面平均水准、但故事吸引人的剧,数据曲线一定比一堆零散的"炸街片段"要好。这一点在我自己的8集试水里得到了验证。

四、动笔之前的"逆向工程":从结局倒推故事的设计法

很多人会下意识地从"开头"开始想故事。第一集怎么开场?主角怎么出场?这种顺序看似自然,其实是最容易让故事跑偏的方向。

更稳的做法是从结局倒推。

4.1 先把情绪落点定死

不管你做的是3分钟短片还是8集剧集,先回答这三个问题:

• 最后一个画面,观众应该带着什么情绪离开?
• 主角在故事开始时是什么状态,结束时变成了什么状态?
• 这部剧想留给观众什么"念想"?

举个虚构例子。假设你想做一部讲"职场新人成长"的微剧。最简单的情绪落点可能是:结尾,主角已经能独当一面,但同时失去了刚入职时的天真。这八个字就是你整部剧的"北极星"。后面所有的设计都得朝这个落点走。

不要小看这一步。我自己第一部试水的时候没做,直接开始写第一集,结果写到第三集就开始"飘"——人物动机不清晰、剧情没目标、加什么戏都行又都没必要。重来一次,先把落点写在白板上,后面写剧本顺多了。

4.2 倒着推每一幕的存在理由

确定落点之后,反过来问:要让主角到达这个终点,她在结尾前一刻必须经历什么?

比如"她必须主动承担一次重大责任,失败但站起来"。那再往前推:要让她敢承担,她必须先经历什么转折?比如"看见她一直信任的前辈也有崩溃的瞬间"。继续往前推……

[结局]主角独当一面但失去天真
        ↑
[第三幕]主动承担重大责任,失败但站起来
        ↑
[第二幕转折]看见前辈也有崩溃瞬间
        ↑
[第二幕]开始质疑职场理想化的滤镜
        ↑
[第一幕转折]遭遇一次明显的不公
        ↑
[第一幕]怀着憧憬入职,理想化滤镜满满

这条线索画出来,每一幕的存在都有"非它不可"的理由。没有这种"必要性",就别加这一幕。这是控制片长、控制算力开销最朴素的办法。

4.3 题材、单集时长、集数:三个绑死的决策

逆向设计完成后,马上要做三个互相影响的决定:

题材定位。是日常喜剧、悬疑、伪纪录片(mockumentary)、奇幻短剧,还是科普类?题材决定了你后面拍什么、不拍什么。比如选了伪纪录片,大量旁白+人物面对镜头说话的戏会成主流,这对Veo 3.1非常友好——它的"说话头"镜头(也就是单人面对镜头说话)做得相当稳。

单集长度。我建议第一次做的人,单集控制在5到8分钟。再短观众进不去戏,再长制作周期会拖死你。

全季集数。这是最容易高估自己的地方。我一开始计划做12集,做到第3集就开始疲惫,第5集左右才发现根本撑不到12集。砍到8集才把这一季做完。莫潇羽@无忆研习社的经验是:第一季宁可少做,也别拖死自己,后面想加是后面的事,做不完才是真的麻烦。

4.4 幕结构:三幕还是四幕

短剧建议三幕:设置、对抗、解决。这个结构通俗易懂,观众不需要预热就能进入。

如果单集时长往10分钟以上走,可以考虑冷开场 + 三幕(也就是片头10-30秒先抛出一个钩子,再回到主线)。这种结构非常适合算法平台,前几秒决定观众停不停留。

[冷开场:0:00-0:30] 留扣子的钩子镜头
[片头:0:30-0:45]  极简片头/标题动画
[第一幕:0:45-2:30] 建立情境、人物、矛盾
[第二幕:2:30-5:30] 升级冲突、加深难题
[第三幕:5:30-7:00] 解决与收尾,留下一集的扣子

把这个表格贴在你工作台上,后面写每一集都按这个时间分布来,你会发现整季都自带统一节奏,这就是算法和观众都喜欢的。

五、用大语言模型把"一句灵感"扩成可拍剧本

定下来逆向设计的框架后,接下来才是真正动手"写"。这一环我强烈推荐用大模型当协作伙伴,不是让它替你写,是让它帮你拆解、补全、试错。

5.1 不要直接让AI写整集剧本

很多人会上来就来一句"写一部职场新人题材的8集网剧",然后看着AI唰唰输出觉得"哇真厉害",然后实际去拍就傻眼——细节不够、人物薄、转折硬。

更聪明的做法是分层喂信息。先给它你的世界观、人物档案、整季弧线,让它在你定的框架里工作,而不是从零创作。

5.2 我自己用的协作模板

下面这个模板,你可以直接拿去用(把方括号内容换成你自己的):

我在做一部AI生成的网剧,以下是已确定的信息:

【题材】[伪纪录片/职场喜剧/奇幻短剧 等]
【目标观众】[年龄段、平台]
【单集长度】[5-8分钟]
【全季集数】[8集]
【单集结构】冷开场 + 三幕
【整季情绪落点】[一句话写完]
【主要角色】
  - 角色A:[年龄、外貌、性格关键词、口音]
  - 角色B:[同上]
【世界规则】[这部剧的设定背景,比如"故事发生在一家位于北方小城的xxx"]

任务:基于以上信息,帮我列出8集每集的核心矛盾,
要求每集都能独立看,但全季看下来能形成完整弧线。
不要写台词,只列每集的核心冲突和情绪落点。

跑完这一轮,你会得到一份全季纲要。看一遍,挑出你觉得最舒服的几集,再让大模型继续展开:

针对【第3集】,帮我把它扩成一个"分场表":
- 每个场景:地点、出场人物、核心动作、时长
- 注意:每场不超过90秒,因为单条Veo视频生成最多8秒,
  超过90秒的场景剪辑工作量太大
- 全集6分钟左右,冷开场约30秒

到这一步,你已经有一份可执行的分场表。这才是真正能指导生成镜头的设计文档。

5.3 从分场表到分镜表

分场只是"这一场要发生什么",分镜是"用什么镜头表现"。Veo 3.1单条最多8秒,所以一场戏要拆成多个镜头,每个镜头都要明确:

• 景别(特写/中景/全景)
• 机位(平拍/俯拍/低角度)
• 镜头运动(静止/推/拉/平移/跟拍)
• 主要动作
• 是否有对白,有则写明
• 持续时间(配合8秒上限)

举个例子:

到了这一步,你拿着这张表去生成,每一条镜头都有非常清晰的目的。这跟随便打提示词,完全是两种状态。

5.4 错别字、错断句的智能修复

如果你的素材一部分来自语音转录(比如把自己平时录的灵感语音转成文字),里面一定会有同音字、断句错误。我的习惯是让大模型先做一轮智能纠错:

下面这段文字是语音转录稿,可能有同音错字和断句错误。
请根据语义把它整理成通顺的中文,但不要改变原意。
[粘贴转录稿]

跑完这一轮,你就有了一份相对干净的素材,可以直接进剧本环节。这一步看似多余,实际上能省后面非常多麻烦。

六、2026年AI影像生产工具矩阵:Veo 3.1 + Nano Banana Pro + Flow + ElevenLabs

这一节我把目前自己在用的工具组合摊开来讲。莫潇羽这里要先说一句:工具不是越多越好,够用就够。下面这套组合是我跑完一季后觉得最顺手的,不是说一定就是最佳。

6.1 视频生成主力:Google Veo 3.1

我目前长片的视频镜头基本都用Veo 3.1出。它2025年10月正式发布,2026年1月又升级了4K上采样和"Ingredients to Video"(参考图带入)功能,真正让长片制作具备了可行性。它有几个特性是过往模型给不了的:

第一,原生音频。早期的AI视频模型出来的都是默片,得另外配音、对口型。Veo 3.1直接把环境音、对白、音效一次性生成出来,口型同步。这对纪录片风格的镜头加成极大——一个角色看着镜头说话,声音、嘴形、表情一次成型。

第二,物理一致性。早期模型最容易翻车的就是物理逻辑——手伸到桌子里,杯子凭空消失,人走着走着穿墙。Veo 3.1在这一块明显改善,虽然不是100%可靠,但出片率高了一大截。

第三,Ingredients to Video。这个功能2026年1月放进Veo 3.1之后,角色一致性总算有了系统化解法。你可以一次上传最多3张参考图(角色定妆照、道具图、场景图),Veo会基于这些图生成视频。同一个角色跨多个镜头,五官基本能稳住。

第四,Scene