去年冬天我把自己关在书房里折腾了将近六周就为了做一部十五分钟的奇幻情感短片名字叫《狐族恋歌》英文名给了两个词Red or White。这片子讲的是狐族少女在两段截然不同的感情走向之间做选择的故事一个像红枫一样炽热一个像初雪一样安静。整部片子从剧本、角色设计、画面生成、配音到剪辑包装几乎全靠一套AI工具链跑下来。做完成片发出去之后后台最多的两个问题一个是这片子到底怎么做的另一个是能不能保证是HE。今天就把整个过程掰开揉碎讲一遍包括我踩过的坑、参数怎么调、哪些环节AI真的能省事、哪些环节必须人工兜底。不管你是想试试AI生成视频的新手还是已经能跑通基础流程、想进一步做出一部完整叙事短片的老手这篇应该都能给你点有用的东西。1. 先想清楚为什么这个题材特别适合用AI来落地很多人一上手就想做科幻大片结果做到一半发现角色脸型根本锁不住场面一大就崩。我一开始也犯过这个毛病。后来反复试下来才明白选题这件事本身就决定了你的AI项目能不能收尾。情感向、童话向的题材场景规模小、人物少、色调统一恰好落在当前AI生成能力最舒服的区间里。1.1 童话治愈系题材的天然优势童话治愈类的故事场景通常就那么几个森林、雪原、小木屋、溪边。画面元素少意味着你需要维持一致性的对象就少。我整部片子主要场景只有四个狐族村落、红枫林、雪原和月下湖畔。每个场景我都提前生成了三到五张基准图后面所有镜头的光照、材质、色彩都往基准图上靠风格漂移的概率直接降了一个档次。反过来说如果你要做赛博都市夜战一个镜头里几十个发光体、复杂反射、雨滴粒子AI每次生成的细节都不一样观众一眼就出戏。所以我给大家的第一个建议是先用小场景、少角色、强色调的故事练手别一上来就挑战高难度。治愈系还有个隐性红利就是观众对不那么写实的画风容忍度极高。手绘感、绘本感、柔光渲染这些恰好是AI最擅长的风格。你让AI画一张逆光下的狐狸耳朵它能给你七八个还不错的版本你让它画一张精确的机械结构剖面图它就开始胡说八道了。1.2 Red or White的叙事骨架是怎么搭的标题里这个红还是白一开始只是我随手起的色卡名后来慢慢长成了整个片子的叙事结构。红色对应炽热的、主动的、甚至有点莽撞的那条线白色对应安静的、克制的、默默守护的那条线。两条线在同一个角色身上拉扯最后收在一个温暖的和解上。这个结构的妙处在于它天然适配AI的批量生产模式。红线和白线可以共用同一批背景素材只需要换光照色温和角色的服装配色。我做了两套色卡红色系偏暖橘、朱砂、焦糖白色系偏奶白、银灰、淡蓝。同一个场景用两套色卡各跑一遍素材量翻倍但工作量只增加了不到四成。为了方便管理我建了一张对照表把每个镜头该用哪套色卡、对应哪条叙事线、情绪基调是什么全部标清楚。这张表后来成了整个项目的总控台剪辑的时候直接照着它拼效率高很多。镜头编号场景色卡叙事线情绪基调S01-03狐族村落红色系红线好奇、初见S02-07红枫林红色系红线心动、升温S03-02雪原白色系白线迟疑、疏离S04-05月下湖畔双色过渡交汇挣扎、抉择S05-01村落黄昏暖白收束释然、治愈2. 角色与世界观让AI记住同一张脸这件事有多难整部片子里最难的部分不是画得好看是画得是同一个人。你只要做过超过十个镜头的AI视频就一定遇到过主角换了张脸的情况。我前两周基本都在跟这个问题死磕试了四五种方案最后摸索出一套还算稳的组合拳。2.1 角色设定卡到底该写哪些内容大部分人写角色描述就是一句银发少女狐狸耳朵穿红裙这样生成的图每次都长得不一样。我的做法是建一张固定格式的设定卡把所有会影响外观的维度全部写死而且顺序固定。因为大部分生成模型对提示词的位置是敏感的你每次换顺序出来的东西就会有偏差。我的设定卡一般包含这些字段种族特征、发色发型、瞳色、面部轮廓、体型、标志性饰品、默认服装、常见表情、年龄感。每个字段都写得尽量具体比如发型不写长发而是写齐腰直发发梢微微外翘刘海遮住左眉。这些细节不是为了好看是为了给模型足够的约束。设定卡定稿之后我把它做成了一个可复用的提示词片段存在文本文件里。每次生成新镜头只需在这个片段的后面追加场景和动作描述。这样角色的核心特征永远排在最前面被后面的内容冲淡的概率就小很多。2.2 三层一致性方案怎么搭配只用文字提示词是锁不住脸的。我最后用的是三层叠加第一层是种子固定。生成角色的第一批基准图时记下每张图的随机种子。后续所有该角色的镜头都从这个种子出发只改场景部分。这一层能解决大概六成的问题。第二层是参考图引导。用角色基准图作为图像参考让模型知道我要的是这个人。这层能再补上两到三成。第三层是后期手动修。剩下的偏差靠后期微调五官位置、肤色、发色。这层最枯燥但最可靠。我一般只在关键特写镜头才动用全景和中景糊过去的成本太高没必要。提示三层方案里第二层的参考图一定要选正脸、表情中性、光照均匀的那张。如果基准图本身是侧脸逆光参考效果会大打折扣。还有个容易忽略的点是服装一致性。狐族的设定里有传统服饰的元素我一开始让AI自由发挥结果每件衣服的纹样都不一样。后来我把服饰纹样单独做成一张图作为强参考才统一起来。如果你做的是现代题材服装反而好办因为现代服装的容错率高很多。2.3 世界观的轻量化处理童话类世界观切忌写得太复杂。我一开始写完设定文档有五页结果发现对实际生成没有任何帮助因为画面里根本表现不出来。后来砍到一页只保留三样东西这个族群的居住环境是什么样、他们的日常活动有哪些、他们对外来者的态度。前两样决定你的场景库第三样决定角色的表情和动作设计。这个减法思路很重要。AI生成是逐帧的你没写进去的东西它不会自己补充你写多了它也表现不出来。所以世界观的作用不是自我满足是给场景和动作提供依据。3. 视觉生成实操提示词结构、风格锁定与批量出图这一节是整篇最干的我尽量把能直接抄的东西都写出来。整个视觉部分我大概生成了一万两千多张图最终用进成片的大概三百张废片率是相当高的你要有心理准备。3.1 提示词的五段式结构我摸索出来一个比较稳的结构分五段主体描述、动作神态、场景环境、镜头语言、风格画质。顺序不要乱换。[主体] 银发狐族少女齐腰直发发梢外翘琥珀色瞳孔左耳有一枚月牙形银饰穿着红色滚边的传统长裙 [动作] 微微侧头看向远处右手轻轻拂过肩上的围巾嘴唇轻抿眼神里带着一点犹豫 [场景] 黄昏的红枫林地面铺满落叶远处有淡淡的雾气天光从树叶缝隙洒下 [镜头] 中景略微仰角浅景深人物位于画面右侧三分之一处 [风格] 手绘绘本质感柔光渲染暖色调颗粒感明显电影级打光这套结构的好处是主体永远在最前面权重最高。动作和场景负责叙事镜头语言负责构图统一风格段负责画质统一。我所有的镜头都是这个模板只是替换中间的内容。有个细节值得说镜头语言那一段我几乎不换。整部片子百分之八十的镜头都是中景和近景少量全景做转场特写留给情绪高点。这种克制让整部片子的视觉节奏非常统一观众不会因为镜头跳来跳去而眩晕。3.2 风格锁定的两个关键动作风格漂移是AI视频最烦人的问题。同一个角色这一张是水彩下一张变成厚涂再下一张成了3D渲染放在一起剪就是灾难。我的解法是两点一是固定风格段文字。风格段我写好之后就再也不改包括那几个关键词的顺序比如手绘绘本质感柔光渲染暖色调颗粒感明显这个顺序我用了整部片子。为什么强调顺序因为模型对提示词前后位置的敏感度不同改顺序就相当于改了权重分配。二是建色彩参考板。我在正式开始批量生成之前先花了两天时间把每条叙事线的色彩基调定下来做成两张拼图。红色系那张全是枫叶、炉火、夕阳、柿子白色系那张全是初雪、月光、白瓷、薄雾。每次生成新镜头我都把对应的拼图放在旁边做视觉校准生成的图跟拼图放在一起看色调不一致就重跑。这两个动作听起来很笨但真的有用。我后面三百张成片的色调统一度靠的就是这两招。3.3 批量出图的取舍标准批量生成的时候最忌讳的是这张有点好看留着吧。我一开始就是这么干的结果素材库乱成一团剪辑的时候根本选不出来。后来我定了一套硬性标准五官必须与设定卡一致不能有明显的脸型漂移光照方向必须与相邻镜头大致吻合构图必须留出人物调度的空间不能顶天立地色彩必须落在对应色卡的容差范围内四条里有一条不满足就重跑不心软。这套标准执行下来我的可用素材从一大堆变成了分类清楚的几百张剪辑效率提升非常明显。提示出图的时候一定要边生成边命名用场景-叙事线-镜头号-序号的格式比如枫林-红-S02-03。我前期偷懒不命名后面命名的时候花了整整一个下午。4. 声音工程配音、配乐与音效的落地经验画面做完了其实只完成了一半。我看过太多AI短片画面很美一开口就出戏。声音这部分的细节我踩的坑也不少单独拎出来讲。4.1 配音与口型对齐配音我的建议是先用AI生成多个候选音色再人工挑出最贴合角色气质的那个然后固定下来。整部片子里每个角色的音色只用一个版本不要中途换。狐族少女的声音我试了七八个最后选了一个偏清亮但带一点沙哑的因为她性格里有倔强的一面。口型对齐很多人是硬做的一帧帧对非常痛苦。我的做法是尽量用侧脸、背面、远景、遮挡来规避正面说话的特写。整部片子里真正需要精确口型的正面镜头只有五六个这几个我用工具做了基础对齐之后人工微调。这里的取舍逻辑是观众其实不太会逐帧检查口型但一定会被僵硬的嘴部动作冒犯。与其做一堆半吊子的对口型不如把镜头调度设计得聪明一点用构图来解决这个问题。4.2 配乐与音效的层次感配乐我用了三段式主旋律、变奏和环境音。主旋律是同一个动机红色线用弦乐铺底、节奏偏快白色线用钢琴单音、留白多两条线在交汇镜头里叠在一起。这个设计让音乐本身参与了叙事观众哪怕闭眼听也能感觉到两条线在拉扯。环境音是最容易被忽略但最能提升质感的部分。风声、落叶摩擦声、脚步声、衣料摩擦声、呼吸声这些东西单独听很不起眼叠上去整部片子的真实感会提升一大截。我的做法是每一类环境音都找三到五个层次从远到近叠上去然后根据画面景别调整各层的音量比例。远景场景把远处环境音推高近景特写把呼吸和衣料声推高。提示音效层的音量一定要预留出对话的空间。我自己第一版混音的时候把环境音量推得太高人物台词直接被盖住返工重混了一整天。5. 分镜与剪辑把素材变成有呼吸感的片子素材齐了不代表片子就成了。我见过太多AI作品单张图拿出来都惊艳连在一起剪出来却很死板像幻灯片。问题出在节奏和镜头调度上。5.1 分镜表该怎么设计才对AI友好传统分镜表很多时候是为了给真人拍摄做参考会写很多运镜描述。但AI生成的运镜能力有限写得太复杂根本实现不了。我的分镜表做了简化只保留四列镜头号、画面内容、时长、入出点动作。时长这一列是重点。我一般把单个镜头控制在两秒半到四秒之间情绪高点会延长到六秒左右。这个节奏是反复试出来的太短显得仓促太长观众会觉得画面卡住了。入出点动作指的是这个镜头怎么开始、怎么结束。比如从人物背影起随她转头转到侧脸出。提前想清楚出入点剪辑的时候转场会顺很多因为你有明确的首尾画面可以对上。5.2 转场和节奏的几个小心机我常用的转场有三种同色系叠化、动作接动作、光影过渡。同色系叠化最安全红色线内部、白色线内部都用这个。动作接动作适合表现连续性比如前一个镜头她抬手后一个镜头手已经落在肩上。光影过渡用来做情绪转折比如从暖光枫林切到冷光雪原中间用一次曝光变化来过渡。整部片子的节奏我做了三次起伏。开头平缓中段红线白线交替加速最后五分钟慢慢收回到平静。这个节奏曲线是我照着听音乐的感觉画的剪辑的时候就照着这个曲线排镜头。你可以理解成把整部片子当成一首歌来剪有主歌、有副歌、有尾奏。注意不要把最好看的镜头全堆在开头。我第一版就是这样前十秒全是高光画面后面越看越平。重剪之后把几个最强的镜头挪到了三分之一和四分之三的位置观感完全不同。6. 常见问题与排查记录这一节我把实际做项目时遇到的问题整理成了速查表方便你对照排查。这些问题我基本都踩过至少一遍。6.1 角色一致性崩坏的排查顺序角色突然换脸排查顺序是这样的先看提示词的主体段有没有被误改再看种子是不是变了然后看参考图有没有换掉最后看是不是场景描述写得太长把主体权重压下去了。这四步能解决九成以上的崩坏问题。现象可能原因处理方式脸型明显变化种子未固定或参考图更换恢复原种子与参考图重新生成五官细节丢失场景描述过长缩短场景段主体段前置发色偏浅或偏深光照描述冲突调整光照关键词避免强逆光服装纹样变化服装描述不够具体补全纹样与配饰细节表情僵硬动作描述过于笼统加入具体面部动作关键词6.2 风格漂移与色调失控风格漂移最典型的表现是同一条叙事线里出现了冷暖明显的跳变。我遇到过红色线的某个镜头突然变成了青调原因是那个镜头的场景描述里我写了夜晚而我的风格段是暖色调两者打架。处理办法很简单要么把场景时间改掉要么在风格段里加一句暖光主导冷色仅用于阴影。还有一种情况是画质风格跳变比如从手绘突然变成照片感。这个通常是风格段被压缩了。我的经验是风格段至少保留五个关键词且每个关键词都要具体不要只写好看这种没有约束力的词。6.3 音画不同步的处理音画不同步一般出现在两个环节一是口型镜头二是动作与音效的配合。口型的排查前面说过了动作音效这部分我的做法是在剪辑软件里先把音效对齐再做画面微调。因为画面可以拉长缩短一点点不容易被发现音效错位则非常刺耳。还有个常见问题是配乐循环点明显一段音乐反复循环会让人很快厌烦。我的处理方式是把同一段主旋律做三到四个变奏版本长度不一交替使用掩盖循环感。6.4 渲染输出与封装最后输出的时候我遇到过画面和音频不同步、色彩空间不匹配、文件体积失控这几类问题。比较稳的做法是分步骤导出先导出无声视频再单独处理音频最后在剪辑软件里合并输出。色彩空间统一用标准的高清电视色域不要混用。码率根据成片长度调整十五分钟的片子我压到大概四到六Mbps就够看清楚细节了。提示输出之前一定完整看一遍成片不要只看片段。我因为偷懒跳过了一次完整预览结果成片在第八分钟有个三秒钟的黑帧没发现重新导出花了不少时间。7. 关于这部片子我个人最想说的几句话整部片子做完我最深的体会是AI把执行这件事的难度降得非常低但判断这件事的难度一点没降。哪个镜头留、哪个镜头删、这段音乐该起还是该收、这个表情够不够这些没有任何工具能替你做。还有一个特别实在的建议就是别追求一次成型。我这部片子从初版到成片一共重剪了四遍每一次都推翻了不少前面的决定。第一遍做完自己看完觉得还行放了三天再看就发现节奏拖沓第二遍删掉了将近三分钟。第三遍把配乐整体重做第四遍调整了结尾的处理方式。所以如果你也打算做类似的东西一开始就给自己留出反复修改的时间别指望一口气做完就完美。至于保证HE这件事我的做法是结尾处理得尽量干净不给观众留下模糊的解读空间。最后那个镜头是一个暖光下的静止画面留了六秒没有任何台词和音乐只有风声。这个处理方式其实是我试过好几个版本之后才定下来的比加一段旁白要舒服得多。