小说改 AI 短剧完整流程（2026）：从一本网文到 10 集竖屏成片

把小说做成 AI 短剧，本质是六道工序：解析拆集（把 20 万字切成 40–80 集、每集 1–2 分钟）、设定图（角色全身定妆照 + 场景空景 + 关键道具，作为后续每个镜头的参考图）、分镜脚本（每集拆成 6–10 个 4–15 秒的段，每段写清机位、台词、动作、布光）、逐段生成视频（一段 = 一次视频模型调用）、配音（音色跟角色绑定）、整集合成（段拼成集、加片头片尾）。一站式工具把六步串起来并共享同一份角色库；单点工具（可灵、海螺、即梦等）只做第四步，其余靠人工。

第一步：解析与拆集（决定整部剧的骨架）

解析要产出四样东西：角色表（外貌写到能被图像模型还原的程度：脸型、眉眼、鼻唇、肤色、发型、体型、年龄感，外加一个辨识锚点）、场景表（空间结构、材质、光源位置——不写剧情残留物）、道具表、分集大纲（每集含冲突、情绪高点、结尾钉子）。

拆集口径按短剧节奏：单集 1–2 分钟、有效台词 200–300 字、物理场景不超过 3–4 个。超过 2 分钟完播率断崖式下跌，这是行业数据不是审美偏好。

一站式工具（SceneMixer、LibTV、小云雀等）在这一步用大语言模型自动完成；用单点视频工具则需要自己写这四张表——这也是大多数「用可灵做短剧」教程后半程烂尾的原因。

第二步：设定图是参考图，不是海报

角色定妆照要纯白底、正面全身、中性光；场景图要无人空景、三层纵深、写清光源在哪。原因很直接：参考图里烘进去的光、构图、情绪，会被这个角色/场景的每一个镜头继承，然后跟分镜里逐镜的布光指令打架。

一致性的物理基础就是这两张图：每段视频生成时把角色定妆照与场景空景作为参考图一起送进模型，模型才有「同一个人、同一间屋子」的依据。没有参考图机制的工具，跨集变脸是必然的。

第三步：分镜脚本——段要长、镜要短

一个「段」= 一次视频模型调用，通常 10–15 秒；一段里再切 3–6 个分镜（机位/景别切换点）。段要往 15 秒顶，压的是单个分镜的秒数：段切碎了成本翻倍、上游还更容易忽略段内剪辑；分镜太长则节奏拖沓。

每个分镜写清：景别与机位、画面里有谁（不点名不在画面里的人）、动作（写因果不写结果）、台词与说话人归属、布光（写光源方位与色温，不写「光打亮鼻梁」这类落点）。对白镜的秒数按语速估：中文约 5 字/秒，18 字台词给 4–5 秒，给多了模型会把台词念两遍来填时间。

第四步：逐段生成——模型怎么选

2026 年主流可选：Seedance 2.0（火山）、MiniMax H3、通义万相 3.0、可灵 3、Vidu、PixVerse、Veo/Sora（海外）。对短剧真正重要的不是单条视频「够不够惊艳」，而是三件事：吃不吃参考图（角色一致性）、听不听段内切点（一段里能不能真的剪 3–6 刀）、音画同出的口型归属（谁在画面里谁开口）。

实测经验：竖屏 9:16 优先；720P/768P 档做草片、1080P/2K 档出成片；同一个项目尽量不要混两种模型的段，合成时编码参数不一致会强制重编码。

第五步：配音与音色

两种路线：音色描述（在分镜里写「低沉、语速慢、尾音下撇」，由视频模型音画同出）和参考音频（给每个角色绑定一段 3–8 秒样本）。参考音频更稳定但要注意上游限制：MiniMax H3 单段参考音频总时长 ≤15 秒、最多 3 条。

音色库匹配（从几十个预置音色里按性别/年龄/语言选一个）比逐角色生成音色便宜两个数量级，且不占「音色槽位」类的隐藏计费。

第六步：合成与交付

整集合成 = 段按顺序拼接 + 转场 + 片头片尾字幕。云端拼接（如火山 AMK）30 秒内完成；本地 ffmpeg 重编码在 2 核小机器上会把机器拖死。竖屏剧发布规格：9:16、1080×1920、H.264、≤2 分钟/集。

成本口径：以「一部 10 集剧的总成本」比较，而不是单条视频单价。见 成本拆解。