从小说到成片：AI 短剧制作全流程（六道工序逐一拆解）

从小说到成片，AI 短剧固定走六道工序：① 解析拆集 ② 参考图 ③ 分镜脚本（每集 6–10 段，每段 4–15 秒）④ 逐段生成视频 ⑤ 配音 ⑥ 整集合成。第四道占总成本八成以上，前三道决定它会不会返工；一集 90 秒的剧机器时间约 30–40 分钟，人工审校另计。

六道工序总览

耗时一列是本刊 2026 年 8–9 月用一站式工具跑 3 集样稿的实测区间，随排队与模型波动，不是厂商数据。六道工序的顺序不能换：参考图依赖角色表，分镜依赖参考图与大纲，生成依赖前三者。

工序一：解析拆集——决定整部剧的骨架

进：小说全文（5–20 万字常见）或已有剧本。出：四张表——角色表（脸型、眉眼、鼻唇、肤色、发型、体型、年龄感，外加一个疤或饰品之类的静态锚点）、场景表（空间结构、材质、光源位置，不带剧情残留）、道具表、分集大纲（每集含冲突、情绪高点、集尾钩子）。

工具：SceneMixer、LibTV、小云雀这类一站式工具会在解析阶段自动产出角色表和分集大纲；也可以拿豆包、通义千问、Kimi 等通用大模型配一份提示词模板手工做，代价是四张表要自己维护、后面每道工序都要手动对齐。

典型失败：① 外貌写成「英俊冷峻」，图像模型无法还原；② 场景描述混进剧情（「桌上有打翻的酒」），空景就带着道具；③ 长篇一次输出预算烧完，前几集详细、后几集变薄甚至 JSON 截断——长篇要分两阶段：先出骨架，再逐集扩写。

耗时：整本 3–5 分钟。这一道最便宜，也最值得反复改：改角色表是免费的，改成片是全价。

工序二：参考图——是参考，不是海报

进：角色表、场景表、用户选的画面风格与画幅。出：每个角色一张白底正面全身定妆照（9:16）、每个场景一张无人空景（跟随成片画幅）、关键道具白底图。

工具：即梦、SeedDream 5.0、Midjourney，以及千问图像。一站式工具通常内置其中一两个，按角色表批量出图。中文形制词（马面裙、盘领袍）在中文母语的图像模型上还原度更高。

典型失败：把参考图当海报做——加了逆光、雾、电影感调色。参考图里烘进去的光会被这个角色和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。正确标准是中性：白底、方向主光、正面、无表情；场景写清三层纵深和光源在哪，不做氛围。

耗时：每张 10–60 秒；一部剧 8–15 个角色、10–20 个场景，批量出图 10–20 分钟。

工序三：分镜脚本——段要长、镜要短

进：本集大纲、本集对应的原文片段、角色与场景表。出：段级脚本。一个「段」= 一次视频模型调用，4–15 秒；一段里再切 3–6 个分镜。每个分镜写清景别与机位、画面里有谁、动作、台词与说话人、布光方位与色温。

工具：一站式工具自动出脚本并允许逐段编辑；用通用大模型也能写，但要按目标视频模型的提示词习惯改写，且每一集都要把角色表、场景表重新喂一遍。模板见分镜脚本模板。

典型失败：① 段切太碎（4 秒一段），调用次数翻倍、上游也更容易忽略段内剪辑；② 写结果不写原因（「光打亮她的鼻梁」成片就是鼻梁上一团黄）；③ 台词秒数给多，模型用复读台词填时间——中文按约 5 字/秒估，18 字给 4 秒；④ 点名「其余人出画」，反而提高乱入概率。

耗时：机器 1–3 分钟/集；人工审校 10–30 分钟/集，是整条流程里最值得花的人工。

工序四：逐段生成——钱和返工都在这里

进：段脚本 + 该段涉及角色的定妆照与脸部裁切 + 场景空景 + 音色。出：一条 4–15 秒的片段，成片档位 1080P/2K，草片档位 720P/768P。

工具：可灵、海螺（MiniMax H3）、通义万相 3.0、Seedance 2.0、Vidu、PixVerse。对短剧重要的不是单条多惊艳，而是三件事：吃不吃参考图、听不听段内切点、口型归属对不对。

表里是上游牌价；平台积分价通常是牌价的 2–3 倍，含毛利与重生成余量，见价格总表。

典型失败：变脸（参考链路断了或参考图带情绪光）、多人同框乱入、口型给了不在画面里的人、内容审核拒绝（血腥、尸体等措辞）。首次可用率通常只有五到七成，每重生成一段就是再付一次。

耗时：每段 3–10 分钟，随排队浮动；一集 8 段并行约 15–20 分钟。

工序五：配音——预置音色比逐角色生成便宜

进：角色表里的音色描述、每段台词。出：两条路线之一——音色描述（写在分镜里，由带原生音频的视频模型音画同出）或参考音频（每个角色绑定一段 3–8 秒样本，生成时一起送入）。

工具：剪映 / CapCut 的文字转语音；MiniMax 的 T2A 接口（speech-2.8-turbo 国际站牌价 $60/百万字符）；ElevenLabs（Free 档每月 1 万 credits 但无商用授权，Starter $6/月起含商用授权，ElevenLabs 官网，2026-09-02 查阅）。一站式工具多数改成从几十个预置音色里按性别、年龄、语言匹配，比逐角色生成音色便宜两个数量级，也不占「音色槽位」类的隐藏计费。

典型失败：音色跨集漂移（每集重新生成而不是绑定同一份样本）；用了免费档的音色做商用；参考音频超过上游限制被静默丢弃。

耗时：分钟级。

工序六：合成与交付

进：按顺序排好的段视频、片头片尾、字幕文件、AI 标识。出：9:16、1080×1920、H.264、单集不超过 2 分钟的成片。

工具：LibTV、SceneMixer 等一站式工具提供一键整集合成；剪映 / CapCut 负责字幕、片头片尾与转场。云端拼接 1 分钟内；本地 ffmpeg 重编码在 2 核小机器上会把机器拖死。

典型失败：① 一集里混了两家模型的段，编码参数不一致被迫全集重编码；② 字幕与台词对不上（分镜改了、字幕没改）；③ 漏加 AI 标识——《人工智能生成合成内容标识办法》2025 年 9 月 1 日起要求显式标识（画面可见）与隐式标识（文件元数据）同时具备（国家网信办，2025-03-14），上传红果、抖音时还要再勾选一次。

耗时：云端 1 分钟内。

一部 10 集剧的账：成本与时间

成本有三种口径，别混用。① 纯牌价：10 集 × 90 秒 = 900 秒，按万相 3.0 720P 每秒 0.6 元是 540 元，按 Seedance 2.0 约 1 元/秒是 900 元，不含重生成；② 媒体口径：虎嗅的「一分钟 60 块」（虎嗅）接近纯牌价，第一财经的「成本千元一分钟」（第一财经）含人工与重生成，区间差一个量级；③ 海外厂商口径：invideo 自称的案例是 10 集、3 人、3 天，约 $1,000/集（invideo，2026-07-24，厂商自称）。前三道工序合计通常不超过几十元，账几乎全在第四道。

时间：机器时间串行约 5–7 小时、并行 2–3 小时；人工审校（分镜每集 10–30 分钟、成片挑段重生成）通常是机器时间的两倍以上。细账见成本拆解。

关键数字与来源

资料来源

• https://finance.sina.com.cn/tech/roll/2026-03-04/doc-inhpvpqk3838479.shtml
• https://www.volcengine.com/docs/82379/2298881
• https://help.aliyun.com/zh/model-studio/wan3-0-video
• https://platform.minimax.io/docs/guides/pricing-paygo
• https://elevenlabs.io/pricing
• https://www.cac.gov.cn/2025-03/14/c_1743654684782215.htm
• https://www.huxiu.com/article/4845532.html
• https://www.yicai.com/news/103084978.html
• https://invideo.io/blog/how-to-make-ai-micro-drama/

本文提到的工具

延伸阅读