讲 AI 漫剧的文章，大多停在「有哪些工具」。但真正卡住人的从来不是选哪个工具，而是这几件事：角色做到第 3 集换了一张脸、动作一写大画面就糊、配音和口型永远差半拍。
这篇不列工具榜单，只讲一条我们自己出片时跑通的流程：从剧本到成片，五步，每步写清楚要产出什么、最容易翻车的地方在哪。
先看全局：五步流水线
| 步骤 | 这步要产出的东西 | 最容易翻车的地方 |
|---|---|---|
| 1 剧本与分镜 | 分镜表（景别 / 画面 / 台词 / 时长） | 全是中景，成片像配图朗读 |
| 2 角色与场景定妆 | 角色参考图（脸、服装、风格固定） | 换个镜头就换人 |
| 3 图生视频 | 每个镜头的动态片段 | 动作写太大，画面崩 |
| 4 配音与口型 | 台词音轨 + BGM | 音画对不上 |
| 5 剪辑包装 | 成片 | 节奏拖、字幕在手机上看不清 |
顺序别乱。第 2 步是生死线——一致性在这一步定完，后面所有画面都以它为输入。
第 1 步：先把「拍什么」定死（剧本 + 分镜表）
剧本可以交给通用对话模型起稿，但别让它一次性写完整剧本，中段逻辑最容易崩。做法是拆三层：先给设定让它出大纲 → 你确认走向 → 再逐集展开台词。
真正的关键不是剧本，是分镜表。把每集拆成若干镜头，每行写清四件事：景别、画面内容、台词、时长。这一步省下来的时间，后面会加倍还给你。
坑在哪：模型默认会给你一堆"中景、两人对话"，做出来就是配图朗读。解决办法很土但有效——在提示里强制分配景别：每集至少安排一个远景建立场景、若干近景走情绪、一两个特写给细节。
工具上，通用对话模型就够用，可以看 AI 写作分类 里挑顺手的。这一步不要追求"文采"，追求"能拍"。
第 2 步：角色定妆——一致性在这一步定生死
这一步决定观众会不会出戏。
做法：先给每个主角做一组角色设定图——正面、侧面、半身，服装配色固定下来。生成有两条路：
- 要可控：本地跑 ComfyUI 或 Stable Diffusion，固定模型 + LoRA，出图最稳定，也方便后面复现。
- 要省事：即梦 这类中文友好的在线工具，上手快，适合先把流程跑通。
三样必须固定：参考图、风格词、随机种子。任意一样变了，脸就跟着变。
坑在哪：别指望靠"文字描述角色"来保持一致——文字描述每次都会漂移。正确做法是：第 2 步出的图，就是后续所有画面的输入，而不是参考。角色卡建好，这一步才算完。
第 3 步：图生视频——让画面动起来
输入是上一步的角色图 / 场景图，输出是每个镜头的短片段。
工具选择：可灵AI、Vidu、海螺 AI、Runway Gen-4、腾讯混元视频。国内可直连的优先试前几个，省去网络折腾。
写动作的三条经验：
- 一次只写一个动作。"他转身走向窗边"没问题；"他转身走向窗边拿起杯子喝了一口然后回头笑"一定糊。
- 运镜用最基础的词：推、拉、摇、固定。复杂运镜描述，模型基本接不住。
- 幅度宁小勿大。小幅点头、眨眼、手指动作的成功率，远高于大幅跑跳打斗。
坑在哪：一个镜头一次生成不达意是常态，多抽几次比反复改提示词更省时间。但同一镜头抽卡时必须保持参考图和种子不变，否则抽出来的是另一个人。
第 4 步：配音——先有声音，再配画面
顺序很重要：先定音轨，再让画面去迁就音频。反过来做，口型永远对不上。
配音工具：剪映配音、讯飞配音、魔音工坊、Fish Audio、ElevenLabs（英文表现更强）。角色的声线要一集一定，写进角色卡，别临场换。
口型处理分两种：
BGM 可以进 AI 音频分类 找，Suno、Udio 这类生成配乐的工具都在里面。注意商用授权条款，尤其是要发到有收益的平台时。
第 5 步：剪辑包装
剪辑工具：Opus Clip（长片转短视频切片）、Descript（改文稿等于改片，适合口播类）、Kapwing（在线协作剪辑）。
包装三件事：
- 字幕：字号和描边要保证手机竖屏可读，别用默认样式直接导。
- 转场：少即是多，硬切最稳。花哨转场只会暴露素材质量。
- BGM 音量：压到人声之下，这是新手最常犯的错。
坑在哪：别指望在这一步救前面的活。画面垮了就回去重新抽卡，转场和特效遮不住。
五个最常见的翻车点
| 症状 | 根因 | 怎么绕 |
|---|---|---|
| 角色换脸 | 参考图 / 种子不固定 | 全流程固定参考图 + 种子，建角色卡 |
| 画面糊、肢体畸形 | 动作幅度过大 | 拆动作、写小幅 |
| 口型不同步 | 先做画面后配音 | 先音后画 |
| 看着像 PPT | 分镜全是中景 | 分镜表强制分配景别 |
| 成片节奏拖 | 单个镜头太长 | 镜头切短，靠剪辑点推进 |
时间和成本：说点实在的
时间主要花在两处：画面抽卡重试和音画对齐，剧本反而不是大头。
成本取决于生成时长和重试次数。本地部署（ComfyUI + 开源模型）适合量大、要控成本的场景；在线工具适合先跑通流程、验证方向。
别按"一条片子多少钱"估算，按"一个镜头平均要抽几次"估算，心理预期会准很多。
走通之后
下一步是把角色卡、风格词、分镜模板沉淀成你自己的"配方"。第一部最慢，第二部开始会快很多——因为最贵的那部分（角色一致性方案）已经定型了。
提示：各工具的能力、额度与价格迭代很快，本文讲的是流程与判断，具体功能以官方最新说明为准。