← cd ../archive
一个人做一支 AI 短片：从剧本到配乐的完整工作流
大模型写剧本，图像模型定画面，视频模型做镜头，音乐模型写配乐，语音模型配旁白——把国产工具串起来，一个人也能完成一支一分钟的短片。
MASK 0xFD
视频生成音乐生成图像生成大模型语音数字人提示词合规版权
AI 生成内容本文由 AI 辅助生成，内容依据公开资料整理，仅供学习交流；平台功能与价格变化较快，请以官方最新信息为准。
全流程一览
| 步骤 | 做什么 | 可用工具 |
|---|---|---|
| 1. 剧本与分镜 | 把一句创意扩写成分镜表 | DeepSeek、千问、豆包、Kimi |
| 2. 定妆与场景 | 生成角色定妆照和场景图 | 即梦（Seedream）、千问、通义万相 |
| 3. 首帧 | 为每个镜头生成首帧（必要时加尾帧） | 同上 |
| 4. 镜头 | 图生视频 / 首尾帧 / 多参考生成 | 即梦（Seedance）、可灵、海螺、Vidu、万相 |
| 5. 配乐 | 生成与情绪匹配的背景音乐 | 海绵音乐、Mureka、MiniMax Music |
| 6. 旁白 | 生成旁白或台词配音 | MiniMax Speech、豆包语音、Qwen3-TTS |
| 7. 剪辑与标识 | 拼接、调色、字幕、加 AI 标识 | 剪映等剪辑软件 |
下面以一支约 1 分钟的竖屏短片《深夜便利店》为例。
1. 剧本与分镜
给大模型的指令：
你是短视频编剧。请为 1 分钟竖屏短片写分镜，主题：深夜便利店的夜班店员和一只流浪猫。
要求：
- 6 个镜头，每个 8～10 秒
- 每个镜头写：景别 / 画面内容 / 人物动作 / 光线 / 运镜（只用一种）/ 声音
- 再写一段 20 秒左右的旁白文案，以及一句配乐风格描述拿到结果后，人工改一遍：删掉模型容易做砸的复杂动作（多人打斗、复杂手部动作），合并重复的镜头。
2～3. 定妆、场景与首帧
- 店员和猫各做一组定妆照（正面、侧面、全身），纯色背景；
- 便利店内景、门外街景各做一张场景图；
- 以定妆照 + 场景图为参考，为 6 个镜头分别生成首帧，统一 9:16。
这一步多花时间是值得的，详见《先图后视频：用国产图像模型做好首帧和分镜》。
4. 生成镜头
- 每个镜头用首帧做图生视频，提示词只写运动，不重复描述画面；
- 先用短时长、低分辨率试，满意后再出正式版本；
- 如果模型支持音画同出，可以把环境音写进提示词（如
<冰柜的嗡嗡声>），台词和旁白建议后期单独配，方便修改。
每个镜头生成 3～5 个候选，挑最好的一个。挑选比重新生成更省钱。
5. 配乐
把分镜里的配乐描述整理成风格提示，例如：
Lo-fi，温暖治愈，电钢琴与轻柔的鼓刷，黑胶底噪，慢速，深夜独处的氛围，纯音乐。配乐时长略长于成片，方便剪辑时找合适的段落。纯音乐不需要歌词；如果想要一首主题曲，可以参考《AI 写歌：结构标签与风格描述》。
6. 旁白
- 优先使用平台预置音色，或复刻你自己的声音；
- 旁白文案按句拆开合成，便于在剪辑时对齐画面；
- 不要使用他人声音，除非取得本人书面授权（见《AI 配音与声音复刻：国产工具和授权红线》）。
7. 剪辑与发布
- 镜头之间用简单的切换即可，过多转场特效反而显得廉价；
- 统一调色，弥补不同镜头之间的色差；
- 加字幕；
- 片头加上“AI 生成”标识，发布时使用平台的 AI 内容声明功能。
时间和成本的大致参考
一支 1 分钟、6 个镜头的短片，熟练之后的时间分配大致是：剧本与分镜约占两成，图像约占三成，视频生成与挑选约占三成，配乐、旁白与剪辑约占两成。
真正的瓶颈往往不是生成速度，而是前期想清楚要什么。分镜越具体，后面返工越少。
参考来源
AI 生成内容信息整理截至 2026-10-30。本文由 AI 辅助生成，内容依据公开资料整理，仅供学习交流；平台功能与价格变化较快，请以官方最新信息为准。