一个人做完一集短剧:我把 AI 产线拆成 6 道工序
- 2026-10-08 09:12:55
QUOTE
你不是缺一个更强的模型，你是缺一条能重复跑通的产线。
我在后台收到最多的一类留言是这样的：
READER
我装了 ComfyUI，也买了显卡，提示词看了几十篇，为什么一集三分钟的片子还是做不出来？
这个问题问得很好，但它问错了方向。
装着几十个 AI 工具的电脑，和能从零到一交出一集成品的产线，中间隔着的不是模型版本，也不是提示词水平，而是一件事：你有没有把这件事拆成工序。
我最近一个人做了一部三集的竖屏短剧，一共 207 个镜头，正片 8 分 50 秒，全部在自己的一台 8GB 显存的机器上跑完。做到第三集的时候我复盘了一遍，发现真正让我从「做不出来」变成「做得完」的，不是换了什么模型，而是我把整件事拆成了 6 道工序，每一道工序只干一件事，干完就能检查。
这篇文章就把这 6 道工序完整摊开。你不需要有显卡，也不需要会写代码，你需要的是看完之后，把手上正在拖的那件活儿，也照着拆一遍。
本文看点
01
六道工序全摊开
02
颗粒度决定返工半径
03
提前避开三个坑
01
CONCLUSION
先说结论：会工具不等于出成品
新手最容易掉进的坑，是把工具当能力。
手里攒了四五个出图工具、三四个视频模型、六七个配音方案，每看到一个「又出新的了」，就赶紧去试。三个月过去，硬盘里躺着一堆精美的单张图和零散的几秒视频，但没有任何一条完整的内容。
我管这个叫素材坟场。它的本质是：你在用工具的丰富度，替代工序的完整性。
出一张好看的图，和做完一集片子，是两种完全不同的能力。前者是单点能力，后者是组织能力。单点能力可以靠试错积累，组织能力只能靠拆解获得。
判断标准很粗暴：如果你现在关掉所有新工具，只用你手上已有的，你能不能在三天内交付一条完整成品？如果能，你已经有产线了；如果不能，你手上的不是产线，是一堆零件。
那产线长什么样？往下看。
— 左边是工具堆出来的素材，右边是工序排出来的成品
02
SETUP
开工之前，先把这三件事定死
很多人一上来就开始写提示词，这是把顺序做反了。开工前有三件事必须先钉死，钉不死，后面每一步都要返工。
竖屏还是横屏，分辨率多少，单条多长，总共几条。我这部片子的规格是：竖版 9:16，视频 480×832，单条约 5.17 秒，三集共 207 条。规格定死之后，后面所有参数都不用再想，直接照着匹配。
这个数字决定了你后面拆镜头拆多细。我给自己定的是两条硬线：单镜时长不超过 5 秒，单镜台词不超过 3 秒。为什么是这两条？因为视频模型对时长越长的镜头，一致性越容易崩；而台词超过 3 秒，嘴型和音画同步就基本靠运气。
也就是「改一个地方要重做多少」。这条最容易被忽略，但它直接决定了你能不能做完。如果你把 207 个镜头当成一个整体来改，那每次修改都是灾难；如果你让每个镜头独立成文件、独立可替换，那改一个就只改一个。
这三件事听起来很笨，但它们能省掉你后面 80% 的无效劳动。
— 规格、上限、返工半径，开工前就得钉死
03
SIX STEPS
六道工序：一道都不能省
好，现在讲核心。整部片子我拆成了 6 道工序，顺序不能乱，每一道都有明确的输入和输出。
— 六道工序串成一条线，每道只干一件事
输入是一段故事文本，输出是一张分镜表。这一步唯一的目标是把时间切成镜头，注意不是「把画面写好」，是「切时间」。我的经验是：先把每一句台词、每一个音效都标出来，然后台词和音效各占一个独立镜头。为什么？因为音效和台词如果挤在一个镜头里，后面配音和画面对齐时会互相拉扯，改一个毁一个。
输入是分镜表，输出是一份角色锚点清单。这一步要干的事，是把主要角色的外形描述、服装、配色、画面里的位置，写成一段固定不变的文字。之后不管画哪个镜头，这段文字原封不动贴进提示词。新手最大的误解是以为「提示词写得越长越好」，其实不是，是同一段描述在每一个镜头里长得一模一样，角色才不会换脸。
输入是分镜表加锚点清单，输出是每一镜的静态图。这一步的关键词是「批量」，不是「精修」。我的做法是先按分镜顺序全部跑一遍，把明显不行的挑出来重跑，而不是一镜一镜磨到完美再往下走。因为你会发现，很多时候某张图你觉得不够好，放到视频里根本看不出来；而有些你觉得完美的图，一动起来就废了。先跑通，再优化。
输入是静态图，输出是短视频片段。这里的核心是一动一静：让镜头动，但让角色尽量别动幅度太大。原因很现实，图生视频对角色大幅度运动、转身、快速位移的处理，目前还远远达不到能用的水准。所以我在拆分镜的时候，会有意识地规避「角色从画面左侧走到右侧」这种镜头，改成「角色停住说话，镜头微微推近」。
输入是视频片段和音频，输出是对齐后的成片段。这条工序最枯燥，但也最省不得。因为前面拆镜拆得细，这一步反而变成了机械活：每一条视频配一条音或一条台词，时长不匹配就删帧或补帧，不用动脑子。
输入是所有成片段，输出是完整一集。这一步要检查三件事：镜头顺序有没有错、音画有没有错位、总时长跟目标差多少。我这部片子最终落在 8 分 50 秒，和一开始的规划误差在 20 秒以内，靠的就是这一步逐段核对。
04
GRANULARITY
拆镜头的颗粒度，决定了返工半径
这 6 道工序里，最容易被低估的是工序一，也就是拆镜。
新手拆镜最容易犯的错是拆得太粗。一个镜头里塞进两句话、三个动作、一次转场，看着「信息密度高」，实际上是给自己埋了三颗雷：时长超了没法压、一致性崩了没法救、改一句台词要重做整段。
我第一版的做法就是粗拆，结果做到第三个镜头就发现：单镜时长普遍超过 8 秒，模型给的结果开始明显劣化。后来我推翻重做了一遍，把镜头数从原计划的 190 个加到了 207 个，看起来工作量变大了，但实际交付速度反而快了一倍多。
原因很简单：细颗粒度不是增加工作，是把不确定性切成小块。
一个 8 秒的镜头，如果第 6 秒崩了，你要重跑整个 8 秒；一个 5 秒的镜头，如果第 3 秒崩了，你只需要重跑这 5 秒。返工半径从 8 秒降到 5 秒，看着只降了 3 秒，但乘上 207 个镜头，就是完全不同的工作量。
190
原计划镜头数
207
实际交付镜头数
— 拆得越细，单次返工的范围越小
05
PITFALLS
我踩过的三个坑，你可以少交一次学费
三个坑按我踩的顺序排，中招概率依次递减。
我一度同时在用四个出图方案，理由是「哪个出得好用哪个」。真实结果是每次出图我都要重新回忆每个工具的脾气，出图效率反而下降。后来我砍到只用一个方案，出图速度立刻上来了。一道工序只留一个工具，这是新手最该先做的减法。
有段时间我执着于「这张图差一点，我再补两句提示词就完美了」。实际上当一张图的方向就不对时，补提示词只是拖延。正确做法是直接重跑，因为重跑的成本远低于反复修补的时间成本。
我一开始的想法是「先随便生成，最后统一剪辑处理」。结果是所有镜头的时间基准都不一样，对齐的时候几乎崩溃。音画一体、拆镜时就定死时长上限，比事后补救省力十倍。
NOTE
这三个坑有一个共同点：它们都不是技术问题，是工序顺序问题。
06
RESULT
效果对照：同一部片子，两次生产的差别
最后说结果。同一部片子，我按两套方式各做了一遍。
改动前：粗拆镜头 + 多工具并行 + 事后对齐。做出一集（大约 60 个镜头）花掉的精力，大概等于我全部的业余时间，而且中间放弃了两次。
改动后：6 道工序 + 单工序单工具 + 拆镜时定死上限。三集 207 个镜头全部跑完，中间只因为规格调整重做过一次，其余都是按工序顺序推进。
区别在哪？不在模型，不在显卡，在我有没有把「做一部片子」这件事，拆成六件可以分别完成、分别检查的小事。
如果你现在手上刚好有一件拖着没做完的活儿，我的建议是：先别急着找更好的工具，把它拆成工序。
— 同一部片子，两种做法得到两种结果
∞
THE END
工具会过时，工序不会
「真正的效率提升，从来不是换一个更聪明的工具，而是把一件事拆到你今天就能动手的那一步。」
本文配图由 AI 生成，仅作结构示意。
