仿真人短剧做了七集，几个坑替你们踩了
上个月接了个活儿，六集仿真人短剧，每集两分钟，甲方要求全程AI生成、不出真人演员。我本来觉得就是写提示词跑几遍的事，结果第一集光口型对齐就废了四五版，表情还老是「假笑」。花了三周才把流程跑通，今天把如何制作AI仿真人短剧的实操细节捋一捋，少走点弯路。
怎么把分镜拆顺
先说分镜。很多新手（包括之前的我）上来就把整段台词丢给模型跑一镜到底，两分钟的戏一口气生成，结果人物到后半段表情开始漂移，背景也慢慢「融化」。我的做法是把每集拆成8到12个镜头，每个镜头控制在3到5秒，这样如何制作AI仿真人短剧时单镜的生成稳定性会高很多。
具体拆的时候我按「场景转换、视线方向变化、台词情绪节点」三条线来切。比如第三集有一场对手戏，A在办公桌前说话时给A中景，B在沙发上的反应切B近景，情绪转折那个点再给一个过肩镜头。我在特种猫社区里翻到一个老哥分享的分镜模板，把镜头时长和景别比例调了一下就能直接套。
- 单镜时长压到 3–5 秒，实测超过 6 秒后半段表情一致性明显下滑
- 同一场景内所有镜头共享一张角色定妆图做参考，避免脸型逐帧微变
- 每个镜头提示词必须单独写完整，背景光线描述要重复，别用「同上」省字
提示词改到第四版才稳
第一版提示词我写得跟写小说似的，「一个穿着灰色西装的中年男人站在办公室落地窗前，阳光从左边洒进来，他微微皱眉，眼神中带着犹豫和不甘」——跑出来的脸每次都不一样，光线方向也随机。后来试了几次才意识到，模型对长句子的注意力会衰减，越靠后的描述越容易被忽略，你写了八十个字的背景它可能只记住前二十个。
改到第四版，我把结构固定成**「主体、动作、表情、镜头、光线」五段式**，每段压到15个字以内，中间逗号隔开。这样如何制作AI仿真人短剧时，同角色跨镜头的一致性能到八九成，不用反复抽卡。之前一镜要跑五六遍，现在两遍基本就能用。
- 主体：中年男性，短发，灰色西装（别堆形容词）
- 动作：左手撑窗台，身体微侧15度
- 表情：眉头微蹙，嘴角下压，视线偏左
- 镜头：中近景，平视，浅景深 f/2.8
- 光线：左侧45度暖光，背景虚化偏冷
口型和表情是最容易崩的
说个最崩溃的事。第三集有个角色要念一句30字的台词，情绪是压着火的愤怒，我跑了十几遍，口型基本对得上，但表情全程是那种「礼貌微笑」，跟台词内容完全拧着来。折腾了半天才搞明白，多数生成模型默认表情权重偏低，你不显式把表情幅度拉上去，它就给你走「安全牌」。
我现在的解法是分两步走：先跑一版无台词的纯表情参考片段，把表情幅度参数拉到0.7到0.8定住强度，再拿它当reference跑带口型的正式版。做如何制作AI仿真人短剧的人应该都碰到过，口型和表情得分开调。我用的生成平台是特种猫，口型模块对中文声母适配还行，「zh」「j」开头的字不会糊成一团。
- 表情幅度：日常对话0.4–0.5，情绪爆发0.7–0.8，别超0.9（会面部扭曲）
- 中文语速控制在每秒3.5到4个字，太快会吞音
- 单句超过20字就拆两镜，剪接点藏在角色换气处
剪片节奏别省那十分钟
四十多个镜头拖进时间线，最大的问题不是画质，是节奏。AI生成的每段都「很完整」，自带起承转合，拼在一起就像PPT翻页，没有主次。我花了一下午把40个镜头砍到28个，原则是：纯反应、无台词、不推剧情的镜头全删，只留「有信息增量」的。砍完之后节奏立刻不一样了，观众不会觉得你在展示每个角度。
转场有个容易忽略的细节：AI生成的镜头首尾帧通常有2到3帧的呼吸感微抖，硬切会很跳。我现在每个镜头头尾各裁2帧，再加1帧交叉溶解，肉眼看不出来但过渡顺很多。音乐也别铺满，两分钟一集的量，对话段留白，情绪爆点再进鼓点。如何制作AI仿真人短剧的后期质感，差就差在这种细节上。
- 每镜头尾各裁2帧，加1帧cross dissolve
- 背景音乐：对话段-12dB以下做垫底，情绪点拉回-6dB
- 全片28个镜头，平均单镜4.2秒，别超过5秒
说句实话，这套流程跑通之前我差点不干了，六集的体量真不是闹着玩的。但分镜拆法和提示词结构一旦固定，后面每集产出时间能压到两天以内。如果你也想入这行，去特种猫社区翻翻别人发的分镜稿和提示词对比，比我一个人闷头试快得多。如何制作AI仿真人短剧这事儿，说白了就是拆得够细、写得够短、后期够狠，没什么玄学。