仿真人短剧磨了两周，踩坑笔记全在这

这阵子想做个仿真人短剧，核心难题就是怎么让AI生成的脸做到"像个人"而不是"像塑料模特"。前两轮跑出来表情全僵、嘴型对不上，第三轮才勉强能看。我把自己折腾的过程写一下，算是如何制作AI仿真人短剧的实操笔记，不吹效果，只讲哪些地方真的卡过、怎么绕过去的。

分镜拆太细反而翻车

如何制作AI仿真人短剧，分镜拆分是最基础也最容易翻车的环节。我一开始照着网上教程，把三十秒镜头拆成七八个分镜，每段写独立提示词。结果生成出来段与段之间全是跳的，人物衣服颜色变了，背景也漂移。后来改成一段里写两到三个连续动作，让模型在一段指令里连贯处理，效果好了很多。具体写法：

• 先写场景锚定句，比如"咖啡馆靠窗位，午后自然光从左侧来，女主穿米色针织衫，头发披肩"
• 动作链用箭头连，"她放下手机→抬头→看向窗外→微微皱眉"，不超过三个动作
• 镜头语言放最后，"中近景，固定机位，浅景深，1.85:1画幅"

有个坑我踩了很久：动作链里塞五个动作，比如"起身→走到窗边→推门→回头→关门"，生成出来后半段人物直接变形，手指变六根那种。三个以内比较稳，多了就拆下一段重新锚定。另外场景锚定句每段都要重复写一遍别省，不然第二段背景就飘了，人物像换了个地方。

提示词改了三版才不太像AI脸

如何制作AI仿真人短剧，提示词里最影响像不像人的不是形容词堆多少，而是你给不给模型"不完美"的指令。第一版我写"beautiful, symmetrical face, perfect skin"，出来标准网红脸，塑料感拉满。第二版加了"slightly asymmetric features, natural skin texture with faint pores"，好一点但还是偏假。

第三版我写"real human face, 28 years old, minor imperfections, natural lighting casting slight shadow on one side of cheek"，这一版才有点活人感。光照描述也要具体到方向，写"bright lighting"出来就是均匀打光，脸平得像证件照。改成"window light from upper left at 45 degrees, warm 4200K tone"之后，脸颊有阴影过渡，立体感立刻不一样。

• 避免：perfect, flawless, symmetrical, 8K 这类词，模型会往过度修饰方向跑
• 推荐：natural, slightly imperfect, real skin texture, visible pores
• 年龄写具体数字（25-35），别写"young"，否则模型容易往20出头靠

生成节奏和剪辑顺序

如何制作AI仿真人短剧，很多人一上来就一条一条生成、生成一条剪一条，效率很低。我现在在特种猫上先批量出所有分镜的静帧，每段出四张，在表格里挑脸最对、表情最自然的那张定稿。确认全部人物一致性没问题了，再批量跑视频。某个分镜脸崩了改提示词重出静帧就行，不用浪费视频额度。

视频生成时长我控制在每段三到五秒，试过写八秒的，后半段人物动作开始鬼畜，尤其手部。五秒以内比较稳。剪辑时段与段之间加0.3秒叠化转场，硬切的话每段光影有细微差异，跳切感很明显。音乐用轻钢琴，BPM 72左右，别太满，不然盖住台词。

说实话视频生成这块是最耗时的，一个三十秒短剧我前后跑了六七版，光等生成就要大半天。赶时间的话可以先用静帧加关键帧动画做个动态分镜确认节奏，没问题了再跑最终视频，能省不少等待时间。

脸的一致性是最头疼的一步

如何制作AI仿真人短剧，最折磨人的不是单镜头像不像，而是同一角色跨镜头脸能不能认出来。我前两轮全翻在这，第一镜圆脸第二镜瓜子脸第三镜直接换人。后来在特种猫社区看了几个老哥分享，核心思路是：先跑一张角色定妆照把五官比例、发型、肤色锁死，之后每个分镜都引用这张图做参考。

具体做法是先跑定妆照，反复跑十几张挑最满意的，后续所有分镜都带这张参考图，提示词写"character reference: [图片], maintain exact facial structure and skin tone"。跨镜头脸至少不会换人。但表情幅度大的镜头还是会走形，大笑或愤怒时下巴会拉长，这种我多生成几张挑，或者用表情幅度小的镜头替代。

还有个细节：角色换衣服时参考图里的衣服会带过去，你得在提示词里明确覆盖"outfit change: replace with black coat"，不然她会穿着针织衫站在雨里。这种小矛盾不处理，观众一眼就能看出不对。

几个小坑我替你踩了

最后说几个零碎的坑。第一，背景里出现文字（招牌、书本封面），AI生成的字基本全是乱码，别试图让它写对。我现在直接后期糊一块，或者提示词里写"blurred background text, out of focus"让它虚掉。第二，多人同框我目前还做不好，两人以上脸就容易互相串，五官特征交叉，这种场景先避免。

第三，口型同步。我试过唇形驱动工具，效果时好时坏，中文里闭唇音"m、b、p"还行，翘舌音"zh、ch、sh"经常对不上。现在的妥协方案是台词多的镜头用侧面或过肩角度少露正脸，观众就不太会盯着嘴型看。不是完美解，但至少能骗过大部分人的注意力。

总体来说，如何制作AI仿真人短剧这条路，现在能做出"能看"的东西，但离"看不出是AI"还有距离。表情幅度、手部细节、多人互动是最明显的短板。如果你也是在家折腾、没有专业灯光，这套流程是目前性价比最高的路径。有问题来特种猫社区聊，那边做仿真人剧的创作者挺多，互相看看参考图比干琢磨强。