用ai视频生成软件拍了条6集短剧，说几个踩坑点

这阵子我拿ai视频生成软件拍了条6集AI短剧，悬疑向，每集40秒到1分钟。从第一版到能看的前后折腾了快三周，中间崩脸、穿模、提示词写了删删了写，心态崩过不止一次。今天把我觉得最关键的几个点捋一下，给同样在试水的朋友省点时间。

分镜拆法决定后面省不省事

写分镜这步我一开始图快，直接写"主角推门进去，看到桌上有封信，表情震惊"就丢进ai视频生成软件了。结果出来的画面里门往内开、信飘在半空、主角的手穿进桌腿，"表情震惊"更是变成了一个诡异的歪嘴。后来我逼自己每个镜头只写一个动作，加上镜头运动方向和光源位置，出片率直接翻了一倍多。拆得细一点，后面调参和拼接的返工真能少一大半。

我在特种猫社区看到有人分享过类似的拆法，试了一下确实管用。我现在每条分镜固定写五个字段，写完整段复制进提示词框，不用每次重新组织语言。坚持写下来之后，同一条故事线里景别和镜头运动不会前后打架，拼到一起节奏是顺的，不会出现上一秒特写下一秒突然跳到航拍那种断裂感。

• 景别：特写、中景、全景，三选一
• 镜头运动：推、拉、摇、固定，不超过四个字
• 主体动作：一个镜头只写一个动作，别塞"然后"
• 光源：逆光、侧光、顶光，后面跟一个颜色词
• 情绪锚点：紧张、温暖、压迫，只写一个

提示词我改了三版才稳住

第一版我学网上那些模板，"电影级光影、4K、超写实、史诗感、8K细节"全往上堆。大部分ai视频生成软件对这种长串形容词的处理方式是：画面确实漂亮了，但人物动作全崩，因为模型把算力都分给了氛围渲染。第二版我狠心砍掉所有风格词，只留主体加动作加环境加镜头，出片稳定了但画面有点"干"，像产品说明书的配图。

第三版我在环境描述里加了一句带情绪的具体细节，比如不写"夜晚的城市"，而写"雨夜，路灯昏黄，水洼里碎光晃"。就这么一句话，画面突然有了呼吸感，观众能感觉到角色是真的"在"那个环境里。现在我所有提示词都固定成下面这个四段结构，基本不再大改了。

• 主体：谁在做什么，一句话说完，不超过15个字
• 环境：场景加光线，必须带一个情绪词或感官细节
• 镜头：景别加运动方向，控制在8个字以内
• 禁止项：固定写"不要出现文字、不要多余人物、不要变形"

角色一致性是我卡最久的地方

做短剧最要命的问题就是同一角色跨镜头不能变脸。我前两周基本纯靠运气roll，同一集里主角的脸能换三四次，有次连发色都变了，绿了一下又变回黑。后来我发现几个确实有用的办法，但说实话目前这些ai视频生成软件在角色一致性上还是**"多生成加人工筛选"**的路子，没有真正一劳永逸的方案，你得先接受这个前提。

我现在的做法是：每个角色先单独生成一张定妆参考图，之后所有镜头的图生视频都上传同一张；提示词里把五官特征写死，不写"帅气男主"这种模糊词，而是"圆脸、单眼皮、短发碎刘海、左眉尾有一小段缺口"；每生成一条立刻看脸，不对就重roll，别想着后期修。前两周光重roll就花了小两百次，心疼积分但没别的办法。

还有一个隐蔽的坑：如果一集里同一角色出现在正反打两个镜头里，两个镜头的光源方向必须一致。我有一次正面用侧光、背面用了顶光，拼出来就像两个人在对戏。这个细节一开始没注意，后面每条分镜我都把光源写进去了才解决，多花了不少时间但值得。

拼接和节奏上几个小习惯

片段生成完不是直接拖进时间线就完事。我一般把每段生成视频截成2到3秒的短镜头，用硬切拼接，悬疑片转场就用0.3秒黑场，那些溶解、缩放、粒子转场一律不用，太散了。配乐选低频环境音铺底，关键节点才加一记重音，别铺太满，留白比堆料有效得多。

有个坑我踩了两次才记住：不同ai视频生成软件、甚至同一个软件不同模型出来的片段，帧率可能不一样，有的是30fps有的是24fps。混在一起剪的时候肉眼看不太出来，但观众看的时候会觉得某些镜头"顿"了一下。我现在拼接前第一件事就是统一帧率到24fps，悬疑片用24比30更有那种微微的胶片颗粒感。

字幕这块我偷懒了，直接让语音转文字再手动调轴，手打实在来不及。但有个原则我坚持：悬疑片字幕别用花体，白色无衬线、底部居中、单条出现时间控制在1.5秒以内，干净利落比好看重要。观众看悬疑片注意力全在画面上，字幕花里胡哨反而抢戏。

跑顺之后，一集40秒的片子从写脚本到出片大概两到三个小时，比我之前纯手工剪辑省了差不多一倍时间。当然，现在这批ai视频生成软件做不了多人对白、复杂调度的戏，那种还是得老老实实拍。我在特种猫社区发过完整分镜模板和几版提示词对比，有具体操作问题的可以去特种猫社区翻翻。