AI 竖屏短剧生产流水线：从立项到成片的 12 道工序拆解

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 29 日

AI 做短剧翻车，几乎都不是模型不行，而是工序错了——没锁 brief 就写剧本、没定妆就开拍、一场几十秒硬塞一个长提示词。把流程拆成 12 道有中间产物的工序，质量才可控。

为什么多数 AI 短剧项目死在「流程」而不是「模型」

短剧团队第一次用 AI，常见路径是：写一段故事梗概 → 直接让模型写全集 → 扔给视频模型出片 → 发现人物换脸、道具失忆、集间接不上 → 返工到成本爆炸。

问题不在某个模型够不够强，而在于跳过了剧组本来就有的那些质量控制节点。真人剧组不会没定妆就开机，不会没场记就连拍 80 集，不会让演员每场自己决定穿什么——AI 剧组也不该。

一条可落地的 AI 竖屏短剧流水线，本质是把真人剧组的工序翻译成机器能执行的门禁：每一步都有可看、可改、可回退的中间产物；人在关键节点拍板，机器负责把已确认的方向落到每一集、每一场。

下面按真实生产顺序，拆 12 道工序。

工序 1：创意准入——先打分，再决定要不要引导

不是每个想法都值得直接进剧本。立项阶段先做一次 Intake 完整度评分（0–100），按分数分流：

• ≥80 分：题材、主角、矛盾、走向、集数、平台都清楚，可跳过大部分引导，直达简报
• 40–79 分：只补缺失维度，比如没想清结局方向或爽点节奏
• <40 分：走完整引导，把竖屏短剧必须想清的十个维度问完

这一步的关键是：分数阈值由系统强制分流，不是模型「口头说够了」就放行。类比真人剧组，就是立项会没开完，不许进编剧室。

引导阶段必须问清的十个竖屏维度：题材、主角、核心矛盾、故事走向、集数、单集时长、风格基调、爽点与钩子节奏、结局方向、投放平台与受众。单集时长以竖屏 1–2 分钟为主，最长收敛到 3–4 分钟。

工序 2：创意简报锁版——Brief 不锁，后面全漂

准入通过后，产出一份创意简报（Creative Brief），锁版后才能进入下一阶段。锁版意味着：后面所有环节默认以这份简报为准，跑偏了就对回来。

简报固化字段：

主角字段必须包含人物弧光——主角从什么样变成什么样，这是区别于「流水账打脸」的关键。

工序 3：故事档案建档——不靠记性，靠结构化档案

故事档案是一份贯穿全剧的结构化设定记录，包含人物身份、稳定性格、可变的当前状态（伤痕、身份变化等）、人物关系、每条伏线的 open/resolved 状态、按集出场表、分批剧情纪要、道具视觉描述。它相当于传统编剧室里的 continuity bible。

为什么必须有档案：长剧集写作最大的敌人是上下文失忆——第 20 集忘了第 3 集埋的刀伤，第 50 集让已死角色重新登场。档案机制的做法是写作时只喂档案切片：人物当前状态、未结伏线、近批剧情摘要、本批主线。既防失忆，也防无关噪音干扰。

每批写完自动回填，续写前自动调取。一句话：不靠模型记性，靠结构化档案。

工序 4：分批剧本写作——先 Beat Sheet，再正文

剧本不是一口气闷完的，而是分批写作，每批数集。每批内部有严格顺序：

1. 场戏清单（Beat Sheet）先行：先列本集每场的节拍和集末 cliffhanger，确认结构再写正文
2. 正文写作：按竖屏铁律写
3. 规则质检：过质检器，不合格自动重写
4. 档案回填：本批新出场人物、新埋伏笔、状态变化写回档案

竖屏剧本的四条写作铁律，是被验证过的节奏底线：

• 黄金 3 秒：第 1 场必须强冲突或强悬念，禁止平淡开场与长篇背景介绍
• 单集结构：开场钩子（1 场）→ 矛盾升级 → 集末 cliffhanger（最后 1 场）
• 爽点密度：每集至少 1 次小爽点（打脸 / 反转 / 身份暗示 / 证据到手）；每 3–5 集 1 次大爽点
• 台词：短句为主，单句一般不超过 20 字；禁止论文腔与大段旁白解释

从第 2 批起，先问定四件事——本批剧情方向、重点人物、伏笔与冲突、集末钩子。这些被标记为创作者已确认的硬约束，与档案冲突时以创作意图为准。

工序 5：规则质检——卡住敷衍，才交付

写完的剧本必须过规则质检器，卡住几类典型问题：集标题错误、场景数不匹配、缺【人物】行、对白过少、出现「未完待续」等占位敷衍。

不合格的批次带错误反馈自动重写，而不是把半成品扔给人改。未通过质检的剧本不进入下一环节。这一步的价值是把「格式和硬伤」从人工审读里剥离出来，让人只看故事和节奏。

工序 6：选定画风与角色阵容——定妆前先定美术语言

剧本锁版后，进入美术链路。先选画风：内置 17 套画风手册，覆盖 2D、3D、真人写实等方向（都市写实、古装写实、成熟都市言情动画、九十年代日漫、国风工笔、仙侠古风、3D 国漫、黏土定格、赛博国风等）。

每套画风手册至少包含：人物出图手册（面容锚点、材质、气质、视图一致性）、场景 / 道具手册、视频风格标签。

关键点：选定画风后，人物立绘、场景立绘、道具立绘、视频提示词共用同一风格路径。这直接避免了「人物是日漫、视频变成写实」的断层。

角色确认是硬门禁：阵容齐全、姓名合法、视觉字段完整、主角与简报对齐。不过关不能进入下一阶段。

工序 7：人物 / 场景 / 道具定妆出图——两段式工艺

立绘走两段式工艺：

1. 文本润色：用该画风的人物手册 + 性别硬规则，把档案里的文字描述润色成可出图提示词（可人工覆盖）
2. 图像生成：拼最终提示词出图，支持参考图，落库为可回看的历史版本

几个硬规则值得记住：

• 视频侧只消费状态已完成且文件可读的立绘，不拿半成品去绑参考
• 出图时性别为硬规则，不随模型发挥
• 空镜纪律：场景图严禁出现人物
• 道具按集以「道具师」视角提取剧本原始称呼，全剧合并成 catalog，不丢集

穿越 / 闪回题材有时代造型路由：按场景地点关键词判定现代 / 古代，取人物定妆图时优先匹配对应造型。

工序 8：本集切为约 10 秒场块——剪辑台上的 clip 列表

剧本不会被直接扔给视频模型生成「一整集」，而是自动切成视频场块，目标粒度约 10 秒 / 场，正文软上限约 200 字，超过按动作节拍、空段、句号等规则再拆。

用户看到的不是「第 3 集一个大视频」，而是「第 3 集 → 场 1、场 2、场 3……」，每场有独立提示词、独立参考图、独立成片与历史 takes。这和剪辑台上的 clip 列表是同一个逻辑。

群演 / 泛指角色从可绘制主演名单里剥离，避免挤占定妆槽位。也支持整集重新切分。

需要诚实说明：约 10 秒的场块是工程启发式，不是时间码精剪。超长场会再拆，但仍可能出现偏长的块；精剪与串场成片需要后续剪辑环节。

工序 9：工程化镜头提示词——教模型用分镜表语言说话

每场的提示词不是散文，而是按八大要素组织的镜头指令：精准主体、动作细节、场景环境、光影色调、镜头运镜、视觉风格、画质、约束条件。

复杂度分流：

• 简单场景走一段式
• 复杂影视化场景走三段论（总体设定 → 镜头 1/2/3… → 约束包）

几条硬规范直接决定出片稳定性：

• 一镜一运镜：禁止单镜内推拉摇移叠加
• 用镜头序号，不用绝对秒数（禁止写「0–3s」）
• 强制兜底包：画质、面部稳定、无水印 Logo；多人场景加双胞胎 / 分身兜底；非写实必须风格锚定
• 动作原则：肢体细化 + 程度量化；优先低缓连续动作，减少高爆发动态崩坏
• 符号规范：台词 {}、音效 <>、BGM （）
• 提示词生成时只给本场素材，禁止串戏；本场剧本正文是最高优先级撰写依据
• 生成参数偏保守，取稳定可控而非天马行空

一句话：系统在教模型用分镜表语言说话，而不是写小说。

提示词交付前会剥离特定影视作品 / IP 名称，保留技法与美学描述，降低下游版权拦截风险。

工序 10：绑定参考图——一致性靠资产，不靠运气

这是 AI 短剧最核心的一致性机制。每场自动构建参考素材表，顺序固定：场景图 → 本场道具图 → 人物定妆图。

• 有图才占槽位，无图标明「仅文字」，不强行编造绑定
• 最高优先级约束：有参考图的人物，禁止再用文字描写服装 / 外观；以参考图为准，文字只写动作、表情、伤情

这条规则直接针对 AI 视频的经典翻车：文字描述与参考图打架 → 换装、换脸。

创作者可做的专业控制：

开拍前有齐套校验：生成提示词前检查缺失的场景 / 人物 / 道具参考，弹出清单引导先去绘制。允许跳过走纯文字路径——但这是提醒式的制片助理，不是静默硬生成。

工序 11：多模态出片——默认竖屏，独立队列

输出规格默认 9:16 竖屏（亦支持其它比例），这是默认交付形态，不是事后裁切。时长可选智能时长或固定 5–15 秒；模型档位分标准 / 高速 / 轻量；分辨率按模型白名单（如 480p–4K）；音频默认可生成，水印默认关。

拍摄路径是：打开某集视频工作台 → 确认参考图齐全（或有意跳过）→ 生成视频提示词 → 人工阅读并编辑 → 选模型 / 比例 / 分辨率 / 时长 → 提交出片 → 队列渲染 → 回看历史 takes 择优。

出片时不重新发明提示词：用的是创作者已确认或已编辑的提示词 + 当时锁定的参考图映射。改了词再点生成，才是新的 take——和片场「改分镜说明再拍」一致。

生产级可靠性上，几个机制决定它能不能当生产工具用：成片做 faststart 处理，并以实测时长落库；视频任务走独立队列车道，与剧本写作、立绘任务隔离并发槽位；同一场块进行中禁止并行提交，避免重复扣费与状态混乱；积分预扣与结算，失败自动释放；僵死任务超时回收，失败可感知、可重试。

工序 12：审片、改词、重拍择优——质量终审在人

没有成片自动打分或自动择优重拍引擎。 质量终审在创作者和监制手里，系统提供的是多 take 与改词重拍的工具。

审片时常见的三类返工，对应的改法：

• 人物外观漂 → 检查定妆图是否绑定、提示词里是否又写了服装描写
• 动作崩坏 → 降低动作幅度，把高爆发动态拆成多个低缓连续场块
• 场景串戏 → 检查本场参考素材表是否混入了别场的道具或人物

当前不做跨场自动续写 / 延长视频的产品化工作流，产品单元是「单场多模态参考 → 单段成片」。精剪、串场、配乐、配音仍在后续剪辑环节完成。

诚实边界：这套流水线做不到什么

主动划清边界，比堆形容词更能建立信任：

1. 参考图不是强制门禁。 缺图会提醒，但允许跳过走纯文字路径——质量通常更差，所以专业流程应该先定妆再开拍。
2. 提示词里的参考代号靠规范引导，不做二次硬拼。 创作者审词时仍应确认参考代号齐全。
3. 视频分镜语法以平台内置的镜头规范为准，画风只注入视频风格标签；完整美术手册用在立绘侧。
4. 角色一致性依赖定妆资产链路，不是人脸嵌入校验。 时代造型靠规则选图，最终观感仍取决于立绘质量，以及提示词是否遵守「有图不写外观」。
5. 参考图被识别为疑似真人照片时，会返回明确引导：改用平台绘制链路、不加真人参考图后重绘再拍。

猫斯卡的定位是可规模化生产的 AI 短剧操作系统——把专业流程固化进产品，而不是宣称无需人类、零失误出片。它用工程手段强制执行了短剧工业里已经被验证的质量控制顺序：先故事与连续性，再定妆，再分场，再镜头指令，再多 take 择优。

把重复的、易漂移的、易失控的部分变成可约束的流水线，审美判断仍然坐在人这边。

关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com