AI 竖屏短剧生产全链路拆解：立项、剧本、定妆、分场、出片的工业顺序

猫斯卡编辑部 ｜ 最后更新日期 2026 年 7 月 29 日

AI 短剧做崩，通常不是模型不行，而是跳过了剧组本来就有的顺序：Brief 没锁就写剧本，角色没定妆就开拍，整场一个长提示词硬出。真正能稳定出片的流程，是把这些顺序变成不可跳步的生产链。

先把顺序摆正：AI 短剧不是一个按钮，是一条生产链

很多团队第一次做 AI 竖屏短剧，会把它理解成「给模型一句话，等它吐成片」。结果往往是：前几集人物长得不一样，中间剧情失忆，道具一会儿有一会儿没，最后只能靠人工逐帧救。

问题不在生成能力本身，而在于顺序被打乱了。传统竖屏短剧剧组再小，也有一个默认流程：立项、定人物、写分集、定妆、分场、拍、剪、改。AI 工具如果跳过这些中间节点，直接从想法跳到成片，本质上是把所有不确定性堆到最后一刻。

可工业化的 AI 短剧生产，应该是一条从想法到成片的自动生产链，每一环都有可验收的中间产物：剧本、故事档案、定妆图、场块、镜头提示词、成片。人在关键节点做确认，机器负责把确认过的方向落到每一集、每一场。

第一阶段：创意准入——立项会没开完，不许开拍

真实剧组里，最浪费钱的不是拍坏一条，而是方向没定就开机。AI 生产也是一样。

创意完整度先打分，再决定走哪条路

一个想法刚进来时，完整度差别很大：有的只是「重生复仇」四个字，有的已经有主角、矛盾、结局、投放平台。对这两种情况用同一套引导，要么浪费时间，要么漏掉关键信息。

更稳的做法是先做 Intake 评分：

竖屏短剧的引导维度，和长剧不一样。单集时长通常收敛在 1–2 分钟，最长也只到 3–4 分钟，这意味着每一集都必须开场即冲突，没有篇幅铺背景。

创意简报锁版，是第一道硬门禁

创意简报（Brief）不是给模型看的客套话，而是后续所有环节的硬约束。一份能锁版的简报，至少要包含：

• 一句话故事（logline）
• 核心矛盾
• 故事走向
• 结局方向
• 爽点与钩子节奏
• 投放平台与受众
• 分段分集梗概
• 给编剧的注意事项
• 主角字段，且必须写清人物弧光

这里的关键是：简报没锁版，不能进入下一阶段。这和剧组里「立项会没过不许建组」是同一个逻辑。

第二阶段：剧本生产——先规划，再正文，再质检

竖屏短剧剧本最常见的问题，不是文笔差，而是结构散：开场不抓人、集末没钩子、伏笔写了不收、台词像念论文。

竖屏剧本的四条写作铁律

这些规则不是审美偏好，是被投放数据反复验证过的工业约束：

1. 黄金 3 秒：第 1 场必须强冲突或强悬念，禁止平淡开场，禁止长篇背景介绍。
2. 单集结构：开场钩子（1 场）→ 矛盾升级 → 集末 cliffhanger（最后 1 场）。
3. 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。
4. 台词纪律：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。

光把规则写在提示词里还不够，剧本生产本身要有结构保障。

先出场戏清单，再写正文

每一集先出 Beat Sheet（场戏清单） 和集末 cliffhanger，再展开正文。这样做的好处是：结构问题在清单阶段就能发现，不用等几千字写完才发现这一集根本没钩子。

长篇连载还要解决「上下文失忆」。靠模型自己记住前 50 集发生了什么，是赌博。更可靠的做法是建一份故事档案。

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、稳定性格特征、可变的当前状态（伤痕、身份变化等）、人物关系、伏线的 open/resolved 状态、按集出场表、每批剧情纪要、道具视觉描述。它相当于传统编剧室里的 continuity bible，作用是让第 200 集还记得第 3 集埋了什么。

不靠模型记性，靠结构化档案。

具体机制上：

• 分批写作，每批数集；一批写完、归档确认，再写下一批。
• 每批写完自动回填档案，续写前自动调取档案切片（人物状态、未结伏线、近批摘要、本批主线）。
• 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。这些是「用户已确认的硬约束」，与档案冲突时以创作意图为准。
• 写作进度过半后，强制注入结局约束，避免写到后面收不回来。

规则质检器：不合格的半成品不交付

剧本写完要过规则质检，卡住这些典型问题：集标题错误、场景数不匹配、缺【人物】行、对白过少、用「未完待续」之类占位敷衍。不合格就带错误反馈自动重写。

这一步的意义是：把「明显不能拍的东西」拦在进片场之前，而不是等美术、分镜、视频环节去擦屁股。

第三阶段：美术定妆——一致性靠资产，不靠运气

AI 短剧最被吐槽的问题之一，是角色「每集换一张脸」。根因很简单：每场戏都在用文字重新「想象」这个人长什么样。

解法不是在提示词里堆更多形容词，而是先出定妆资产，拍摄时只引用资产。

先选画风，再出所有视觉资产

系统内置 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）。每套手册都包含人物出图规则、场景/道具规则、视频风格标签。

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条风格路径。这样才能避免「人物是日漫、视频突然变写实」的断层。

角色确认是硬门禁

进入出图前，阵容必须齐：姓名合法、视觉字段完整、主角与简报对齐。不过关不能往下走。

立绘生产分两步：先用该画风的人物手册把档案描述润色成可出图的提示词（这一步人工可以覆盖），再拼最终提示词出图，支持参考图，并把结果落库为可回看的历史版本。性别是硬规则，不随模型发挥。

场景图有一条铁律：空镜纪律——场景图严禁出现人物。否则人物一旦被「印」进场景参考，后续拍摄很容易串出陌生人。

道具则按集以「道具师」视角提取剧本里的原始称呼，全剧合并成 catalog，不丢集。

参考图映射：解决换脸的核心机制

每场戏开拍前，自动构建一张参考素材表，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。

这里有一条最高优先级的约束，值得单独拎出来：

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：文字描述和参考图打架，模型在两套指令之间摇摆，结果就是换装、换脸、首饰凭空出现又消失。

除此之外，参考图链路还支持：

• 手动角色绑定：剧本里叫「警官」，绑到档案里「李强」的定妆。
• 道具手动纳入/排除：控制本场视觉焦点，避免无关道具挤占参考槽位。
• 在同类同名下替换为历史版本中的另一张图。
• 时代造型路由：穿越/闪回题材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。

开拍前还要做齐套校验：缺哪些场景/人物/道具参考，弹出清单先去绘制。允许跳过走纯文字路径——但会明确提醒，质量通常更差，专业流程应该先定妆再开拍。

一致性靠资产，不靠运气。

第四阶段：分场与镜头——把剧本切成可拍的单元

很多 AI 短剧的做法是「一集一个大提示词，一次出 2 分钟」。这相当于让剧组不分镜、不搭景、一个长镜头硬演完，可控性极差。

更稳的做法是切场块。

约 10 秒一个场块：剪辑台上的 clip 列表

剧本自动切成视频场块，目标粒度约 10 秒/场，正文软上限约 200 字，超过就按动作节拍、空段、句号等规则再拆。群演和泛指角色从可绘制主演名单里剥离，避免挤占定妆槽位。

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……」，每场独立提示词、独立参考图、独立成片与历史 takes。

这带来两个好处：

• 某场拍坏了，只重拍那一场，不用整集重来。
• 每场的视觉变量可控，不会让一个提示词同时背负十几个角色、三四个场景。

需要说明的是：约 10 秒是工程启发式，不是时间码精剪。超长场会再拆，但仍可能出现偏长的块；精剪与串场成片仍需要后续剪辑环节。

工程化镜头提示词：教模型用分镜表语言说话

场块切好后，不是把剧本原文丢给视频模型，而是生成结构化的镜头提示词。

镜头提示词包含八大要素：

1. 精准主体
2. 动作细节
3. 场景环境
4. 光影色调
5. 镜头运镜
6. 视觉风格
7. 画质
8. 约束条件

复杂影视化场景走三段论：总体设定 → 镜头 1/2/3… → 约束包。简单场景用一段式。

几条关键纪律：

• 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（不写「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：台词用 {}、音效用 <>、BGM 用 （）。
• 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。

提示词交付前还会做合规清洗：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。参考图被识别为疑似真人照片时，会明确引导改用平台绘制链路、不加真人参考图后重绘再拍。

竖屏是默认交付形态，不是事后裁切

输出规格上，默认 9:16 竖屏（亦支持其它比例）；时长可选智能时长或固定 5–15 秒；模型分标准/高速/轻量档位；分辨率按模型白名单；音频默认可生成，水印默认关。

这一点很重要：竖屏是在拍摄阶段就按竖屏构图出片，不是把横屏素材硬裁成竖屏——后者必然损失构图与信息。

第五阶段：拍摄、重拍、可运营——像剧组一样多 take 择优

拍摄环节的逻辑，应该和真实片场对齐，而不是「点一下按钮祈祷」。

标准拍摄路径

1. 打开某集视频工作台
2. 确认参考图齐全（或有意跳过）
3. 生成视频提示词
4. 人工阅读并编辑
5. 选模型/比例/分辨率/时长
6. 提交出片
7. 队列渲染
8. 回看历史 takes 择优

这条路径上，有几个「导演/美术/制片」级别的可控点：

关键原则：出片时不重新发明提示词。系统用的是用户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」完全一致。

生产级可靠性：这不是玩具脚本

要当生产工具用，仅有生成能力不够，还要有可运营的队列：

• 成片做 faststart 处理，并以实测时长落库，不把厂商回读时长当唯一真相。
• 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。
• 已有厂商任务号时支持续跑轮询，禁止二次创建与二次预扣。

这些机制对观众不可见，但对制片方是生死线：任务丢了、重复扣费、队列堵死，任何一条都能让一个日更团队停摆。

数字专家团：把剧组编制搬进流程

整条链路上，有 18 位数字专家（5 位核心专家 + 13 位视频制作专家），对标真实剧组编制。用户能看到流式工作记录（▸ 角色：动作），像监制看日报，不是黑箱。

核心 5 位负责创意与剧本链路：档案秘书、制片人、编剧、流程监制、场记（工作记录）。

视频制作 13 位负责一键拍摄链路，分四组：

用工种名理解比罗列名字有效得多：比如「道具师会以拍戏视角把这集的道具按剧本原始称呼提出来」，这就是一个具体岗位在做具体的事，而不是抽象的「AI 帮你处理」。

诚实边界：这些事当前做不到

主动讲清边界，比回避更能建立信任。以下是需要明确知道的限制：

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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」。
7. 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」。

猫斯卡没有试图用一次生成替代剧组；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。

高质量短剧从来不是一条长生成硬剪出来的，而是一条条可控单元堆起来的。

如果你正在搭建自己的 AI 短剧生产线，可以看看猫斯卡（https://www.maosika.com）是怎么把这套顺序固化进产品的——它的定位是可规模化生产的 AI 竖屏短剧生产操作系统，而不是「一键出爆款」的玩具。

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