打开一个空白文件夹，里面只有一句话：“一个外卖员在暴雨夜收到一份匿名订单，送到后发现收件人竟是自己。”这就是我这次拍摄 AI 短剧的全部起点。

最近“AI 短剧”这个词确实很火，但从一句话剧本到能看的成品，中间隔着多少坑，只有实际跑过一遍才知道。我这次的目标很明确：全程不上云、不花钱、不调用付费 API，一台常规显卡的电脑，把所有环节全部跑通。实测下来的结论是，完全可行，而且整个流程拆开后，每一步都比想象中要简单。

这篇就把我完整实操一遍的过程记录下来：从这句话怎么扩展成剧本，到画面怎么生成、声音怎么配、字幕怎么做、最后怎么剪成一条能发的 9:16 竖屏短剧，全部包含可复现的具体步骤、工具选型、参数设置，以及我踩过的坑。

1. 项目整体思路与方案选型

1.1 为什么坚持本地零成本方案

先说结论：本地零成本做 AI 短剧，不是为了省钱而省钱，而是为了“可反复调试”这四个字。

云端的 AI 视频生成工具，比如那些在线平台，一次生成要等很久，还要消耗点数或会员额度，试错成本极高。你让 AI 生成一个 5 秒的镜头，不满意，再生成一次，那就是双倍成本。而本地方案不一样，显卡就是你的“生产线”，跑一次失败了无非是重启一下工作流，改改参数再来，没有任何心理负担。对于创作来说，这种反复试错的权利，比速度重要得多。

另外还有一层考虑：短剧的核心是叙事节奏。你需要在剪辑台上反复看素材、调整镜头顺序，甚至补拍某些空镜。如果每次补素材都要走一遍云端付费流程，创作会变得非常束手束脚。本地方案把创作拆成了模块，随时可以回头补任意环节，整个流程是自由的。

配置方面，我用的显卡是 12GB 显存，也就是市面上一块中端的主力卡。如果显存只有 8GB，部分重模型需要降分辨率或减少帧数，后面会单独说明。内存 32GB，系统盘留了至少 50GB 空间——模型文件其实很占地方，这是很多人容易忽略的。

1.2 全链路工具矩阵与工作流拆解

我最终跑通的完整工具链，每一环都选的是开源免费或系统自带方案，选型逻辑一起放在这里：

环节	工具选型	选型理由
剧本扩展	Ollama + Qwen2.5-7B-Instruct	本地部署、免费、中文能力强，一张 12GB 卡跑 7B 量化毫无压力
分镜画面	ComfyUI + SD1.5/SDXL 模型 + 人物 LoRA	开源生态成熟，节点式工作流适合批处理，可控性远超在线工具
图生视频/补动作	ComfyUI 自带 AnimateDiff 节点，或独立部署 LTX-Video	把静态图变成动态镜头，免费且可控制镜头幅度
配音	ChatTTS 开源版 / Edge-TTS	ChatTTS 口语自然，Edge-TTS 免费稳定且支持中文多音色
字幕	Faster-Whisper 本地模型	本地识别，不用上传音频，隐私和安全都有保障
剪辑合成	FFmpeg + 剪映免费版	FFmpeg 做批处理和转码，剪映做精剪和音效叠加

为什么不用市面上那些打包好的“AI 短剧全流程工具”？这类工具确实省事，但存在两个问题：一是模板感太重，所有作品看来都一个味道；二是底层封装得很死，你无法介入中间环节，想调某个镜头的光线风格、换个画风，根本无从下手。手工搭链路，表面上多花点时间，实际上是给自己留出了大量微调空间，这也是真正作品感和批量模板之间的分水岭。

2. 剧本生成与分镜拆解

2.1 用本地大模型把一句话扩展成完整剧本

这一步是整个项目的基础，也是最容易被低估的一环。很多教程上来就教你算关键词去生图，但剧本结构没立住，后面所有素材都会变成一盘散沙。

我先在本地部署 Ollama，拉取模型：

ollama pull qwen2.5:7b-instruct-q4_K_M
ollama run qwen2.5:7b-instruct-q4_K_M

然后把我的“一句话剧本”作为种子输入，配合下面的提示词模板进行扩展：

我的一句话剧本是："一个外卖员在暴雨夜收到一份匿名订单，送到后发现收件人竟是自己。"

请基于这句话，扩展为一个适合 AI 短剧的完整叙事脚本，要求：
1. 时长控制在 1 分半到 2 分钟，总共 12 到 15 个分镜；
2. 要有明确的起承转合，结尾要有一个情绪爆发点或反转；
3. 每个分镜需包含：镜头描述（景别、画面内容、光线氛围）、角色状态、台词（如有）、预计时长；
4. 台词要精炼，符合短视频语境，不要书面化；
5. 输出格式：Markdown 表格。

这一步的要点在于把要求压缩得非常具体。本地模型不像人，你说“写个短剧”，它只会给你一段四平八稳的流水账。你必须把时长、分镜数、格式、台词风格全部框定，出来的东西才接近可用状态。

Qwen2.5-7B 在这个任务上的表现超出预期，它给了一个完整的外卖员故事：暴雨夜接到订单、路上遇到电动车故障、爬楼送餐、敲门发现开门的是前女友。等等，这个方向已经偏离了“收件人竟是自己”的核心设定。我重新跑了一次，在提示词里强调“反转点必须严格围绕收件人是自己”，同时要求“不要引入额外人物关系”。第二次的结果就对了：外卖员送餐到一座废旧楼，敲门无人应答，低头看订单发现地址是自己身份证上的老家地址、收件人姓名不是他现在的名字，而是一个被遗忘多年的曾用名，门缝下塞进来一个盒子，打开是一张自己十岁那年拍的照片。这个反转就立住了。

2.2 分镜表设计：给 AI“翻译”出可执行的画面语言

剧本文本出来后，不能直接拿去生图。AI 能听懂的是“画面描述”，不是“剧情描述”。这一步相当于把文学语言翻译成视觉语言。

以刚才那个故事为例，我抽取其中一个分镜：

• 原剧本描述：外卖员站在昏暗的楼道里，疑惑地看着订单。
• 翻译后的画面提示词：A young Chinese delivery man in a rain-soaked uniform stands in a dim, narrow apartment corridor, staring at a food delivery order in his hand, puzzled expression, wet hair, fluorescent ceiling light flickering, dust particles in the air, shot from a low angle, cinematic composition, film grain.

为什么不能直接用中文提示词？从实际测试看，SD1.5 和 SDXL 的主流基础模型在英文提示词上的理解力明显强于中文。中文提示词经常会出现“文字乱码”和“元素丢失”的问题，改用英文描述后画面质量会显著提升。不需要你英文多好，把场景名词、人物状态、光线、景别、镜头角度列出来，翻译成简单的英文词组，效果就足够好了。

这一步还涉及一个关键决策：要不要加 LoRA 保持角色一致性？小成本短剧最容易翻车的地方就是“主角每换一个镜头就换一张脸”。解决方案有两个。一是训练一个专属角色 LoRA，准备 20 张同一人物的多角度照片，用 kohya_ss 训练，显存够的话整个训练控制在 30 分钟左右。二是最省事的方法：用 SD 的随机种子锁定法，第一张图定好种子和关键词，后续所有镜头都在这个基础上调整背景词和动作词，保持种子不变。实测下来，方法二在分镜数量少于 20 个时足够用，人物五官能保持八成相似度，画面还有自然的光影变化。如果后面做更长的剧，再考虑上 LoRA。

分镜表我最终做成这样，每一行就是后面生图的“图纸”：

镜号	景别/时长	画面提示词（英文）	台词/旁白	备注
01	全景/6s	Delivery man riding electric bike in heavy rain, city night, neon reflections, cinematic	旁白：雨这么大，按理说没人会点外卖。	建立环境
02	特写/4s	Hand holding smartphone showing delivery order, raindrops on screen, blurred city lights	无	引入订单悬念
03	中景/5s	Delivery man stopping in front of old residential building, looking up, rain pouring	无	气氛转压抑

为什么每个镜头要标注时长？因为 AI 生视频是按秒计费的——不是钱，是生成时间和算力。分镜表里的时长就是视频生成的帧数依据，5 秒的镜头在 24fps 下需要生成 120 帧，这是个不小的计算量。提前定好时长，避免生成多余素材，能省下大量时间。

2.3 节奏设计与爆点埋设

短剧的节奏和电影完全不同。我的经验是：每 3 秒就要有一个信息点，要么是画面变化，要么是台词推进，要么是环境音突变，绝不能连续 5 秒都是同一构图。

在设计分镜时，我把整条片子的“心率曲线”画了出来：平静开头（雨夜空镜）— 悬念推进（订单特写）— 小紧张（车坏了）— 诡异氛围（旧楼道）— 反转爆点（照片特写）— 余韵（黑屏字幕）。爆点不是靠多大声的音效，而是靠“前面所有安静画面的铺垫”。AI 生成画面天然偏平，节奏感就要靠剪辑和镜头时长去补。

这个阶段还有一个容易踩的坑：AI 剧本生成器经常会写出一堆“上帝视角”的解说词，比如“他万万没想到”，这类词极度破坏沉浸感，全部要删掉。短剧的逻辑是：用画面让人“看到”没想到，而不是用旁白“告诉”观众没想到。

3. 画面生成：从静态分镜到动态镜头

3.1 ComfyUI 部署与文生图参数调优

画面是整个短剧的制作大头，也是唯一比较吃显存的地方。先用 ComfyUI 搭底图生成工作流。

安装建议直接用整合包，把 ComfyUI 源码、Python 环境和依赖一次配好，省去环境折腾的时间。启动后用官方的 text2image 基础工作流做测试。我用的底模是 SDXL 的写实类模型（如 RealVisXL），它在人物面部、皮肤质感和光影上的表现比 SD1.5 强很多，适合短剧这种需要“电影感”的场景。

关键参数先给一组实测过的基线：

• 分辨率：竖屏 832x1216，这是 SDXL 原生支持的比例，直接出 9:16 的构图
• 采样步数：25 到 30 步
• 采样器：DPM++ 2M Karras
• CFG：4 到 6，这组写实模型不适合大 CFG，容易过曝
• 种子：第一帧定好，后续全部固定

这组参数出图质量稳定，不会出现常见的“塑料感”。但每张图生成后都要审视一下人物手指、面部五官有没有崩坏——SDXL 底模在复杂动作下依然会翻车。翻车了别急着重新生成，先尝试用局部重绘（inpaint）修复，只改变坏掉的手或脸，保留画面其他部分，这样能维持整段视频里环境的连续性。

3.2 图生视频：让静态图“活”起来

底图准备好之后，就是要让画面动起来。这里我有两个方案给你对比。

方案一：ComfyUI 里直接接 AnimateDiff 节点。AnimateDiff 的优势是跟 ComfyUI 集成度高，加载运动模块后，把底图作为首帧输入，设置好帧数和运动强度就能出视频。具体参数上，我实测 Motion Scale 调到 0.6 到 0.8 之间画面会比较自然——太低会觉得镜头在“抽搐”，太高画面就会变形扭曲。

方案二：用 LTX-Video 这类轻量级图生视频模型，专门做小幅度运镜和动作补全。LTX 生成速度快、显存占用小，适合做短剧里大量存在的“人物说话”“雨滴下落”这类细节动态，但它不能无中生有地做出大幅度运动。短剧的叙事主要靠剪辑节奏，不是靠长镜头调度，所以这个限制完全够用。

我的实际组合方法是：环境空镜（下雨、街道）用 AnimateDiff 做“镜头缓慢推进”的效果，人物局部动作（看手机、推门、伸手）用 LTX-Video 做短暂动态。这样算力消耗可以接受，人物动作也更可控。

视频参数实测值：

参数	数值	说明
帧率	24fps	电影感标准帧率，不推荐 30fps，动态模糊少
单镜头长度	3~5s	长镜头容易崩且生成极慢
步数	20	AnimateDiff 不需要高步数
视频分辨率	768x1344	比图片低一档，保证生成速度
运动强度	0.6~0.8	太高会扭曲变形

这里给 8GB 显存的朋友提个醒：分辨率可以降到 576x1024，帧数控制在 40 帧以内，AnimateDiff 依然能正常跑，只是画面细腻度会略降。渲染时间会明显变长，建议用“先出小图草稿，再放大精渲”的策略——先用低分辨率跑一遍动作是否符合预期，调好运动参数后再用高清修复跑最终版本，能帮你省下大量无效渲染时间。

3.3 人物一致性的实操控制

这块是 AI 短剧最容易暴露短板的地方，单独拿出来讲。

我建议优先级从高到低：同种子微调 > 角色 LoRA > 后期重绘修复。同种子微调的意思，就是主提示词里的主体描述需要完全一致，包括脸型、发型、服装、颜色，只要改动一个词，人物就变了一个人。所以我第一张图一旦确定了主角的外形描述，就把它“冻结”在一个固定的提示词片段里，之后所有镜头都复制这个片段。

如果人物还是偶尔会变，就用后期修复。ComfyUI 里的 InstantID 或 IPAdapter 节点可以锁住人物面部特征，把第一帧人物的面部照片作为参考图，后续镜头生成时都让它参考这张脸。IPAdapter 的权重我建议设置在 0.7 到 0.9 之间，太高会导致表情僵硬。

如果你打算认真长期做 AI 短剧，开局前花 30 分钟训练一个专属角色 LoRA 绝对划算。你只需要准备同一个角色的 20 到 30 张高分辨率图片，训练出来的模型可以反复使用，每次生成的镜头人物一致性极高，这是目前本地能做的最优解。

3.4 一组镜头的完整生成工作流示例

这里放下我实际执行的 Colab 式流程，你在本地按顺序操作即可：

1. 在 ComfyUI 里加载 text2image 工作流，输入第一个分镜的画面提示词，粘贴固定的人物描述片段，设置参数为 3.1 里的基线值
2. 生成第一帧底图，检查构图和人物，不理想就修改提示词重新生成
3. 第一帧定稿后，锁定种子，清空背景词，只保留人物描述片段，再生成几个不同构图的版本，作为后续镜头的备选
4. 对选好的底图，用 AnimateDiff 或 LTX-Video 生成动态视频，逐镜渲染
5. 导出所有片段，统一命名规则（镜头号_版本.mp4），方便剪辑时查找

这个流程你跑完一次之后，后面所有镜头就是流水线操作了。真正花时间的往往是第一帧的调试，后面会越来越快。

4. 声音设计与字幕生成

4.1 对白配音：ChatTTS 与 Edge-TTS 的取舍

画面全部渲染完之后，声音是让作品“活”起来的第二层。短剧可以没有特效，但绝不能没有像样的对白和音效。

我先说配音的两个免费方案。

ChatTTS 是一个开源语音合成项目，它的优势是生成的自然度非常高，重音、停顿、语气词都处理得很好，适合给角色配一些带情绪的台词。用 ChatTTS 跑一句对白，大概的调用逻辑是这样的：

import ChatTTS
import torchaudio

chat = ChatTTS.Chat()
chat.load(compile=False)

texts = ["雨这么大，按理说没人会点外卖。"]
params = ChatTTS.Chat.InferCodeParams(
    prompt="[oral_2][laugh_0][break_6]",
)
wavs = chat.infer(texts, params=params)
torchaudio.save("output.wav", torch.from_numpy(wavs[0]), 24000)

注意 prompt 里有个 [break_6] 控制停顿时长，数字越大停顿越长，用好了能让台词更自然。

Edge-TTS 不是本地推理，它调用了微软的在线服务，但是免费且无使用门槛。它生成的语音稳定性比 ChatTTS 更好，不会出现偶发的音频爆音或语调怪异问题，特别适合旁白。而且它支持直接输出 mp3：

edge-tts --voice zh-CN-YunxiNeural --text "雨这么大，按理说没人会点外卖。" --write-media output.mp3

我的建议是：旁白用 Edge-TTS，角色对白用 ChatTTS。旁白需要稳定、清晰，Edge-TTS 恰好满足；角色对白需要情绪，ChatTTS 的底噪和语气变化反而增加了真实感。

如果剧情需要高度定制的角色声音，还可以考虑 GPT-SoVITS 这个开源项目，用几十秒的目标人声样本做微调，能克隆出特定音色。注意，只可以用自己的声音或已获授权的样本，避免声音侵权。

4.2 音效与背景音乐的选择

短剧的临场感很大程度上靠音效撑起来。雨声、脚步声、开门声这些环境音如果全用视频自带的音轨，大概率是干瘪的——AI 生成的视频本身没有现场收音能力。

我的做法是先从免费音效库找素材，把环境音单独铺一层。比如雨夜场景，就找一段雷雨声的循环音频，音量压到背景级别，不要盖过对白。脚步声这类点状音效要用“重音同步”的方法，对准视频里人物的步伐节奏，一帧都不要差，差一帧就明显不同步。

背景音乐的选择要格外小心版权。推荐几个免费可商用音乐平台：YouTube Audio Library、Free Music Archive、Pixabay Music。选 BGM 的原则是：不要选旋律太抢耳的，短剧的对白和旁白才是主角，音乐只是情绪的底色。音量设置在 -18dB 到 -22dB 左右，这个区间能保证声音有层次又不会压过人声。

4.3 用 Faster-Whisper 本地生成字幕文件

字幕环节同样可以完全本地化。我用 Faster-Whisper 做语音识别，不仅是因为免费，更重要的是音频不用上传到第三方服务器，对创作内容的隐私保护更到位。

操作方式：

pip install faster-whisper

然后跑一段脚本把配音和旁白合成后的音轨文件转成字幕：

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cuda", compute_type="int8")
segments, info = model.transcribe("final_audio.m4a", language="zh")

with open("output.srt", "w", encoding="utf-8") as f:
    for i, seg in enumerate(segments, start=1):
        start = seg.start
        end = seg.end
        text = seg.text.strip()
        f.write(f"{i}\n")
        f.write(f"{format_srt_time(start)} --> {format_srt_time(end)}\n")
        f.write(f"{text}\n\n")

这里我用的 small 模型是速度和质量最平衡的选择。如果你的环境里 GPU 显存不足， base 模型也能用，只是准确率略有下降。识别完后要人工检查一遍字幕，Whisper 偶发会把同音字搞错——尤其是人名和地名，比如把“外卖员”识别成“外卖园”，这种情况很常见。

4.4 声画同步的细节处理

声画同步是短剧质感的分水岭，也是最容易暴露“AI 感”的地方。AI 生成的视频没有天然同步的语音，硬切在一起会出现口型对不上或声音早于画面进入的问题。

我的处理方法是：先把所有配音按镜头编号拼成一条完整音轨，再根据音轨的时间点反推画面切点。也就是说，不要在剪映里“看着画面配音”，而要先确定台词在时间轴上的位置，再把对应画面卡到台词出现的那一帧上。这一步对情绪表达至关重要。

如果人物的口型和语音有明显不同步，最省事的解决方式是减少正脸大段说话的镜头，改用侧脸、剪影或者背身镜头配合台词。这不算作弊，很多成本不高的短剧都是用镜头设计规避口型匹配技术的，观众并不会觉得出戏。

5. 剪辑合成与全片输出

5.1 FFmpeg 批处理：拼镜头、加转场、压音量

所有素材齐了之后，先别急着打开剪映，先用 FFmpeg 把粗剪和格式处理做了，能省大量导入导出的时间。

一个最常用的命令是拼接所有镜头片段，并在每个片段之间加入交叉溶解转场：

ffmpeg -i shot01.mp4 -i shot02.mp4 -i shot03.mp4 \
  -filter_complex \
  "[0:v][1:v]xfade=transition=fade:duration=0.5:offset=4[v01]; \
   [v01][2:v]xfade=transition=fade:duration=0.5:offset=8[vout]" \
  -map "[vout]" output.mp4

注意 offset 的计算：第一个片段 5 秒，在 4 秒处开始转场，第二个片段的时间轴就偏移到了 4 秒处，后面依次累加。这个命令我每做一个项目都要踩一次时间轴计算，建议直接用脚本自动算偏移量，不要手算。

还有几个高频 FFmpeg 用法：

• 统一素材帧率： -r 24
• 统一分辨率： -s 1080x1920
• 响度标准化： -af loudnorm=I=-16:LRA=11:TP=-1.5
• 减少视频体积： -crf 23 -preset medium

响度标准化很推荐做，短视频平台的音量规范不一致，统一到 -16 LUFS 左右基本不会在发布后出现“声音忽大忽小”的尴尬。

5.2 剪映精剪：节奏微调与氛围叠加

这个环节就是“把 AI 素材变成作品”的最后一公里了。FFmpeg 完成粗剪后，我用剪映免费版做以下几件事：

• 逐帧调整镜头的切点，保证每个镜头都在情绪自然停顿处切换
• 给关键爆点镜头加轻微的放大效果，模拟推镜头的张力
• 叠加字幕并统一字体样式，我习惯用黑体加细边框
• 加上转场音效和 BGM 的自动闪避效果，人声出现时背景乐自动压低
• 输出前调色：AI 生成的画面通常偏灰，稍微加一点对比度和饱和度，让整体更有“电影感”

剪映里有一个小工具很实用，就是“文本朗读”里的文本对齐功能，它在字幕断行和节奏控制上能给你很直观的时间轴参考，虽然没有开源方案那么高可控性，但效率确实高。

精剪阶段最容易犯的错误是舍不得删素材。我的准则是：如果一段画面连续超过 3 秒没有任何信息增量，就剪短或删掉。AI 短剧追求的是信息密度，不是镜头美感。

5.3 输出参数与多平台适配

最终导出时，直接按各平台的上传要求来。

平台	分辨率	时长建议	码率建议
抖音/快手	1080x1920	1-3 分钟	8-12 Mbps
B站/视频号	1080x1920	2-5 分钟	10-15 Mbps
小红书	1080x1440（适合 4:3）	1-2 分钟	8-10 Mbps

导出时用剪映自带的“自定义”模式，视频编码选 H.264，音频编码 AAC，采样率 48kHz，这些是各平台兼容性最好的组合。导出后先在本地播放一遍，重点检查画面有没有色块、声音有没有爆音、字幕有没有错位，确认没问题再上传。

6. 常见问题与避坑技巧实录

6.1 显存不足与生成速度太慢

这个问题排第一，因为几乎每个人都会遇到，只是程度不同。

显存不足（OOM）的应对策略，按照成效排序：

• 降低视频分辨率，从 768x1344 降到 576x1024
• 减少单次生成帧数，比如从 40 帧降到 24 帧，分段生成再用 FFmpeg 拼接
• 用 --lowvram 或 ComfyUI 的显存管理设置，让系统自动调度显存
• 关掉其他占用显存的软件，浏览器标签页都清理掉

生成速度慢没有完美的解决办法，唯一的思路是把“探索阶段”和“精渲阶段”分开。先用低分辨率、低步数快速试效果，确认画面构图满意后再全精度渲染。这样一次精渲需要 10 分钟，你就不会因为试错浪费 10 个 10 分钟。

6.2 人物长相不一致

这条在 AI 短剧创作里是“水桶短板”，必须正视。

如果你连第一版都还没做完就发现人物完全对不上，大概率是主提示词没有严格锁定。我强烈建议你为每个主角建立独立的提示词模板文件，把外貌描述、服装、画风固定在文件里，所有分镜生成时直接复制，不要每次手打。

如果你已经用到了 IPAdapter 但还是偶尔崩，那就是参考图的权重和姿势差异问题。参考图尽量选正脸、平视、光线均匀的照片，姿势差异越大的生成结果越容易崩。

6.3 语音和口型对不上

口型同步在 AI 短剧里是公认的难点，尤其是本地零成本方案。

最务实的思路：用剪辑思路弥补技术限制。少拍正脸说话，多拍背影、侧脸、剪影、物体反应、场景反应。观众看到的是一个撑伞的背影听着电话里的台词，根本不需要对口型。这也是很多成熟短剧的常用处理手法，不是技术妥协，而是镜头语言选择。

如果部分镜头必须有正脸，可以试试用开源的视频生成口型模型，将音频特征和首帧画面输入，让模型生成唇部动作。效果不算完美，但作为辅助手段够用。

6.4 画面闪烁和跳变

画面闪烁通常是因为 AI 生成的视频在细节纹理（比如雨丝、树叶、水面）上不具备时间一致性。解决手段有两个方向：

• 从前期入手，降低运动幅度，减少快速摇镜头的需求，让画面变化集中在可预测的范围内
• 从后期入手，利用剪映或达芬奇的降噪功能，对视频做轻微的时间域平滑处理，或者在镜头之间用更长一点的转场

雨夜戏是画面闪烁的高发区，因为雨丝本身就是极高频变化的内容。我的经验是：雨丝特写单独用一张静态图配合粒子类素材去做，不要全靠 AI 视频生成。

6.5 版权与合规提醒

最后说一个最容易忽略但必须重视的问题。整个过程中你用的基础模型、LoRA、音效素材、背景音乐，理论上都要确认授权方式。SD1.5 和 SDXL 的基础模型大多支持商业使用，但具体某个微调模型可能附加了非商用条款。高质量素材更是要注意，不要随便从不明来源网站下载素材直接就上商业化作品。

我个人的习惯是，把每次使用的模型和素材的授权方式记录在一个文本文件里，和项目文件放一起。万一后面作品要投放到有商业回报的场景，就能快速核查授权情况。这个习惯帮我避过了不止一次麻烦。

6.6 常见问题速查表

症状	可能原因	解决方案
生成时报 CUDA out of memory	分辨率/帧数超出显存	降分辨率、降帧数、开启低显存模式
人脸五官扭曲	提示词复杂或 CFG 过高	简化提示词、降 CFG 到 4-5、开启精绘修复
连续镜头主角变脸	种子/提示词未锁定	固定种子、锁定人物描述片段、接入 IPAdapter
视频画面像“糊了一层雾”	模型偏灰、输出未调色	剪映/达芬奇增加对比度和饱和度，去除灰雾感
语音语调像 AI 播报	TTS合成参数过于平淡	更换 ChatTTS 并加入语气标记，或用 GPT-SoVITS 克隆音色
字幕和语音对不上	字幕时间轴偏移	用更快的方式识别，并在剪映里按语音波形重新对齐起点
全片节奏拖沓	分镜之间的信息密度太低	精简无效镜头、缩短停留时间、加快切点频率

6.7 留给初学者的三条实操心得

第一，做 AI 短剧千万不要从“宏大题材”开始。我见过太多新人一上来就要做科幻史诗、神话故事，最后全卡在素材生成上。从三个镜头的小场景开始，比如“一杯咖啡在深夜办公室里缓缓变凉”这种极简单画面，先把全流程跑通，再谈复杂叙事。

第二，把每个环节的“标准答案”沉淀下来。跑通一次后，把提示词模板、参数配置、命令脚本分类保存，下次做新片时直接调用，效率至少提升三倍。这不是偷懒，这是工业化创作的正确路径。

第三，AI 工具生成的东西只是素材，你才是创作者。同样一句话剧本，两个人做出来的片子可能完全不同。这个差别不在谁的显卡更好、谁用了更贵的模型，而在谁的审美和叙事意识更强。所以多看电影、多分析优秀短剧的镜头语言，比多装几个 AI 工具更能提升成片质量。

我做完这部片子之后最大的体会就是，AI 短剧的门槛确实被拉得很低，但天花板依然决定于创作者本身。一台现有电脑、一堆免费开源工具，再加上一点叙事上的耐心，已经足够让一个完全不懂视频制作的新人做出属于自己的完整作品。希望这篇记录能帮你少走一些弯路，早点看到那句只存在于你脑子里的“一句话剧本”，真正变成一个能播出的画面。