本文由 莫潇羽@源码七号站（www.fuyuan7.com）撰写，转载请注明出处。
🚀 快速摘要
这是一篇面向个人创作者的AIGC竖屏短剧制作完整实战指南。我把自己折腾过的整套流程拆开来写，从第一行剧本到最后一帧剪辑，尽量不留空白。核心结论先摆出来：
整个AIGC仿真人竖屏短剧的制作可以分成三个大阶段：前期（剧本 + 角色设定 + 场景背景）、中期（分镜 + 视频生成）、后期（剪辑 + 音效 + 音色统一）。每个阶段都有相对固定的工具组合可以复用。
- 视频生成目前首选即梦AI，底层用的是 Seedance 2.0 模型，多模态参考+@绑定是它的核心优势，一次可以上传最多12个参考素材。
- 生图推荐豆包、即梦、Lovart三个结合着用，各有擅长的场景。
- 角色一致性是最容易翻车的环节，核心解法是三视图 + 面部特写 + @绑定参考图的组合拳。
- 提示词要用结构化镜头语言写，格式是镜头号 + 景别/视角 + 场景描述 + 人物动作 + 运镜 + 音效，不要写散文。
- 一部约3分钟的竖屏短片，核心镜头大概10—15个，生成门槛远比大多数人想象的低。
- 2025年全年国内微短剧市场规模已近900亿元，AIGC工具正在把创作门槛快速压低，个人创作者真正有了能出片的条件。
想看每个阶段更详细的操作拆解，往下翻。
一、为什么现在是个人创作者做AIGC竖屏短剧的时机
先聊一个可能被很多人忽略的背景，因为这直接决定了你现在入场值不值得花精力。
国内微短剧这个赛道的增速确实挺吓人的。2022年整个行业规模才刚过百亿，2023年就跳到了373亿，2024年突破504亿。到了2025年，各方数据估计不一，艾媒咨询给出的数字是677亿，而中国网络视听协会最新测算的全年产值已接近900亿——已经是2024年电影总票房的将近两倍。这条线不是匀速的，是指数级往上走的，而推动它加速的一个关键因素，正是AIGC工具的快速普及。白皮书里有一项数据很能说明问题：超六成受访从业者把AI等新技术的应用，列为行业持续增长最重要的驱动力之一。
对个人创作者来说，更直接的利好是工具层面的变化。2026年初，即梦平台接入了 Seedance 2.0 模型，这次更新不是小修小补——声音和画面的同步问题、角色跨镜头不一致的问题、运镜控制的精准度问题，这三个一直卡着AI短剧质量天花板的痛点，在2.0版本里都有了明显的改善。我自己上手测试的体验是：在10到15秒的短片段里，同一个角色跨镜头的一致性已经相当稳定，偶尔在极速运动帧里还是能看到一点涂抹感，但和此前版本的"三秒换一张脸"相比，简直不是一个物种。
平台政策的窗口也是一个不能忽视的变量。2025年以来，即梦AI与抖音联合推出了"AIGC短剧创作者合作计划"，快手那边有"AI创想剧场"，百度也开了AI短剧生成平台的公测，几家平台都在通过流量扶持、创作基金等方式往里砸资源——他们需要内容来填充新的流量位，个人创作者在这个阶段进来，是在享受红利期，而不是在挤一个已经饱和的赛道。与此同时，国家广播电视总局在2025年2月发布的相关通知中，明确支持创作者"积极探索微短剧创作与人工智能等技术深度融合"，政策层面对AIGC短剧的态度是鼓励的。这种"市场需求 + 政策友好"的双重信号，对个人创作者来说是一个值得认真对待的窗口。
竖屏这个形态的独特性
竖屏短剧之所以单独成为一个赛道，不只是因为手机屏幕是竖的。从制作逻辑上说，横屏内容考验的是导演的镜头语言——多角度、精密景别切换、复杂的场景调度，这些对个人创作者门槛很高。竖屏更侧重编剧的叙事能力，节奏要快、情节反转要有爽点、对话密度要足，画面组接的规则反而没那么严苛。这就意味着个人创作者真正有了发挥空间的地方。
还有一个心理效应值得单说：竖屏构图里，人物几乎是从头到脚铺满整个屏幕的，观众和剧中人的视觉距离极短，面部表情和情绪变化被放得很大。这种"面对面"的感觉，在横屏里很难复刻。对于古风、修仙、都市爽剧这类以人物互动和情绪拉扯为核心的题材来说，竖屏的沉浸感优势尤为明显。莫潇羽@源码七号站 做过一个简单的自测：把同一段对话戏分别用横版和竖版看，竖版的情绪感染力要强得多，几乎有一种"视频通话"式的在场感。这不是错觉，是格式本身决定的。
二、三个阶段的制作框架
在进入每个步骤之前，先用一张流程图把整体结构梳理清楚。这样在你遇到具体操作问题的时候，知道自己处在哪个环节、下一步应该做什么。
graph TD
A[📋 剧本策划] --> B[🎭 角色形象设定]
B --> C[📐 三视图生成]
C --> D[🏞 场景背景设定]
D --> E[🎬 分镜规划与提示词]
E --> F[🎥 即梦视频生成]
F --> G[✂ 剪映后期剪辑]
G --> H[🔊 音效 / 音色统一]
H --> I[📱 成片输出]
subgraph 前期准备
A
B
C
D
end
subgraph 中期制作
E
F
end
subgraph 后期合成
G
H
I
end整个流程的底层逻辑只有一句话：前期素材越扎实，中期生成越顺畅，废片率越低。 很多人会忽视这一点，觉得反正AI可以无限重新生成，前期敷衍一下也没关系。但实际上前期每省一小时，中期就要多踩3小时的坑——人设图模糊、背景图复杂、提示词逻辑乱，这些问题在生成环节都会成倍放大。
三、前期准备：剧本策划与版权合规
剧本的两条路：原创还是改编
剧本是整个短剧的骨架。工具再强，内容本身没有吸引力，都很难做出有感染力的成片。作为个人创作者，来源基本上是两条路：自己原创，或者基于现有素材改编。
原创剧本这条路比想象中容易一些。单集2到3分钟的短剧，情节量其实很有限。我自己的做法是先在脑子里定好一个大方向——比如古风修仙类，故事发生在悬崖峭壁和一个隐秘山洞里，有一个女主和一个老者的对峙——把这个方向、预计的时长、人物关系和大致的情节走向整理成一段描述，发给豆包，让它生成初稿剧本。
豆包给出的结果通常是场景列表加对话正文，基本框架都会有，但台词和细节十有八九不是你真正想要的。这没关系，把不满意的地方直接告诉它——"让老者的开场台词更有压迫感"、"把第三场景改成对峙转追逐"——一点点迭代，直到整体方向对了再下载，然后手动做精修。
有一件事必须强调：无论AI给的剧本多自动化，拿到手之后一定要从头到尾完整读一遍。 读剧本看起来费时间，但实际上是在给后面的所有步骤做质检。我有过一次因为没读剧本就直接开始生成的经历——做到中途发现人物动机有明显的逻辑漏洞，两个场景之间完全接不上，那次返工的成本相当高。
改编现有网络小说这条路也很常见，但有一个关键的处理步骤容易被跳过。小说文本里充满了心理描写和旁白叙事，这些内容镜头根本没办法直接呈现，照搬进去拍出来观众完全不知道发生了什么。正确的做法是把小说片段发给豆包或 DeepSeek，配合一段格式说明的提示词：
请严格按照爽剧格式，将以下小说片段改编成竖屏短剧剧本。
输出格式：
镜头号 | 场景位置 | 画面内容与动作 | 对话台词 | 音效说明
[粘贴小说原文]AI会给你一个可用的表格式剧本，每行一个镜头。生成完之后，同样要自己过一遍，确认内容符合预期，再进入制作。
剧本格式的实用选择
AI倾向于输出表格式剧本，查阅方便但复制到其他工具时比较麻烦。如果觉得不顺手，可以加一句"只要文字版，不要表格"，AI会给出纯文本的镜头编号格式，直接可以复制使用：
镜头一：悬崖峭壁，黄昏，云层厚重。一红一紫两道光在空中激烈碰撞，爆炸烟雾弥漫。音效：震撼爆炸声。
镜头二：女主从爆炸烟雾中退出，站稳在悬崖边的岩石上，衣袂随风飘动，神情凝重。运镜：固定。
镜头三：老者从烟雾中缓步走出，停在女主对面，嘴角带着猥琐的笑意，开口说话。台词："没想到你进步这么快，不过还不够。"这种格式在后续写视频生成提示词时可以直接复用，不需要二次整理。
版权合规：三条明确路径
如果想在平台正式发布AI短剧并参与合作，版权问题必须提前考虑清楚。目前有几条相对清晰的路径。
第一，完全自己原创的剧本可以向中国版权保护中心进行版权登记，在后续商业合作中有明确的权属证明，流程并不复杂，官网直接操作即可。
第二，通过平台官方渠道获取授权改编权。以抖音为例，抖音短剧版权中心与番茄小说建立了合作通道，个人创作者可以申请开通IP库，选取已授权的小说进行改编。申请流程大致是：账号认证，提交改编类型说明，提交一个样片（证明制作能力），审核通过后在版权中心选择想改编的作品。关键点是这一步需要你先有一个样片，所以建议先把整个制作流程走通一遍再来申请。
第三，从一开始就使用完全原创题材，不涉及他人IP，这是合规成本最低的选择，对有一定编剧能力的创作者来说也是最推荐的路线。
值得注意的是，版权意识不只是"不侵权"这么简单，还包括主动建立对自己创作内容的保护意识。很多个人创作者认为自己做的东西小打小闹，不需要版权保护，但实际上当你的作品开始被广泛传播，原创权属的证明就会变得非常重要。中国版权保护中心的在线登记系统（登录 ccopyright.com.cn）提供了包括剧本在内的各类文字作品的在线版权登记服务，费用不高，流程也不复杂，建议每部作品在正式发布前都完成一次登记。这个习惯在后续参与平台合作计划时也会用得上，很多商业合作方会要求创作者提供版权证明材料。
四、前期准备：角色形象设定
角色设定是整个AIGC短剧制作里最关键、也最容易踩坑的环节。人物形象决定了后续所有镜头的质量底线——一旦前期人设图质量不高，中期视频生成时就会频繁出现人脸变形、服装混乱、角色前后不一致等问题，而且这些问题是叠加性的，修起来极其耗时。
第一关：怎么找到角色的感觉
很多人在做角色设定时的第一个卡点是"不知道角色应该长什么样"。这个问题其实不需要从零开始想，有几种方法可以比较有效地解决。
从即梦社区找灵感。 即梦平台的社区模块里有大量用户生成的作品，找到风格和气质接近的角色，点进去看一下对应的提示词，分析哪些描述词产生了这个视觉效果，然后在自己的提示词里替换或组合。这种"拆解+重组"的方式比从零开始写提示词效率高很多。
用概念词让AI自由发挥。 不需要把眉毛、皱纹、发型全部描述清楚。比如你想要一个看起来阴险的老者形象，只需要告诉AI"邪恶老者，奸笑表情，古风修仙服饰，写实质感"这样的概念性描述，AI生成的结果往往就能体现出你想要的气质感。找到一张接近但不完全满意的，再针对性调整就好。
提示词反推法。 在网上找到一张你觉得形象符合要求的图片（任何来源的截图都可以），上传给豆包，问"请帮我推演出这张图片的AI生图提示词"，豆包会根据图片内容生成一段描述性提示词。这个方法特别适合那种"脑子里有画面但不知道怎么描述"的情况。
莫潇羽@源码七号站 自己用得最顺手的是第一种和第三种结合——先从社区找到气质相近的参考，提取它的提示词关键词，再上传一张目标图片做反推，最后把两份提示词合并修改。
这里还有一个容易被新手忽视的维度：角色的服装和道具设计要提前想清楚，不能到了生成阶段再"随便"。 服装的颜色、款式、材质，角色身上携带的道具（比如女主的佩剑、老者手中的拂尘），这些元素在提示词里有没有具体描述，会直接影响到生成结果的一致性。同一个角色，第一个镜头手里有剑、第三个镜头剑消失了，这种前后不一致在剪辑时很难修补，只能重新生成对应的镜头。把角色的关键视觉元素都列成一份checklist，每次写提示词前对照一遍，是一个看起来繁琐但非常有价值的习惯。
第二关：提示词的关键规则
生成角色图时，提示词的质量直接决定了生成效果的上限。这里有几个经过实践验证的规则，少了哪一条都会让后续流程更麻烦。
必须指定纯色背景。 这是最重要的一条。生成人设图时背景一定要是纯色的——纯白或浅灰都可以，绝对不能是复杂的场景背景。原因是：后续用这张图作为视频生成的参考时，纯色背景可以让模型更准确地提取人物特征，避免背景元素干扰对角色的识别。带复杂背景的人设图会导致视频生成时模型"分心"，角色识别精度明显下降。
指定完整全身立正站姿。 角色图需要是全身站立、双手自然下垂的状态，不能出现奇怪的动作（跑步、跳跃、扭曲的姿势）。提示词里明确写上"全人像，站立姿势，双手自然下垂，双脚完整露出"。
明确风格限定。 真人写实风格和插画风格生成出来是完全不同的东西。做仿真人短剧，提示词里一定要加上"超写实真人质感"或"3D电影级写实风格"，否则模型会随机选择风格，结果可能是卡通或插画感的。
分辨率选最高。 角色设定图的质量直接影响后续所有流程，在这里不要省积分。
下面是一段可以直接复用的角色生成提示词框架：
[性别][年龄段][角色性格关键词]，[具体外貌特征]，[服装描述]，
全人像，站立姿势，双手自然下垂，双脚完整露出，
纯白背景，超写实真人质感，8K超高清，自然光，
面部清晰，五官精致，无变形，无噪点比如古风修仙女主角：
东方年轻女性，气质冷冽，眉目如画，长发用发簪绾起，
身着白色仙鹤纹古风长裙，腰间系玉佩，
全人像，站立姿势，双手自然下垂，双脚完整露出，
纯白背景，超写实真人质感，8K超高清，自然光，
面部清晰，五官精致，无变形第三关：工具选择与各自的适用场景
豆包和即梦是两款最容易上手的国产生图工具，底层用的是同一套 Seedream 模型，操作逻辑基本相同：粘贴提示词，选择比例（人设图建议用默认比例或2:3竖版），点击生成。常见的返工场景是生成了半身图（加"全人像"再试），或背景太复杂（加"纯白背景"再试），或手部姿势奇怪（加"双手自然下垂"再试）。多生成几次，总能找到一张基本满意的版本。
Lovart 是处理"融合改造"类需求时最有用的工具，它的工作模式是画布操作：把多张参考图上传到同一块画布上，然后用文字指导模型进行融合。以下是几个典型的使用场景：
- 找到了合适的脸型但服装完全不对→上传两张图，写"把图一的脸换到图二的服装上"
- 角色有不需要的元素（比如狐狸耳朵）→上传图片，写"去掉耳朵和尾巴，手放下，去掉特效"
- 只有上半身图，需要完整全身→上传半身图，写"根据上半身的服装风格生成完整全身图像"
在Lovart里进行这些操作时，模型选择很关键，一定要选 Flux 系列或 SDXL Pro 等效果好的模型，默认模型效果差异很大。生成结果里如果地面有碎叶、石头等不需要的细节，用橡皮擦工具（Eraser）涂
