一个人用 AI 做漫剧的完整流程：从一句大纲到成片，40 分钟教程拆给你看
刷到一条没什么标题党、却实打实的长视频：抖音 @源漫创想 花了快 40 分钟，把自己做「漫剧」的全流程从头演示了一遍——一句话大纲怎么变成完整故事、故事怎么切成分镜、人物图怎么生、视频怎么生、最后怎么剪成片。作者反复强调「个人非专业、自己摸索的，不一定对」，但恰恰是这种不端着的实操，把一条龙的每个坑都摊在了明面上。
所谓「漫剧」，就是用 AI 把一个短故事做成几分钟的二次元动画短剧。这两年它在抖音是个闷声起量的赛道：成本几乎为零、单人就能干、题材又踩在短剧的爽点上。但凡你想过「我能不能也用 AI 做个动画短片」，这条视频就是一份能照着抄的施工图。
这篇就把这 40 分钟拆成一张能复用的流程图，重点不在「他用了哪个 App」，而在一个人做连续动画，最难的那道坎——一致性——到底是怎么绕过去的。
一句话定性
这条视频教的不是「某个 AI 工具」，而是一套把长故事拆成可控小块、再用一致性手段把小块重新缝成连续片子的工程方法。AI 生视频天生「每段都重抽、人物会变脸、声音会换人」，单人做漫剧的全部功夫，都花在用三视图锁长相、用参考音频锁声音、用尾帧截图锁衔接这三件事上。工具（DeepSeek / 即梦 / 剪映 / Nano Banana）都可替换，这套「拆—锁—缝」的思路才是护城河。
漫剧真正难在哪：不是「生成」，是「连得起来」
先把问题说清楚，你才看得懂后面每一步的用意。
用 AI 生成单张图、单段视频，今天已经没什么门槛。难的是连续：一部三分钟的漫剧有二三十个镜头，观众要的是「从头到尾是同一个女主、同一个嗓音、场景接得上」。而所有图生视频工具的默认行为恰恰相反——
- 每段都是独立抽卡：这一段女主是鹅蛋脸长发，下一段可能就方脸短发；
- 声音逐段重配：每个 15 秒片段单独生成，音色、语速都飘；
- 段与段是硬切：上一镜结尾人站在门口，下一镜开头人凭空到了台上。
工具越「智能」，这种漂移越明显。所以这条教程真正的信息量，不在「怎么生成」，而在「怎么不让它乱」。记住这个主线，下面六步就都有了逻辑。
六步流水线全貌
作者把流程拆成固定的六步，前三步在「文字」里折腾，后三步才动「画面」：
| 步骤 | 干什么 | 用什么 | 关键动作 |
|---|---|---|---|
| ① 大纲 | 一句话讲清故事梗概 | 手写 | 女主是主持专业，被拉去临时顶替宣讲会主持，上台发现主讲正是自己认识的男主——突出那一刻的「震惊」 |
| ② 故事 | 把大纲扩写成完整故事 | DeepSeek | 让 AI 扩写，限定字数（500/1000 字，对应想做几分钟）；复制进 Word 手动改：删 AI 腔、删多余形容词、删废话、改人名 |
| ③ 分镜脚本 | 故事切成一段段镜头 | DeepSeek | 让 AI 按固定格式生成：时长 + 镜头 + 动作 + 台词；按「10–15 秒一段」切（即梦单段上限 15 秒），逐段编号、能精简就精简 |
| ④ 生图 | 造出人物、场景、道具的「素材库」 | 即梦 / 豆包 / Nano Banana | 人物三视图 + 表情特写、场景图、反复出现的道具（如滑板）也做三视图→特写 |
| ⑤ 生视频 | 把分镜逐段图生视频 | 即梦「全能参考」 | 锁人物、锁声音、锁衔接（本片精华，下一节细讲） |
| ⑥ 剪辑 | 把镜头缝成成片 | 剪映 | 调速、转场、字幕、配乐、超清导出 |
一句话串起来：大纲是种子，故事是血肉，分镜是把血肉切成 AI 能消化的小段，生图是备齐演员和布景，生视频是逐段开拍，剪辑是把所有镜头连成片。 作者点破了一句关键的因果——「大纲和故事是为提示词服务的，生图是为视频服务的」，也就是说前面所有文字活，最终都是为了喂好「生视频」这一步。
真正值钱的部分：一致性的三把锁
如果只记一件事，就记这一节。单人做漫剧能不能成立，全看这三处。
锁长相：先做「三视图」，再拿它当参考
人物不能每段重抽，否则就成了「换脸怪」。作者的办法是先把人物定下来，做成一套素材：
- 用 DeepSeek 生成人物形象描述词（发型、气质、穿着……）；
- 拿描述词去即梦文生图，要求纯白背景、双手自然垂下、二次元风格——背景留白是为了后面好抠、好复用；
- 抽到满意的形象后，以它为参考图再生成「三视图」（正面/侧面/背面）+ 一到两张表情特写；
- 同一个人物，可以换衣服、换发型应对不同场景（如「生病时」「短发版」），但脸保持是同一个人。
这套三视图就是这个角色的「身份证」。后面生视频时反复拿它做参考，长相就不会飘。男主、配角、甚至反复出现的道具（视频里的滑板）都同样处理——先做三视图，再推 45 度特写图备用。
可复用的判断：做任何「需要同一形象反复出现」的 AI 内容（动画、连续漫画、IP 形象、数字人），第一步不是急着出片，是先沉淀一套带参考图的人物档案。长相一致性是「先定后用」攒出来的，不是每次靠运气抽出来的。
锁声音：把生成好的语音「回收」成参考音频
这是全片被问得最多、也最反直觉的一招。即梦逐段生视频，声音默认每段都重配，音色会变。作者的解法是利用即梦「全能参考」可以喂音频这个点，把声音也「锁」住：
- 先正常生成第一段视频，里面女主有了一个声音；
- 把这段视频下载，导入剪映，选女主说话最密集的一小段（三五秒即可）裁切出来；
- 分离音频 → 导出成 MP3，命名「女主声音参考」，归档到角色音频文件夹；
- 之后每一段生视频，在「全能参考」里把这段 MP3 加进去，并 @ 指定「女主声音」——后续所有镜头里女主就都用这一个嗓子。
多角色就各做一份：林小小一份、男主一份，分别指定形象 + 声音 + 场景。「先用 AI 生出一个声音，再把它回收成所有后续片段的声音锚」——这个「自产自锚」的循环，是这条视频里最值得抄的工程巧思。
锁衔接：把上一镜的「尾帧截图」喂给下一镜
段与段的硬切，靠尾帧承接来软化：在生成下一段时，把上一段视频结尾的那一帧截图加进参考，让 AI 知道「上文画面长这样」，新镜头就能接得更连贯。作者也提醒，这招对「需要上下文连贯」的镜头有用，开篇这种独立镜头则不必。
几个能直接抄走的省钱 / 避坑细节
教程类视频，最值钱的常是那几个「不说就会踩」的小动作。这条里至少有六个：
- 生视频提示词的固定收尾：每段末尾固定加「表情生动，动作富有张力，中文台词，无背景音乐，无字幕」。为什么不要字幕和 BGM？——字幕 AI 容易出错（后期在剪映加更稳）；BGM 因为是 15 秒分段生成，每段配乐不一样，拼起来会割裂，所以统一留到剪辑阶段铺。
- 分段长度的取舍：连贯的动作尽量凑满 15 秒一段（接得顺），开篇、过场这类可以 5–10 秒。即梦单段上限就是 15 秒，这是硬约束。
- 模式选便宜的：即梦视频模式选「C2.0 faest」这类省积分但慢的档；横屏选 16:9。积分是真金白银，能省则省。
- 编号管理是剪辑的命：文件夹按「镜头号 / 第几次生成」分级归档（01 镜头第 1 次、第 2 次……），哪条满意一眼可见，剪辑时不用大海捞针。这也是为什么分镜阶段就要逐段编号。
- 速度后期救：生成的语速偏慢就在剪映里调 1.1–1.2 倍，偏快「吞字」的镜头直接弃用或调 0.8 倍。一段不满意就重抽，但满意了就别多抽——省积分。
- 成片提清晰度：剪映会员「一键超清」可导 4K，帧率作者维持 24 帧（强行拉高反而别扭）。转场用剪映自带的「叠化 / 闪黑」，叠化能造出「时间流逝感」。
工具清单与可替换性
| 环节 | 视频里用的 | 能换成什么 |
|---|---|---|
| 故事 / 分镜（文字） | DeepSeek | 任意能扩写+按格式输出的大模型 |
| 生图 | 即梦、豆包、Nano Banana | 任意文生图；作者补充 Nano Banana 出图清晰度/抽卡率更优但操作稍麻烦，他的场景图多由它生成 |
| 生视频 | 即梦「全能参考」 | 任意支持「图+音频参考」的图生视频工具，关键是要有「锁形象+锁声音」的参考位 |
| 剪辑 | 剪映 | 任意非线性剪辑器，要能分离音频、加字幕、转场 |
也就是说，整套方法不绑定任何一个 App。只要你的工具链里有「会扩写的文字模型 + 能定形象/声音的图生视频 + 一个剪辑器」，就能复刻。值钱的是「拆—锁—缝」的流程，不是某个产品的按钮。
该清醒的地方
- 这是手工流水线，不是一键成片。40 分钟教程的体感是：大量重复的「抽卡—筛选—编号—再抽」。AI 负责生成，但故事打磨、分镜切分、筛图、对轨、剪辑全靠人。「AI 做漫剧零成本」是对的，但「零成本 ≠ 零功夫」，时间成本相当实在。
- 积分就是钱。即梦生图生视频按积分扣费，一条三分钟片子背后是几十上百次抽卡。教程里反复出现的「省积分」动作（选慢档、能短则短、满意就不多抽），本质是在控成本。真要量产，得先算清单位成本。
- 质量天花板取决于「审」而非「生成」。作者自己也说「靠抽卡」「剪辑不是我的强项」。成片好不好，差距其实在筛选眼力和剪辑手感——这部分 AI 替不了。
- 风格一致性仍是概率事件。三视图、参考图能大幅降低漂移，但作者也坦言「人物和场景风格至少要相似，完全一致有点困难」。别期待像素级稳定，能做到「明显是同一个人、风格不打架」已经是合格线。
- 文中工具的具体形态以视频演示时点为准，AI 产品迭代快，按钮位置、模式名称、积分政策随时会变，复刻前以工具当前界面为准。
橙子的判断
把这条 40 分钟教程榨干，留三条能反复调用的判断：
- 做连续性内容，先建「资产」再开拍。 漫剧的核心资产是人物三视图 + 参考音频。任何「同一形象/同一声音要反复出现」的活（动画、IP、数字人、连载漫画），都该先沉淀这套档案，再批量生产——一致性是攒出来的，不是抽出来的。
- AI 生成的产物可以「回收」成下一轮的锚。 「先生一个声音，再把它导出成所有后续片段的参考音频」这个自产自锚的循环，是个能迁移的元技巧：当工具不支持「锁定」某个属性时，看看能不能把已生成的结果反过来当输入喂回去。
- 把长任务拆成工具能消化的小块，是 AI 工程的通用功。 即梦只能 15 秒一段，于是整个故事被切成 10–15 秒的分镜逐段攻克。面对任何有硬上限的 AI 工具（上下文长度、单次时长、单图尺寸），先想「怎么切块 + 怎么缝合」，往往比硬刚限制更有效。
一句话收尾：漫剧不是「AI 自动生成动画」，是「人用一套一致性手段，把 AI 的零散生成缝成连续片子」。门槛低到一个人就能干，但能不能做好，看的是你拆故事、锁形象、缝镜头的工程素养——工具人人能拿到，方法才是分水岭。