"漫剧"不是动画。它的形态是漫画分镜 + 配音 + 轻动效:画面是静态或微动的图,靠镜头推拉、局部抖动、字幕节奏和配音撑起叙事。这个定义很重要,因为它决定了零基础能不能做——你不需要会建模、绑定、K帧,只需要会写清楚每格画什么、说什么。
零基础做 AI 漫剧的现实边界:单集 1–3 分钟、10–25 格画面、1–2 个主要角色。角色越多、场景越复杂、动作越剧烈,一致性越难维持,返工率呈指数上升。第一集的目标不是爆款,是跑通一条完整流水线。
第一步:剧本拆成分镜表。 不要直接让 AI 写"剧本",要让它输出结构化分镜:每格包含 画面描述 / 台词 / 景别 / 时长。分镜表是后面所有环节的调度契约。
第二步:生成分镜图。 每格一张图,用固定角色描述 + 固定风格词保证一致性。这是全流程最耗时的环节,占七成以上时间。
第三步:配音。 按角色分配音色,TTS 生成台词音频,记录每句时长——它决定每格画面停留多久。
第四步:合成。 在剪映/CapCut 里按分镜表排图、对齐音频、加字幕和推拉动效。这一步不需要代码。
角色不一致。 同一角色在第 3 格和第 11 格长得不像,是最常见的问题。解法是角色卡:把发色、瞳色、服装、体型写死成一段固定描述,每格都原样粘贴,只改动作和场景。不要每格换措辞。
分镜太"满"。 一格塞三个动作、两个人物、复杂背景,AI 生成必然崩。原则是一格一件事,动作拆分到多格,用景别变化制造节奏。
音画不同步。 先做图后配音,会导致台词长短和画面停留对不上。正确顺序是先配音、量时长、再定每格停留帧数。
下面的脚本把"分镜表 → 逐格图 → 逐句配音 → 剪辑清单"串起来。零基础读者只需装 Python、填好 API Key、改剧本,即可产出素材包。
import os, json, time, requests
API_KEY = os.getenv("AI_API_KEY") # 文本/图像/TTS 可分别配置
BASE = "https://api.example.com/v1" # 换成你实际使用的服务商
# 1) 角色卡:一致性靠它,不靠运气
CHAR = ("16岁少女,黑色齐肩短发,琥珀色眼睛,白色连帽卫衣,"
"浅灰百褶裙,漫画线稿风格,平涂上色")
def make_storyboard(setting: str) -> list:
prompt = f"""你是漫剧分镜师。设定:{setting}
输出JSON数组,每项含字段:shot(格号), desc(画面,含动作与场景), line(台词,可为空),
size(景别:近景/中景/全景), sec(预计秒数)。共12格,一格一件事,不要合并动作。"""
r = requests.post(f"{BASE}/chat", headers={"Authorization": f"Bearer {API_KEY}"},
json={"prompt": prompt, "format": "json"}, timeout=120)
return r.json()["shots"]
def gen_image(shot: dict, out_dir: str) -> str:
# 角色卡原样拼在最前,只追加本格动作与场景
prompt = f"{CHAR},{shot['desc']},{shot['size']},白色背景,单格漫画"
r = requests.post(f"{BASE}/image", headers={"Authorization": f"Bearer {API_KEY}"},
json={"prompt": prompt, "size": "1024x1024"}, timeout=180)
path = f"{out_dir}/{shot['shot']:02d}.png"
open(path, "wb").write(r.content)
return path
def gen_voice(line: str, voice_id: str, out_dir: str, idx: int) -> str:
if not line.strip():
return ""
r = requests.post(f"{BASE}/tts", headers={"Authorization": f"Bearer {API_KEY}"},
json={"text": line, "voice": voice_id}, timeout=120)
path = f"{out_dir}/{idx:02d}.mp3"
open(path, "wb").write(r.content)
return path
def build(setting: str, out_dir: str, voice_id: str):
os.makedirs(out_dir, exist_ok=True)
shots = make_storyboard(setting)
timeline = []
for s in shots:
img = gen_image(s, out_dir)
aud = gen_voice(s["line"], voice_id, out_dir, s["shot"])
timeline.append({**s, "image": img, "audio": aud,
"frames": int(s["sec"] * 30)}) # 30fps 停留帧数
time.sleep(1) # 限速,防封
json.dump(timeline, open(f"{out_dir}/timeline.json", "w"),
ensure_ascii=False, indent=2)
print(f"完成 {len(timeline)} 格,打开 {out_dir}/timeline.json 导入剪辑软件")
build("雨夜便利店,少女捡到一只会说话的猫", "D:/manju/ep01", "voice_girl_01")产出物是一个素材文件夹加一份 timeline.json,里面记录了每格用哪张图、配哪段音、停多少帧。把图拖进剪映,按清单顺序排好、对齐音频、加字幕和推拉,就能导出成片。desc 写得越具体、动作越单一,返工越少。
零基础第一集,四个检查点:角色一致性(12 格里有几格主角"不像",超过 3 格说明角色卡不够死)、单格信息量(是否一格一事,出现复合动作即打回)、音画时长偏差(画面停留与配音时长差 <0.5 秒)、完整度(能从头播到尾、字幕齐全、无黑屏空档)。前三项决定质量下限,第四项决定"这集到底存不存在"。
零基础 AI 漫剧的门槛不在工具,而在流程纪律:角色卡写死、一格一事、先配音后定帧、分镜表当契约。工具会一直换,这四条不会。第一集跑通,第二集的返工量就会下降一半——这才是零基础真正能积累的东西。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。