AI短剧这条链路2026年真正要跑通绕不开一件事多主体一致性。以前做 AI 短剧最烦的就是角色换个镜头就变脸主角上一秒还是这个人下一秒五官就变了根本没法剪成一集。这次我们来看一套已经验证过的主流工作流豆包负责文本和配音即梦 5.0 负责分镜、画面和视频生成LibTV 负责剪辑成片。三者配合能完整走完“剧本 → 分镜 → 素材生成 → 配音 → 成片”的全流程。这套组合最值得关注的点有三个。第一即梦 5.0 对多主体一致性的支持比之前版本明显增强同一个角色在不同分镜里的五官、服装、气质可以保持统一第二豆包既能产出结构化剧本又能直接生成多角色配音省掉了单独找 TTS 工具的环节第三LibTV 把剪辑这一步也接上了AI 生成的片段可以直接在时间线上完成粗剪、字幕和配音对齐。本文会按实际制作顺序拆解每一步怎么操作、每一步最容易踩的坑是什么、怎么判断输出能不能用。如果你正准备做 AI 短剧、AI 漫剧或者只是想低成本测试“一个人做出一条三分钟短片”的完整流程这篇文章可以直接收藏。下面按“开工准备 → 剧本 → 分镜 → 素材生成 → 配音 → 剪辑 → 排查”的顺序展开。1. 三工具核心能力速览工具负责环节关键能力文章重点豆包剧本、分镜表、配音结构化剧本输出、多角色 TTS 配音、文本润色用提示词产出“可执行分镜”而不是文学性描述即梦 5.0图像生成、视频生成多主体一致性、角色参考图、分镜镜头生成如何设置角色参考图避免主体漂移LibTV剪辑、字幕、成片AI 视频素材粗剪、字幕对齐、导出粗剪流程、配音导入、片段替换这套流程的核心逻辑是豆包把“故事”变成“生产文件”即梦把“生产文件”变成“画面素材”LibTV 把“画面素材”变成“成片”。每一步产出的东西都是下一步的输入所以工作流设计比单个工具的技巧更重要。即梦 5.0 的多主体一致性重点解决的是“多个角色在同一个镜头里各自保持身份稳定”的问题以及“同一个角色跨镜头不漂移”的问题。实际操作中它不是靠一句提示词搞定的而是靠“参考图 角色描述 分镜约束 多次抽卡筛选”组合完成。2. 适用场景与使用边界这套流程适合以下场景三分钟以内的 AI 短剧、漫剧单集。账号日常内容测试用低成本验证观众对题材和节奏的反馈。个人创作者或小团队做批量素材同一批角色设定产出多集分镜。商业项目的预演和提案用 AI 素材快速展示画面风格、表演方向、整体氛围。不适合的场景也明确一下。需要真人级别的微表情和复杂对手戏时AI 视频仍然不稳定。需要逐帧控制动作的武打戏、需要精确口型同步的长对话、需要多机位连贯剪辑的严肃影视级项目这套流程只能做样片不能直接交付。理解这个边界才不会在制作过程中反复返工。还有一个必须做的前置动作授权自查。AI 短剧制作涉及角色形象、配音音色、素材版权和平台发布规范。如果你使用真人肖像、真实明星形象、有版权的插画或音乐素材必须确认授权范围。涉及商用或公开传播时建议对 AI 生成内容做明确标注并保留生成记录。这个部分不能跳过。3. 开工准备账号、浏览器与项目目录这套流程是三个在线平台配合使用不需要本地 GPU也不需要安装复杂环境。建议准备豆包账号用于剧本、分镜表和配音。建议先把配音用到的多角色功能熟悉一遍。即梦账号用于图片和视频生成。用好“角色参考图”和“多主体一致性”相关设置。LibTV 账号用于素材剪辑和成片导出。浏览器的性能会直接影响剪辑流畅度建议使用 Onedrive 或其他网盘做项目备份。浏览器环境同一时间会打开多个标签页要做频繁的复制粘贴。建议用桌面版 Chrome 或 Edge并关闭无关插件。稳定的网络三个平台都是在线服务网络抖动会直接导致上传失败或生成任务丢失。建议为每个短剧项目建立独立的文件夹命名规范下面会给出。很多人把生成素材随手丢在下载目录里一到剪辑阶段就找不到对应镜头返工成本极高。# 推荐的项目目录结构 project/ ├── 01_script/ # 豆包生成的剧本和分镜表 ├── 02_reference/ # 角色参考图、场景参考图、风格参考图 ├── 03_characters/ # 每个角色的设定截图与提示词备份 ├── 04_footage/ # 即梦生成的所有分镜视频 ├── 05_audio/ # 豆包配音文件 ├── 06_edit/ # LibTV 工程文件和导出成片 └── 07_archive/ # 项目备份与最终版本存档目录结构建议在项目一开始就创建好。AI 视频制作真正耗时间的不是生成而是“在几百个片段里找正确的那一个”。4. 剧本阶段用豆包把“人设”变成“分镜”很多人在豆包里写“帮我写一个短剧”得到的是小说式的笼统描述没法直接生成画面。正确做法是把豆包当生产工具用输入结构化要求让它输出一个可执行的分镜表。4.1 角色设定卡每个主要角色都要有独立的设定卡包含外观描述五官特征、发型、服装、体型。身份背景职业、性格、说话方式。视觉锚点这个角色最容易被识别的 1 到 2 个特征比如红发、左眼痣、金属义肢。台词风格短句还是长句带不带口头禅。角色设定卡不要写“好看、帅气”这种词这类词对生成结果的约束力很差。要用具体、稳定的外观词。# 豆包角色设定提示词模板 你是一名 AI 短剧的角色设定师。请为以下角色生成完整设定卡 主角林晚 要求 1. 外貌黑色齐肩发左耳戴一个银色几何耳坠穿深灰色高领外套。 2. 身份28 岁独立调查记者。 3. 视觉锚点左耳银色耳坠右手腕缠着一条红绳。 4. 性格话少语速快观察力强。 5. 台词风格多用短句说话直接偶尔带一点讽刺。 请按“形象描述 / 视觉锚点 / 台词风格 / 出场场景建议”四部分输出。4.2 分镜表字段设计豆包生成剧本后让它继续按分镜表格式整理。一个能直接用于生产的短剧分镜表至少包含这些字段镜头号景别画面描述角色动作台本估计时长配音音色01中景林晚在报社走廊快步走林晚边走边低头看手机“线索又断了。”3s女声-冷静02特写手机屏幕显示一张模糊照片无手指放大照片无2s无03近景林晚抬头眼神坚定林晚停下脚步抬头“去现场。”2s女声-冷静分镜表里每个镜头都会成为即梦的输入提示词。所以画面描述一定要写实“林晚在报社走廊快步走”比“一个女记者匆忙赶路”更容易生成稳定结果。4.3 剧本验收标准分镜表产出后先检查以下几点再进入生成阶段每个镜头是否对应一句可以视觉化的描述。每个角色在不同镜头里是否使用了完全一致的描述词。台本和配音音色是否已经在分镜表里标注。台词口语化程度是否够AI 配音能不能自然读出。5. 主体一致性即梦 5.0 多主体一致性设置这是整套流程里最关键的一步。分镜表写得再好如果画面里的角色每换一个镜头就变个人这次教程就白看了。5.1 先给每个角色生成一组参考图建议先用即梦生成角色的基础造型图。这一步不要直接生成视频先生成图片。提示词思路# 即梦角色参考图生成提示词示例 高清正面像年轻女性黑色齐肩发左耳银色几何耳坠深灰色高领外套 右手腕红绳中性表情浅灰色背景半身构图影视级打光真人感风格8K 细节生成后挑选出最符合人设的一张图作为该角色的主参考图。再生成几张同一角色不同角度的图包括侧面、近景、全身构成一个角色参考图库。这是多主体一致性的基础素材。单人测试通过后再测双人和多人场景。即梦 5.0 对多主体的支持边界建议用“同场景两人”、“三人对话”、“两人动作交互”这种递进方式测试。不要一上来就生成一个六人群像然后抱怨效果不稳定。5.2 分镜提示词怎么写分镜画面生成时提示词建议统一采用以下结构【主体描述】【动作】【场景】【景别】【镜头运动】【画风】【参考图锁定】示例# 即梦分镜提示词示例 林晚参考图锁定黑色齐肩发左耳银色耳坠深灰色高领外套 在报社走廊快步走低头看手机中景镜头跟随冷淡氛围 电影感色调景深虚化真人感画面稳定注意几个操作细节每次生成新的分镜都要重新附带角色的视觉锚点不能只写“参考图锁定”。参考图锁定和文字描述要同时存在图片负责五官结构文字负责场景和动作。多个角色同框时每个角色都要在提示词里明确列出。分镜里有动作就先保证主体稳定再考虑动作幅度。动作越大漂移概率越高。5.3 判断一致性是否合格一个分镜生成后先做快速检查再决定是否进入下一步脸型、五官比例、发色是否一致。服装颜色和款式是否一致。耳坠、红绳等视觉锚点是否保留。光线和画风是否与前一个镜头统一。如果 5 个镜头里有 3 个都出现明显漂移优先检查提示词是否写全而不是反复抽卡。参考图和文字描述不一致是主体漂移最常见的原因。6. 分镜与素材生成批量产出与筛选分镜表确认后进入素材生成阶段。建议按“单个镜头多次生成”的方式操作每个镜头生成 3 到 4 个候选画面而不是每个镜头只生成一次。6.1 先生成图再生成视频2016 视频生成的稳定流程是先出图、再让图动起来。直接文本生成视频的随机性更大在多主体场景里尤其明显。建议步骤第一步按分镜表生成该镜头的“关键帧图片”。第二步把选中的关键帧导入视频生成功能。第三步在视频生成中附上动作描述如“林晚抬头看向镜头镜头缓慢推进”。第四步生成后播放检查人物变形和动作流畅度。6.2 批量素材命名规范生成素材一定要按分镜表的编号命名否则剪辑阶段会乱。比如“01_02_林晚_中景_v01.mp4”表示第 1 场第 2 个镜头的第 1 个候选版本。这样命名后续在 LibTV 时间线上找素材的效率会高很多。文件名里带上场景号、镜头号、角色名、景别、版本号是最基本的生产规范。7. 配音与音频豆包配音流程画面素材确定后开始配音。这条流程里豆包配音的优势是能和剧本阶段共用同一套角色设定不需要额外训练音色。7.1 配音输入方式建议把分镜表里的“台本”列直接导入豆包配音。不要一句一句复制整段整段导入效率更高也更利于控制语调。多角色对话时按角色分别生成配音。每个角色生成一条完整的音频不要混着生成。这样后续剪辑时可以单独调整每个角色的音量、语速和时间轴位置。7.2 多音字和重音处理AI 配音常见的坑是多音字。操作方式是在文本里直接标注读音或断句。比如“他看到了那个行长的背影”如果不标“行长”的发音AI 可能会读错。豆包配音里处理多音字和轻声基本原则是“写成它能读对的样子”必要时用同音替换但语义不变的字词。7.3 先配音后剪辑还是先剪辑后配音先配音后剪辑是更稳的流程。先用豆包生成完整配音再把配音导入 LibTV之后铺画面最后统一对齐节奏。这样做的好处是配音时长决定了镜头长度画面去适配声音而不是声音去凑画面时长。每一段台本的长度可以和分镜表里的“估计时长”对照检查偏差大的地方重点处理。8. 剪辑成片LibTV 粗剪与精剪LibTV 在整套流程里负责把零碎的素材拼成一段能看的片子。这个阶段的操作重点是“先粗剪再精剪”。8.1 粗剪流程第一步把选定的分镜视频全部导入 LibTV 素材库。第二步按分镜表顺序拖到时间线上先不管节奏把镜头排成一整条。第三步把豆包配音根据台本位置放到音频轨道上。第四步播放完整片预览标记出画面断裂、动作不连贯、配音不匹配的位置。粗剪阶段只解决“完整性问题”不追求节奏和色彩。8.2 精剪优化精剪阶段重点处理这几个问题节奏两个镜头之间的间隙过长就剪掉前一段的结尾空档。替换某个镜头画面崩了但还没到不可用程度直接回到即梦重新生成这一个镜头单独替换。LibTV 的替换操作建议用“片段替换”功能而不是删掉重排。字幕直接用台本生成字幕校对后对准配音。转场AI 短剧优先用硬切不要滥用转场特效。复杂转场反而会把不一致性问题放大。精剪时保持清醒一集三分钟短剧核心是观众是否跟得上剧情而不是画面有多少特效。8.3 导出与备份导出时长从 30 秒到 60 秒开始测试确认播放正常后再导出完整集。导出分辨率以各平台当前可用档位为准根据成片用途选择。正式发布前的版本建议保留一个工程文件和一个视频源文件的双备份。9. 全流程时间分配与常见问题排查以三分钟短剧为例给一个大致的时间分配参考环节建议耗时占比说明剧本和分镜20%分镜表越细后面越省时间角色参考图10%每个角色先做好设定再批量推进分镜素材生成40%最大的时间占比需要抽卡和筛选配音10%分镜表准了配音反而很快剪辑成片20%粗剪半小时精剪两小时起步实际操作中常见的问题和排查方法问题现象可能原因排查方式解决方案同角色不同镜头长相不一致参考图不统一、提示词前后描述不一致检查分镜表里的角色描述是否统一重新生成角色参考图并统一后续提示词措辞多人同框时主体混淆提示词里没有区分角色、参考图数量不够检查提示词是否分别描述每个角色分别锁定每个角色参考图并明确站位生成画面动作幅度过大导致崩坏动作描述太复杂简化动作描述让画面主体先稳定先出关键帧图再图生视频配音和画面时长不匹配分镜表时长估错检查配音时长和画面时长差多少剪掉画面空档或调整配音语速素材文件混乱找不到镜头没有按分镜命名检查文件命名是否符合规范按场景号、镜头号、角色名重命名复盘剪辑卡顿明显视频素材体积大、浏览器性能不足查看导出素材的分辨率和帧率先做低分辨率代理再剪辑或分批处理排查问题有个基本原则一次只改一个变量。画面崩了先改提示词再换参考图不要同时改三个东西否则你根本无法判断哪个变量生效了。10. 最佳实践与合规备忘最后整理一批实用的工程化建议。第一先做 30 秒的最小测试。第一次跑这套流程不要直接预算一集三分钟先做一段 30 秒漫剧或真人感短剧验证三个工具的配合熟练度再进入正式制作。第二保持一套可复用的“角色素材包”。每个角色生成好设定图、参考图、配音音色、台词风格后整理成独立文件夹。下次做同一系列续集时直接调用不需要重新生成。第三批量生成时控制节奏。一次性生成过多素材容易造成筛选疲劳。建议每批生成 10 到 15 个镜头筛完一批再生成下一批。第四所有工具输出都有波动性。某个镜头今天生成效果好明天可能是废片这很正常。关键分镜头要保留多个候选版本不要执着于“完美的那一次”。第五合规和授权要贯穿全流程。使用真人肖像、明星形象配音、有版权的背景音乐、他人创作的插画风格前必须确认授权范围。面向公开平台发布 AI 短剧时建议按平台要求标注 AI 生成内容。涉及真人原型时肖像授权和名誉风险尤其要提前评估清楚。这套“豆包 即梦 5.0 LibTV”的组合最值得先验证的功能就是多主体一致性。你先拿一个角色做三次转场测试看它能不能稳定保持同一张脸。能稳定再扩大到一个短片的完整流程不能稳定优先检查你的参考图和提示词是否一致不要急着抽卡。这套流程跑通之后可以继续往两个方向扩展一是把分镜表做成标准模板快速批量套用二是尝试同系列多集连续制作利用累积场景库降低单集成本。对于个人创作者而言这是一条投入低、迭代快、验证效率高的 AI 短剧生产路径。