一个人、一台电脑、8 分钟 AI 短剧：从《黄果》逆向拆出来的 13 步流水线（万字实操指南）
这篇文章讲的是一件可以被重复的事：一个人不凑班子、不租场地、不排档期，用 AI 工具做出一部 5–8 分钟、能发布、能变现的短剧。
首发于 X @GeekCatX ↗，欢迎去原帖点赞、转发、留言。
这篇文章讲的是一件可以被重复的事：一个人不凑班子、不租场地、不排档期，用 AI 工具做出一部 5–8 分钟、能发布、能变现的短剧。
内容全部来自一份对《黄果》8 分钟成片的逆向拆解手册。117 个镜头，一帧一帧倒推出它用了什么模型、怎么保证主角不换脸、为什么每 5 帧会多出 1 帧重复帧。倒推的结论整理成了 13 个步骤，每一步都有“做什么、为什么、怎么判断做对了、出错怎么办”。
读完你应该能独立做出第一部片子，并且知道下一步往哪走。价格、平台规则这类会变的信息，文中给的是截至 2026 年 9 月的区间，文末附核验关键词，自己搜就能更新。
先说清楚边界：这套流水线覆盖的是 AI 辅助生成的剧情类短剧。不是 AI 动画，不是真人实拍剪辑，不是口播号。
一、先做一个选择：三条技术路线
做 AI 短剧，本质是在“算力买来的便利”和“自己搭建的可控”之间选一个位置。所有方案都能归到三条路线上。
路线 A：云端全流程托管。 打开网页，写提示词，点生成，下载成片。Kling 可灵网页版、Runway、Pika、Luma Dream Machine 都属于这类。门槛最低，会打字能上网就行，1–3 天可以出片。代价是按次或按秒计费，量产时单分钟成本常在数十到数百元；人物一致性难控；商用条款要逐条审。
路线 B：本地开源堆栈。 自己装 Stable Diffusion、Wan 系列视频模型、ComfyUI 工作流，角色一致性靠 LoRA 训练，全部在自己显卡上跑。单次生成几角到一两元，电费加折旧。代价是需要懂 GPU、驱动、工作流，2–6 周才稳；前期要买卡；模型要自己找、自己训。
路线 C：混合路线。 前期用云端验证故事和风格，跑通全流程后，把关键环节迁回本地，换取成本可控和人物一致。约 3–4 周上手，前期贵、后期平摊后接近本地。
这三条路线为什么不能混着看？因为它们决定三件事：每秒钟素材多少钱、人物能不能从头到尾长得一样、你能不能商用发布。
手册的推荐不含糊：
- 纯零基础、只想一周内做出一条能发的片子验证故事：选 A。Kling 网页版 + 剪映/CapCut，总现金成本控制在 200–600 元，免费额度用完再付钱。
- 已经做过 2–5 条、发现人物对不上脸、或者要商业化批量生产：立刻启动 C。云端把故事验证完，同时开始学 SDXL + Wan 本地部署和 LoRA 训练，第 30 天前把“角色 LoRA + 场景库”这两个资产建起来。
- 已经有 RTX 3090/4090 级显卡、目标是接商单或做连续剧集：直接上 B。
判断标准只有一条：算清楚每条片子的边际成本。一旦单分钟成本高于这条内容的预期收益，就必须迁到本地或自建资产库。这是外行和内行的第一个分水岭。
二、这套流水线为什么有效：把成本拆成三份
流水线的底层逻辑不是魔法，是“把贵的地方标准化、把难的地方模块化”。任何一部短剧的制作成本都能拆成三份。
固定成本：角色形象、常用场景。只要做好一次、反复复用，边际成本趋近于零。这就是第 2–3 步（角色 LoRA、场景模板）存在的意义。
变动成本：每个镜头的生成消耗。用哪个模型、生成多长、要不要精修，决定这一镜花多少算力。第 6–9 步都在优化这一项。
人力成本：人的判断与手活。第 5 步人工精修、第 10 步后期，是把“能用”变成“能播”的地方。
理解 AI 视频模型怎么工作，也有一个好用的类比：它不是“拍照片”，而是“根据描述重绘连续画面”。给一张参考图（I2V）或一段文本（TI2V），模型先理解语义，再在保持参考图构图的基础上逐帧重绘。它的强项是“像”和“氛围”，弱项是精确的物理规律，比如两只手正确交接一个物体。第 9 步的动作参考和第 5 步的人工精修，都是在补这块短板。
四个只有内行才知道的认知
重复帧不是 bug，是证据。 《黄果》成片里每 5 帧出现 1 帧重复帧，这是把 24fps 片段统一到 30fps 时间线的痕迹。新手常把它当卡顿去“修复”，删掉反而会让时序乱掉。看到这种痕迹，说明素材确实是分段生成的。
镜头越短越便宜越好。 《黄果》117 个镜头样本里，72% 的镜头不超过 5 秒，92% 不超过 8 秒。短镜头意味着失败重生成成本低、观众注意力不掉、剪辑有灵活性。不要追求“一镜 30 秒大片感”，那是成本最高、效果最不稳定的写法。
LoRA 不是训练一次就万事大吉。 角色 LoRA 需要持续喂高质量图，多角度、多光照、少噪声。训练集里混进一张糊图，可能毁掉整套模型的一致性。人物转到背面、或者姿势极端的镜头，仍然需要人工校正。
精修比例是项目的生死线。 关键帧里值得入正片的比例如果低于 30%，说明提示词工程还没过关。继续砸生成量只会堆成本，不如退回第 4–5 步把提示词和参考图库磨好。
这套流水线什么时候会失效
超长连贯动作（一套复杂武术或舞蹈全程不崩）：当前模型仍会漂移。解法是单镜不超过 8 秒、多镜拼接、必要时实拍动作做参考。
多人精密互动（击掌、传球、拥抱）：容易多出手指或穿模。解法是中远景代替特写、用道具遮挡手部、后期合成。
文字准确性：模型生成的招牌、手机屏幕文字大概率是乱码。不要指望模型直接出可用文字，留到第 12 步后期加字幕和 UI。
超过 50 个镜头、跨度几周的项目：仅靠一张 LoRA 仍可能出现细微漂移。解法是建立多角度、多表情的参考图库，定期用真实感强的参考帧校正。
三、开工前把东西摆好
别一边做一边找工具，那会让你在第 3 步就崩溃。
| 项目 | 推荐选择 | 备注 |
|---|---|---|
| 账号 | Kling 可灵网页版 + 剪映/CapCut | 均有免费额度，先领满再付费 |
| 图片生成 | Midjourney / 即梦 / SDXL 本地，三选一 | 新手建议即梦或 Midjourney 试水 |
| 视频生成 | Kling 首选 / Runway / Luma | 首月预算 200–600 元以内 |
| 剪辑 | CapCut 剪映首选 / 达芬奇进阶 | 剪映对字幕、音效、特效最友好 |
| GPU | RTX 3090/4090（24GB）或云 GPU | 仅路线 B/C 后期需要 |
| TTS 配音 | 剪映内置 / 讯飞 / ElevenLabs | 中文情感配音优先本地工具 |
| 素材库 | 自建角色图库文件夹 | 一个硬盘文件夹即可 |
| 时间 | 第一部成片 20–40 小时；熟练后每条 5–8 小时 | 第一次一定留足缓冲 |
关于钱怎么花，手册里有一句话值得抄下来：一条烂故事 + 一万张图 = 垃圾；一个好故事 + 一百张精修图 = 可发布作品。如果只做一条验证片，把钱花在前两步（一个好故事、一个好角色），比花在生成量上划算。
几个反复出现的术语，先用大白话过一遍：
- LoRA：给图像模型吃少量特制数据后得到的“小插件”，让模型记住某个人的长相，不用重训整个模型。
- I2V：图生视频，拿一张静态图让它动起来。TI2V：纯文本驱动的视频生成。S2V：按场景或分镜直接生成对口型动作的片段。
- ComfyUI：用节点连线编排 AI 生成工作流的软件，本地部署的主流界面。
- 补帧：插入中间帧让画面更流畅，常用来做 24fps 到 30fps 的转换。
- 人物漂移：同一个角色在不同镜头里长相悄悄变化，AI 短剧最大的坑。
四、13 步流水线逐步拆解
以下步骤编号完全对齐《黄果》流水线。每步四要素：做什么、为什么、怎么判断做对了、出错怎么办。
第 1 步：LLM 编写剧情、拆分镜头与台词
用任意大语言模型先写一份 8 分钟短剧的完整大纲，要求“强冲突开场（前 30 秒必须有悬念）、每 1–2 分钟一个小反转、8 分钟三个高潮”。然后让它把大纲拆成分镜脚本，格式固定：
Shot_001 | INT, 卧室 | 近景 | 3s | 女主坐在床边，低头
INT 是室内，近景是景别，3s 是时长，后面是动作描述。要求它为每个镜头标出台词、情绪、机位、是否为对话镜头或关键镜头。
固定格式的意义是，后续步骤可以用脚本批量处理这些镜头数据。
怎么判断做对了：一个 8 分钟短剧的参考体量是 100–130 个镜头（《黄果》为 117 个），中位镜头时长 3–4 秒。如果剧本只有 30 个镜头却号称 8 分钟，那是错的。
出错怎么办：格式不对、镜头数对不上时长，把输出格式模板当“填空题”发给它，并要求“每条镜头自动校验总时长是否落在 7:30–8:30 之间”。剧情拖沓、前 30 秒没冲突，追加一句约束：“每段情节必须在 20 秒内推进一次信息增量，否则删除。”
手册给了一套可以直接喂给任何大模型的提示词，我原样搬过来：
你是一位精通短视频叙事的编剧。请为 AI 短剧创作一部 8 分钟悬疑微短剧。 【约束】1. 总时长控制在 7:30–8:30 之间。2. 前 30 秒必须出现第一个悬念点。3. 每 60–90 秒一个小反转，全剧至少 3 个高潮。4. 单镜时长控制在 2–8 秒，避免长镜头。5. 场景尽量集中（不超过 8 个），便于 AI 生成一致性。 【输出格式】第一步先给完整大纲（含三幕结构与每幕时长分配）。第二步把大纲拆成编号分镜脚本，每镜严格按以下字段输出：Shot_### | SCENE（室内/室外） | 景别 | 时长（s） | 画面动作描述 | 台词/音效 | 主演情绪 | 机位/运镜
第 2 步：角色设定与 LoRA 训练（固定人物形象）
这是全片最重要的投资。没有它，每一镜都要重新“描”脸，人物随时漂移，观众一眼觉得是“假人”而不是“角色”。
用图片生成工具为每个主角画一套角色设定集：正面全身、正面半身、侧面、背面、不同情绪（喜怒惊悲）、不同光照（正午、夜间、逆光）。每角色 12–20 张起。按角色名建文件夹，characters/女主/，文件命名如 heroine_01_front.jpg。
用 LoRA 训练工具（SDXL 生态用 kohya_ss，Wan 生态参考官方示例）以这套图训练角色 LoRA。训练数据要干净：同一个人、清晰、无水印。
训练完成后做验证生成：用“我的角色 + 普通场景”生成 20 张图。
怎么判断做对了：20 张里至少 15 张你能一眼认出是同一个角色，包括侧脸和背影。如果背影和正面完全不一样，说明数据集不够或参数没调好。
出错怎么办：人物漂移，检查训练集是否光照太单一，或把 LoRA 权重降到 0.6–0.8 避免过拟合。面部崩坏、手指多长，加高清修复（Hires fix），或留到第 5 步人工精修。
单角色本地训练约 1–3 小时。第一次不要追求完美，先出能用的版本，边做边喂图迭代。
第 3 步：场景模板建立
统计剧本中出现频率最高的 5–8 个场景。为每个场景产出一套模板：同一空间在白天、黄昏、夜晚的光照变体，每个模板存一张底图，放进 scenes/ 文件夹作为 I2V 的参考图。
场景一旦固定，后续所有镜头只需“把角色放进去”，不用每次重新设计布光和构图。
怎么判断做对了：任意两个相隔几分钟剧情的镜头，观众能确认是“同一个房间”，家具位置、墙面颜色、光线方向不变。
出错怎么办：场景在视频里漂移变形，调高参考图权重，或第 10 步后期做色彩与结构统一。室内外光照逻辑不一致，建模板时就标注光源方向，生成时写进提示词。
第 4 步：图片模型生成关键帧
回到分镜脚本，逐镜用“角色 LoRA + 场景底图 + 提示词”生成高质量静态关键帧。提示词模板：
[角色描述],[景别构图],[动作与表情],[光照与环境],[风格关键词]
每个镜头先生成 4–8 张备选，留给第 5 步筛选。
关键帧质量决定成片上限。视频模型是在关键帧基础上运动起来的，底图糊，视频必然糊。这一步的投入回报率最高。
怎么判断做对了：关键帧达到“单独放一张图也愿意发朋友圈”的水平。
出错怎么办：人物被背景吞掉或比例失调，在提示词里显式强调景别，如“中景、主体占画面 60%”。提示词过长导致理解混乱，控制在 3–5 个核心短语内，不要堆形容词。
提示词工程有三条纪律：把人物外貌写成“可复用的名词串”，放在每个镜头提示词的开头同一位置；用 –ar 9:16 或等效参数保证竖屏比例；风格关键词全片统一，不然色调会打架。
手册给的一个可套用范例（悬疑剧特写镜头）：
年轻东亚女性 26 岁 面部特写 惊恐表情 瞳孔放大 嘴唇微张 左手抬至镜面 镜中影像滞后 0.5 秒 双重曝光效果 左侧暖台灯光源 右侧冷环境光 高对比度 电影布光 70mm 胶片颗粒 –ar 9:16
第 5 步：人工筛选与精修
这一步不能省。它是“能用”和“能播”的分界线。AI 不会自己纠错，你必须当质检员。
建立三级筛选标准：A 级直接入库正片、B 级微调后入库、C 级扔回重生成。用 Photoshop、SDXL 的 Inpainting 重绘处理手、脸、五官、服装褶皱、错字。B/C 级镜头记入“问题清单”，集中反馈到提示词或数据改进上。
怎么判断做对了：A 级镜头占比不低于 30%，且 C 级主要集中在姿势类、手部交互这种已知的 AI 弱点区，而不是大面积脸崩。
出错怎么办：修图工作量爆炸、每张 10 分钟以上，立刻退回第 4 步优化提示词，把常见问题写成负面提示词（多手指、扭曲五官、畸形肢体），下一轮批量过滤。
第 6 步：普通镜头生成（I2V/TI2V）
《黄果》对应的是 Wan 2.2 的 I2V/TI2V 路径，新手可用 Kling、Luma 网页版替代。
把 A 级关键帧导入视频生成工具，输入参考图 + 提示词，描述“这一镜要发生的动作”，越具体越好，比如“缓缓抬头，眼神由惊恐转为迟疑”。生成 3–8 秒片段。单镜生成 3–5 条候选（不同随机种子），命名 shot_001_v1.mp4。
时长目标 3–8 秒。太长必崩。
I2V 是在已知好构图基础上“加运动”，比纯文本生成的稳定性和可控性高一个量级。
怎么判断做对了：关键帧的人物、构图、光影在视频开头保持住，无“开跑即漂移”，运动平滑无撕裂。
出错怎么办：画面闪烁、人物突变，降低运动强度参数，或缩短到 4 秒再扩。提示词对动作没反应、人物站着不动，用更强的动词（“转头”“起身”“推门”而不是“有情绪地站在”）。
成本纪律：云端 I2V 按秒计费，先单次小批量测试，5 条 × 5 秒 = 25 秒，看清单价再放量。手册给的云端算力参考是约 0.084–0.100 美元/秒（720p，H100）。
第 7 步：对话镜头处理（S2V/Lip-sync）
对需要说话的镜头，优先尝试 Wan S2V 或专用对口型工具（SadTalker、Sync Labs、HeyGen 等），同时调整微表情。
对口型不对是“假人感”的最大来源之一，观众潜意识会盯着嘴看。
出错怎么办：嘴唇糊成一团，换清晰度更高的参考图。嘴动但不合词，检查音轨与视频时长是否严格对齐，差几毫秒都会错位，先对时间轴再对嘴。
第 8 步：成人镜头处理（合规警示）
《黄果》的流水线里有这一步，手册也如实记录了它。但我必须把手册的警示原样放在这里：多数商用平台的条款明确禁止 NSFW 内容，违规等于封号加收入清零；国内分发渠道对这类内容有明确审核红线，2026 年 9 月起的新规还提高了事前登记要求。
如果你确实涉及此类题材，把合规评估放在第一位。这篇文章不展开技术细节，只说明行业内存在这套做法。
第 9 步：动作参考（可选）
对复杂双人或多人动作（牵手、摔倒、打斗），先自己拍一段真人参考视频，手机竖屏即可，或用 OpenPose 类工具提取姿态序列、深度图、骨骼，作为视频生成的运动引导。
模型不懂物理。真人演示等于给它“标准答案”，大幅降低多人互动穿模概率。
出错怎么办：姿态识别失败，简化动作或用纯色背景、单色衣着拍摄。运动跟不上，缩短该镜时长、改用小幅度动作。
第 10 步：后期处理（超分/去闪/补帧/统一）
依次执行：超分辨率（720p 到 1080p，Topaz Video AI 或开源 Real-ESRGAN）、去闪烁与降噪、色彩统一（LUT 调色让所有镜头色调一致）、24fps 到 30fps 补帧（DaVinci Resolve、Topaz Video AI 或 ffmpeg）。
各镜头由不同时间生成，画质与色温参差不齐；补齐帧率是为了在网络平台播放时不卡顿。前面说的“每 5 帧重复 1 帧”就是这一步留下的痕迹。
怎么判断做对了：同一场景前后色差肉眼不可辨，无闪烁颗粒，网页端预览不卡顿。
出错怎么办：补帧后出现拖影、融化，降补帧倍率，1× 就够，不要贪 4×。超分后人脸变形，改用专为人脸优化的模型通道。
第 11 步：音频制作
TTS 配音（剪映内置、讯飞、ElevenLabs，中文选本地工具）、背景音乐（平台版权库如 YouTube Audio Library、剪映音乐库，注意商用授权）、环境音效（脚步、关门、街道）、混音。混音目标：人声比 BGM 高约 6dB。
音频占观众体验的一半。配音出戏或音乐盖过人声会直接劝退。
怎么判断做对了：戴上耳机听全片，人声清晰不闷、无电流音，BGM 只在转场和高潮处推起来。
出错怎么办：TTS 机械感重，加停顿符或换更自然的模型。音乐版权不明，只用平台自带库或 CC0 素材。
第 12 步：字幕与 UI 包装
字幕用剪映自动识别，再人工校对，自动字幕准确率约 85–90%，方言和人名会错，必须至少人工过一遍。手机聊天界面、新闻弹窗这类 UI 元素，用 PS、AE 或剪映贴纸做。加片头、水印、转场。
字幕是地铁、公交场景观看的必要载体；UI 元素强化“这是剧中世界”的沉浸感。
怎么判断做对了：关掉声音看画面，字幕能让人完整看懂剧情。
出错怎么办：UI 文字渲染成乱码，切勿指望视频模型生成文字，一律后期加。
第 13 步：剪辑与输出
把所有素材按分镜脚本顺序导入剪辑软件，粗剪定节奏、精剪删废镜填转场、加音效位、导出。导出参数：1080p、H.264、比特率 12–20 Mbps、30fps、MP4，时长对齐 7:30–8:30。
怎么判断做对了：完整播完不尴尬，无跳切、无黑场、无声画不同步。
出错怎么办：导出后黑屏或无声，检查编码格式兼容性，换 H.264/mp4 重导。平台拒审，对照 2026 年 9 月新规检查标题、对白、内容是否需要登记。
13 步做完之后
把片子发给 3 个完全不懂这行的人看，禁止任何指导，让他们标记“哪一刻想划走”。看完问三个问题：哪一刻你最想划走（定位节奏失败点）、你能说出主角是谁吗（验证人物识别度）、你觉得这是真人拍的还是 AI 做的（验证假人感）。三个人答案取交集，被两人以上指出的点就是必改项。
这个测试的价值在于绕过内行视角。你自己能容忍的瑕疵，外行第一眼就会炸。
五、每一步到底花多少时间
手册给出的实测估算区间：
| 步骤 | 第一次（小时） | 熟练后（小时/条） | 最大优化杠杆 |
|---|---|---|---|
| 1. 剧情+分镜 | 3–5 | 0.5–1 | 固化剧本结构模板 |
| 2. 角色设定+LoRA | 8–15 | 2–4 | 积累通用角色库 |
| 3. 场景模板 | 2–3 | 0.5 | 复用旧场景 |
| 4. 关键帧生成 | 4–8 | 1–2 | 优化提示词常量 |
| 5. 筛选+精修 | 3–6 | 1–3 | 负面提示词前置 |
| 6. 视频生成 | 2–4 | 1–2 | 小批量测试策略 |
| 7. 对口型 | 1–2 | 0.5 | 批量处理脚本 |
| 9. 动作参考 | 1–2 | 0.5 | 建立姿势库 |
| 10. 后期 | 2–4 | 1–2 | 批处理工作流 |
| 11. 音频 | 1–2 | 0.5 | 固定音效库 |
| 12. 字幕+UI | 1–2 | 0.5 | 半自动字幕+模板 |
| 13. 剪辑+输出 | 2–4 | 1–2 | 保留可复用序列 |
| 合计 | 34–62 | 12–21 |
第一次花 40 小时左右是正常的，不要因此觉得自己笨。熟练后每条 10 小时左右，其中 70% 的时间花在第 2 步（角色）和第 6 步（生成）。把这两个环节做成资产库，边际成本会指数级下降。这就是“做完第一部”和“开始量产”的分水岭。
六、LoRA 训练：新手最容易卡死的一步
第 2 步值得单独展开，因为它是新手最可能放弃的地方。
训练前准备：一张 A 级角色设定图当主参考（最标准、最清晰的正面图），12–20 张同角色不同角度的素材图，质量大于数量。训练工具本地用 kohya_ss GUI，云端可用即梦训练器或 RunPod + kohya_ss。显存 16GB 以上舒适，10GB 可开优化跑，8GB 极吃力。
图片预处理决定 LoRA 的干净程度：裁切只保留人物主体；缩放到 1024×1024 或 832×1248（SDXL），保持长宽比；逐张打开剔除模糊、变形、水印、多人的图。
参数速查（SDXL 基准）：learning_rate 1e-4 到 5e-4，角色 LoRA 偏高；train_epochs 10–20；总步数控制在 1500–3000，超出会过拟合；rank 64–128，角色一致性要求越高需要越大；network_alpha 设为 rank 的一半；mixed_precision 用 fp16 或 bf16 降显存。
训练中观察 Loss 曲线：持续下降是好事；降到极低后反弹或震荡说明过拟合；一直不降说明学习率太高或提示词没对齐。每保存一个 checkpoint 就拿它做一次验证生成，挑最好的一个。
一条踩坑提醒：训练集里混入一张人脸不同的图，相当于给模型“喂了一个假名字”，整套 LoRA 的一致性都会受损。宁可少而精，不要多而杂。
如果你第一天就卡在环境配置上，手册的建议是先绕开：用即梦或 Midjourney 的角色一致性功能（若有）或手动修图顶一季，先把片子做完，等信心回来再啃硬骨头。完片大于完美。
七、常见坏例速查
遇到卡点先查这张表，比问人快。
| 问题现象 | 可能原因 | 解决方法 |
|---|---|---|
| 人物脸部崩坏/换脸 | LoRA 训练集质量差或权重过高 | 检查脏图；权重降到 0.6–0.8；加强精修 |
| 手部畸形 | AI 对手部交互天然弱 | 中远景代替特写；道具遮挡；实拍参考；局部重绘 |
| 背景漂移 | 参考图权重不够或提示词含混 | 提高权重；提示词明确家具位置“sofa on left, door on right” |
| 视频开头正常后面崩 | 生成时长过长 | 控制在 3–8 秒；分镜拼接 |
| 画面闪烁/噪点 | 模型内部插值不稳 | 降运动强度；后期去闪降噪；补帧降倍率 |
| 文字乱码 | 模型不会正确拼写 | 一律后期加 |
| 嘴唇不同步 | 音轨与画面不齐或参考图不清 | 严格对齐时间轴；换高清参考图 |
| 云端费用失控 | 无限制放量 | 每日预算硬上限；5×5s 小批量测试；尽快迁本地 |
| LLM 剧情注水 | 约束不够强 | “每 20 秒推进一次信息增量否则删除”；少形容多动作 |
| 声音出戏 | TTS 机械感 / BGM 抢人声 | 换模型；加停顿符；人声抬高 6dB |
八、成片能不能发：四级分级
第 10 步做完后，用什么标准判断“这个片子能发了”。手册用的是四级画质分级。
L1 废片：人脸崩坏、肢体畸形、严重闪烁。直接丢弃重生成。 L2 可用素材：单镜基本合格但有瑕疵。入库存档，作 B 卷或过渡镜。 L3 正片候选：无明显硬伤，色调统一后可发布。主片素材。 L4 精品：构图、光影、神态均佳，单独看图也成立。封面图、宣传图、高价商用。
操作纪律：L1 当场扔，L2 进素材库待用，L3 进主线，L4 提名封面候选。别把 L2 当 L3 用，观众会看出来。
逐镜必查项（每镜 30 秒）：人脸清晰可辨；可见手数量不超过 2 只且手指完整；换镜后还是同一个人；家具建筑结构不变形；室内没有多方向强光源冲突；皮肤区域无闪烁色块；时长误差 ±1 秒内；运动无撕裂融化。任一项为否，该镜头降级为 L2 或重生成。
全片必查项：色调统一；无黑场、无声、音画不同步；人声突出 BGM 不抢；字幕错字不超过 1 处；时长 7:30–8:30；无违禁内容；文件小于 2GB。
九、做出来之后怎么变现
四条路径：
平台分成：抖音、快手、视频号、YouTube 的创作分成计划，按播放量拿钱。所有创作者都能走，粉丝或播放量达标即可。 付费解锁：前几集免费，后面向付费用户解锁，短剧平台的主流模式。需要有追剧感的连续剧，且入驻短剧发行平台。 广告植入：剧情内自然植入品牌产品。需要一定粉丝基数。 带货/导流：挂小黄车或导流私域。需要选品能力。
各平台的性格不同（截至 2026 年 9 月）：抖音竖屏 9:16、前 3 秒定生死、完播率权重最高，支持“合集”做追剧感；快手下沉市场偏好强冲突题材；视频号中老年用户占比高，家庭伦理和情感题材表现稳；YouTube Shorts 和 TikTok 海外 CPM 是中文平台的数倍，但要过翻译与文化适配。
手册给的定价参考是行业惯例区间，不是官方定价：单集付费解锁国内常见 0.5–3 元/集，整剧打包 9.9–39.9 元；抖音中视频计划大致 1–5 元/万播放，波动极大；万粉级 KOL 单条剧情植入常见 2000–20000 元。接入前一定到平台创作者后台核对当期规则。
首月运营的节奏：Day 1–3 选平台、注册、开通分成权限；Day 4–10 发第 1 部正片加 3 条幕后花絮建立人设；Day 11–20 根据完播率重构第 2 部、固定高频场景；Day 21–30 开合集连载，发第 2、3 部；Day 31–60 尝试一次付费解锁或小范围投放测 ROI；Day 61–90 复盘，关停低效路径，建外包协作。
十、合规：三道红线
内容红线：色情、暴力、诱导、虚假宣传。国内渠道一律不过审，海外也面临年龄分级风险。
版权红线：角色形象不得沿用已有影视、动漫 IP 的具象形象，“米老鼠脸 + AI 外衣”也是侵权；音乐音效必须商用授权。
肖像红线：不得用 AI 换脸模拟真实公众人物，尤其政治人物和明星。
关于 2026 年 9 月 1 日起生效的中国微短剧新规，手册依据 Reuters 和 Global Times 的报道归纳了三点：标题、对白等需通过事前审核；所有内容须持许可证或完成正式内容登记后方可上线；平台承担连带审核责任。政策随时可能修订，分发前向目标平台创作者后台核对最新要求。
发片前逐项打钩的自查清单：模型商用条款允许商用（开源模型看 LICENSE）；角色形象为原创或由商业授权工具生成；音乐音效有商用许可；未出现真实公众人物肖像；已按目的地法规完成必要登记。
十一、新手最可能在三个地方放弃
第 2 步 LoRA 训练失败。 新手常以为“训个 LoRA 应该很简单”，结果第一天卡在环境配置。应对：先绕开，用现成工具的角色一致性功能或手动修图顶一季，先把片子做完。
第 6 步“生成几百张全是废片”的成本焦虑。 云端按秒计费，第一次放量容易花超预算又看不到好结果。应对：严格按“5 条 × 5 秒测单价、调参数、再放量”的节奏，设定每日预算硬上限，建议 50 元/天起步。
第 12–13 步“怎么都修不够”的拖延症。 细节控会把 8 分钟片子拖成 3 个月。应对：给自己设“最小可发布版本”，字幕准、音画齐、无大 bug 就发。完美主义是量产最大的敌人。
十二、第一部做完之后往哪走
前 30 天建资产库。 把跑通的“角色 LoRA + 场景模板 + 关键帧筛选标准 + 提示词模板”整理成可复用的 SOP 文档和文件夹架构。目标：第二部片子的生成量比第一部减少 40%。
前 90 天打通变现闭环。 选一个分发渠道，了解其分成、广告、付费解锁机制，发布系列化内容，至少 6–8 集形成追剧感，用完播率、追剧率反推下一步改进。
90 天后专业化升级。 评估本地化成本收益比：若月产量稳定、云端成本超过本地电费折旧的 2 倍，正式迁移到 SDXL + Wan + ComfyUI 堆栈；同时建立配音、作曲、剪辑的外包网络。
附：核验关键词
价格和规则会变，这些关键词自己搜就能更新：
- 微短剧市场规模：site:cnbc.com OR site:deadline.com “micro-drama market size China 2025”
- 云端算力单价：“Wan 2.1 deployment cost per second GPU”，或各云厂商视频生成计费页
- LoRA 训练硬件要求：“SDXL LoRA training VRAM requirements”,kohya_ss 文档
- Wan 2.2 规格：github.com/Wan-Video/Wan2.2
- 中国微短剧新规：site:reuters.com OR site:globaltimes.cn “China micro drama regulation 2026”