这年头做AI短剧的人越来越多但很多人还在被复杂工作流折磨得够呛。我之前为了做一部两分半的短剧前前后后串了五个工具一个模型出剧本一个工具画图再换个工具做图生视频中间还要手动维护角色参考图、统一提示词口径最后剪辑时发现人物已经换了三张脸。相信不少朋友经历过同样的崩溃工具越多信息断裂越严重每多一次复制粘贴画面离最初的构想就远一分。直到我把工作流收敛成“Gemini 加 SeeDance2.0”这个组合才真正体会到什么叫“一个人就是一支剧组”。Gemini负责把创意变成能拍的东西——剧本、分镜、每一条提示词一次成型。SeeDance2.0负责把文字变成会动的画面不再需要中间环节的绘图和转绘。两个工具对接起来从脑子里的一句话到剪好的短剧片段压缩到一晚上就能跑通。这篇文章把我的完整思路、提示词模板、参数设置和踩坑记录都写出来适合正在做AI短剧但被工具链烦到想放弃的人也适合刚入门、想直接上手做出完整短片的朋友。下面从为什么这套组合能砍掉复杂流程开始讲。1. 为什么说“复杂工作流”是过去式1.1 传统AI短剧工作流的真实痛点先聊聊我之前用过多工具串联的那套流程这也是目前很多教程还在教的做法。大致链路是文本模型写剧本画像模型生成角色设定图和场景图图生视频工具把图变成动态片段再手动保持角色一致性最后剪辑拼接。每一步看起来都有道理但实际跑起来全是坑。第一是工具切换带来的上下文断裂。剧本模型输出的是“她推开便利店的门风铃响了一下”这个描述到了绘图工具里绘图模型不会自动帮你把“风铃响”这种声音信息剔除也不会补上画面需要的视角、光线、构图。你得手动把文学描写翻译成绘图提示词再翻译成视频提示词。每一次翻译都是一层损耗最后画面和剧本之间常常只剩个大概意思。第二是角色一致性几乎靠运气。同一个角色在不同的镜头里脸型、发型、衣服细节很容易漂移尤其是侧脸、转身这些动作幅度大的场景。第三是节奏失控。单镜头逐条生成后拼接出来的片子没有统一的镜头语言看起来像一堆素材而不是一个有呼吸感的短剧。这套流程还有一个隐性成本提示词体系是割裂的。剧本一套写法画面一套写法视频生成又有一套语法。每换一个工具就要重新学一套术语和参数对新人来说门槛非常高。很多人就是卡在这一步放弃了。所以当我发现可以把“决策层”和“生成层”拆成两个环节而且每个环节只需要一个工具时整个效率是完全不一样的。1.2 Gemini和SeeDance2.0的组合逻辑这套组合的核心逻辑是把工作流从“多工具线性串联”改成“两个工具接力”。Gemini属于决策层。它的强项是长上下文和结构化输出。你可以把一段完全不成熟的故事梗概丢进去让它输出包含人物设定、分场、对白、动作描写、情绪提示的完整剧本再让它把剧本拆成分镜表每一行都写清楚这个镜头拍什么、用什么景别、怎么运镜、画面里的核心元素是什么。最关键的是它可以顺手把每一镜的“画面内容”改写成视频生成工具能直接识别的提示词。这就相当于它同时兼任编剧、分镜师和提示词工程师三个角色。SeeDance2.0属于生成层。它把文本直接变成动态视频不需要中间绘图、不需要图生视频的前置流程。同时它对镜头语言有明确的支持推拉摇移、跟拍、环绕这类运镜方式可以直接写在提示词里不再靠运气撞出来。人物一致性也有对应的处理手段比如用参考图约束首帧。这样一来过去四五种工具完成的链路被压成了两步Gemini产出一切文字层面的东西SeeDance2.0负责把所有文字变成画面。我画一条简单的对照线你感受一下差距环节传统多工具工作流Gemini SeeDance2.0剧本与分镜文本模型生成格式自由需手动整理Gemini直接输出标准化分镜表和提示词画面生成绘图工具静态图再图生视频SeeDance2.0文生视频直接出动态画面提示词维护每套工具一套体系Gemini统一生成复制即用角色一致性手动依赖参考图容易漂移首帧参考图约束配合统一描述词流程连贯性多次复制粘贴信息层层损耗表格接力几乎无损耗这套组合不是说所有工具都被淘汰了而是说对短剧这类强叙事、节奏快的视频内容它砍掉了最容易出错的中间层。你想短剧的核心是什么是剧本密度、情绪节奏、镜头信息量而不是单张图的质感。把决策和生成分开之后你只需要在两个环节上用力其余交给工具就好。2. 让Gemini一次写清楚剧本和分镜2.1 从一句话到可拍摄的完整剧本很多人用AI写剧本还是停留在“帮我写一个关于失恋的故事”这种模糊指令上。你拿到的一定是满脸套话、没有拍摄价值的大路货。问题出在提示词没有限定输出结构也没有告诉模型你的交付物是“给视频生成工具用的脚本”而不是“给人读的小说梗概”。正确的做法是给Gemini一个明确的角色设定和输出框架。我常用的模板长这样你是一名短剧编剧兼分镜师。你要为一个短视频平台写一部单集时长约3分钟、 共6场的短剧。短剧节奏要求开头3秒必须有视觉钩子每30秒出现一次小反转 结尾留悬念。下面是故事概念 [在这里写一句话故事梗概] 输出要求 1. 先给一句话主题和三个主要角色每个角色包含外貌特征和性格标签。 2. 按场次输出剧本每场包含场景描述、角色动作、台词、情绪提示。 3. 所有场景描述必须“可视化”不要出现“内心纠结”“气氛微妙”这类抽象词 改成“她低头盯着手机屏幕拇指悬在删除键上”这种能直接变成画面的描述。为什么强调“可视化描述”因为短剧的每一句话最终都会被拆成镜头画面抽象的情绪词在视频生成工具里没有任何落点。Gemini很擅长把内心戏转化成可被拍摄的外部动作但前提是你得在提示词里把这条规则写死。我实测下来加了这句话之后剧本的整体可用性提升非常明显。另一个关键是明确角色外貌。短剧视频生成最怕角色模糊所以我在剧本阶段就要求Gemini把每个角色的外貌特征固定成一行标签比如“林棠女28岁黑色齐肩发左眼角有一颗泪痣穿米色风衣”。这个标签在后面的分镜表里会被反复引用是保持人物一致性的第一道保险。2.2 把剧本拆成分镜表让它变成生产清单剧本完成后紧接着让Gemini做第二件关键事拆分子镜头。我要求它输出一张表格列这些字段镜号、时长、景别、运镜、画面内容、台词、情绪关键词、参考图说明。其中“参考图说明”很关键。它不需要太详细但必须说明“谁在场、核心动作是什么、能不能在多个镜头上复用”。比如“林棠正面近景站在便利店冷藏柜前左手拉开门”。这句描述在三个镜头里都能用同一张参考图作为首帧一致性会好很多。我还经常让Gemini在分镜表里直接多生成一列叫“SeeDance2.0提示词”。Gemini已经理解了这个工具的语言习惯知道视频生成提示词要用逗号分隔、主体放前面、动作放中间、环境光照放后面。这列的每一格都是可以直接复制粘贴到SeeDance2.0输入框的成品。这一步属于让模型干翻译的活省掉了我自己转换语法的时间也避免了手工改写带来的信息衰减。分镜表不建议做得太细每一镜的文字描述控制在两三行以内重点是让Gemini把“拍什么”和“怎么拍”写清楚。太长的描述反而会让生成工具抓不住重心。一个3分钟的短剧6到8场戏拆到18到24个镜头是比较健康的密度。镜头太少会显得像幻灯片太多则容易让整体节奏发碎。2.3 一次生成多版分镜再选最顺的Gemini这类模型有一个特性你让它生成一次它只会给出一套方案。但你完全可以让它在一次回复里给三套完全不同节奏的分镜方案然后你再挑。我常用一个补充提示词基于同一份剧本再输出两个备选分镜方案 方案A偏重情绪铺垫镜头时长整体放慢 方案B偏重强反转开头第1镜直接给冲突画面。 每个方案只列镜号、景别、画面内容、SeeDance2.0提示词四列。这样做的理由是短剧的成败很多时候不在剧本文字本身而在镜头节奏。同一个故事用不同节奏剪观感天差地别。生成三套方案不花多少时间却给我提供了快速对比的素材比一条路走到黑强得多。3. SeeDance2.0怎么把文字变成“会动的戏”3.1 先把能力边界搞清楚想用好一个生成工具第一步不是学花哨参数而是知道它的能力边界在哪。根据我长期使用的经验SeeDance2.0几个关键能力是绕不开的。文生视频是主入口。你输入一段结构化的提示词它直接生成动态画面不再是先有静态图再补动作。这对短剧来说意义很大你可以从分镜表直接批量生成素材不用再额外维护图片资产。首尾帧控制是保证镜头间连贯的关键。你可以提供首帧参考图也可以同时指定尾帧让一个镜头“从哪里开始、到哪里结束”都可控。这点在需要两镜拼接和角色动作连贯时尤其重要后面我会单独展开。运镜语言它认识。不要只写“镜头慢慢推近”而是写“镜头从全景缓慢推至人物面部特写”它可以识别这个思路并给你一个有推镜运动的画面。动作幅度与物理合理性也是强项但参数拉太满仍然会翻车需要你手动控制运动强度。时长方面单次生成的结果一般适合做3到5秒的镜头。短剧刚好需要这种短视频镜头单镜头别拍太长拍长了情绪容易塌。3.2 提示词的五段式结构我在SeeDance2.0里写提示词基本固定用五段式结构每段之间用逗号隔开。这个结构不是为了好看而是为了让模型能按优先级理解信息。五个部分依次是主体描述、动作描述、环境与光线、镜头语言、风格统一词。先说清楚画面里是谁再说什么姿势或动作接着给环境信息然后告诉它镜头怎么移动最后加一个风格约束词防止画风漂移。例子林棠28岁女性黑色齐肩发左眼角泪痣米色风衣站在便利店冷藏柜前 左手拉开柜门冷光打在她侧脸货架上饮料瓶反射着灯光 镜头从侧面中景缓慢推至面部近景电影感冷色调写实风格光有正向描述还不够。我还习惯在后面补一段负面提示词。负面提示词同样关键它负责排除AI视频最容易犯的毛病比如画面扭曲、面部崩坏、多余手指、快速移动导致的重影、叠加的字幕或水印。禁止出现面部扭曲、肢体畸变、多余手指、画面闪烁、重影、 快闪转场、文字、logo、水印我踩过最深的一个坑是忘记写“禁止文字”。结果生成的便利店里全是模糊的饮料标签AI还自创了一些意义不明的广告牌。加上负面词之后这类干扰明显减少。你如果发现某一类问题反复出现优先在负面提示词里堵住它。3.3 运镜和动作强度的调节经验运镜这件事很多人的误区是以为写进去就一定会生效。实际没那么简单。我建议从预设里找强度档位来配合文本使用。比如描述对话戏时把动作幅度调到低只保留面部微表情和轻微呼吸感镜头用固定机位或小幅推进。如果是动作冲突戏份把运动强度调高镜头用跟随或环绕逻辑。不同场景对应不同设定我整理了一个常用的参照表场景类型镜头语言建议运动强度单镜时长说明双人对话近景交替小幅推近低3-4秒固定机位为主保持面部稳定情绪独白缓慢推镜或拉远低-中4-5秒给足情绪积累时间追逐动作跟随镜头或快速横移高2-3秒短镜头切得快避免长镜头崩坏环境空镜平移或环绕中3秒交代场景衔接情绪关键反转特写快速变焦中-高2秒靠速度感制造冲击说实话参数没有唯一标准最终还是要看你画面的反馈。一个镜头生成出来觉得运动太猛就把强度降半档再跑一次。生成工具的试错成本其实是偏低的多跑几版挑最顺眼的这话不是玩笑。4. 实操流程从一句话到一部3分钟短剧4.1 写故事钩子开头3秒必须有人看下去的理由短剧和电影有一个核心区别电影观众已经买票坐下了短剧观众是划了一下屏幕你只有不到3秒的时间证明这条视频值得看。所以不管Gemini多会写第一步永远是做一个能抓住人的故事钩子。我建议故事概念控制在三四句话以内重点写清楚“一个什么样的人在什么处境下做什么遇到了什么意外”。比如我之前随手写的一个例子是“深夜12点便利店店员正在玩手机一个浑身湿透的女生推门进来递给他一张皱巴巴的旧照片照片上的人居然是他十年前失踪的哥哥。”这个故事概念信息量足够大悬念、人物关系、反常事件都有了。用这个作为输入给Gemini它扩展出的剧本自然会有冲突密度。这个阶段不建议直接把剧本要求写太细。给Gemini一个带悬念的概念然后让它自由扩展人物和情节。你先看看它给出的方向是否符合直觉再决定要不要往回拉。我一般会先跑一版完整剧本再手动挑最有效的情绪节点。4.2 用Gemini跑出脚本和分镜一段完整的可复制提示词有了故事钩子之后直接用下面这套提示词跑我实测流程最顺请根据下面这个故事概念创作一部3分钟短剧。 概念深夜12点便利店店员正在玩手机 一个浑身湿透的女生推门进来递给他一张皱巴巴的旧照片 照片上的人是他十年前失踪的哥哥。 要求 1. 输出完整剧本含6-8场戏每场标注场景、人物、动作、台词、情绪。 2. 所有画面描述必须可视化禁止使用“内心复杂”“气氛压抑”等抽象词。 3. 为每个主要角色设定固定外貌标签后续所有场景必须沿用。 4. 把剧本拆成20个左右的镜头按Markdown表格输出 镜号 / 时长 / 景别 / 运镜 / 画面内容 / SeeDance2.0提示词。 5. 台词控制在短句每句不超过15个字口语化。Gemini输出分镜表后你不需要全部照搬。我会花几分钟扫一遍把明显重复的镜头删掉把信息量不足的镜头合并把结尾镜头改成一个更有悬念感的画面。比如原剧本如果收在“店员发呆”我会让Gemini加一镜“店门外雨里站着一个人影”这个视觉悬念比发呆更有力。4.3 到SeeDance2.0逐镜生成顺序比效率更重要分镜表拿到手别急着从镜号1顺序生成到最后这会让效率变差。我的经验是先做“定调镜头”再做“常规镜头”。定调镜头指能确定整片画面风格和人物基准的那一两个镜头通常是主角的第一个正面近景。先跑定调镜头生成满意之后把画面保存下来作为后续所有镜头的首帧参考图。这样后面每个镜头都在跟同一个视觉基准对话人物一致性会大幅提升。然后再按剧情顺序补齐其他镜头。分批生成时每跑完一个镜头我就在分镜表对应的行后面记一句话备注比如“可用”“背景有闪烁”“侧脸崩了需要重跑”。这个备注习惯看起来笨但对后续筛选素材帮助极大。你记下来的信息能让后期剪辑时少做很多重复比对。4.4 拼接后期的节奏卡点素材全部生成后进入剪辑阶段。不需要什么复杂操作剪映随便一个剪辑软件都能胜任。我常用的节奏框架是开头3秒给最强冲突画面或者最反常的画面前30秒交代危机中间每30秒一个小反转最后10秒留钩子。如果Gemini的分镜表是按这个框架设计的你剪辑时只需要按表格顺序摆放微调每个镜头的入点和出点就行。字幕和配音是另一个关键。短剧的对白必须压着画面节奏出字幕不要超过两行用短句。旁白类短剧不需要每个角色都有配音演员出镜一个清晰的AI音色加背景音乐就能撑起来。背景音乐一定要跟着情绪切反转点之前静音一秒视觉冲击力会加倍。这些是常规后期经验但配合AI生成素材时尤其重要因为AI素材的情绪表达没有真人表演那么细腻必须靠剪辑节奏来补。5. 常见问题与排查实录5.1 高频故障速查表用这套流程跑了一个多月我把遇到的高频问题整理成了一张速查表。遇到问题照着对基本能解决八成烦恼。问题现象主要原因解决办法人物面部崩坏、五官错位动作幅度过大运动太快降低运动强度把动作改为基础表情不同镜头里角色长相不一致没有统一首帧参考图所有镜头共用一张角色定妆图作首帧画面里出现乱码文字或水印负面提示词没写补上“禁止文字、logo、水印”镜头画面静止缺乏动感只写了主体环境没写动作加入明确的动作描述如“抬头望向门口”闪烁、重影、变形单镜时长过长或动态复杂缩短到3秒内减少同时发生的动作光线前后不统一分镜表中光线描述不一致每个镜头都沿用同一句光线描述词提示词很长但生成结果跑偏描述堆砌缺少重点层级压缩到五段式结构排序主体、动作、环境、镜头、风格你看这些问题大部分都不是工具不行而是提示词结构或者参数设置不合理。出现翻车镜头时先别重置一切优先检查负面提示词有没有写、运动强度是不是拉太高、首帧参考图有没有固定。5.2 三个独家小技巧帮你少走一个月弯路第一用Gemini为每个镜头生成“首帧描述”和“尾帧描述”。别看一个小动作这个操作让镜头拼接顺畅很多。分镜表里只有画面内容时你没法直观判断这镜和下一镜怎么接。但当你把“进入画面时的状态”和“离开画面时的状态”写清楚后首尾帧衔接就变得确定。比如镜头A尾帧写“林棠转头看向门口”镜头B首帧写“林棠惊讶地张开嘴”两个画面在剪辑上一接叙事逻辑是顺的。第二对话戏永远采用“单人近景交替”方案。我早期总想在一个镜头里同时拍两个人对话结果AI生成出的画面经常变成两个人木讷地看着镜头非常出戏。后来我学乖了每句台词拆成单人近景A说话时给A面部特写B说下一句时切B的反打近景。剪辑软件里把两镜交替排列观众会自动脑补出完整的对话空间实际观感比一个镜头硬拍双人更自然。第三让Gemini当你的镜头审查员。生成完一批素材后挑几个有明显问题的画面直接截图丢回给Gemini让它用文字描述画面里出现了什么异常。它能帮你发现很多你自己忽略了的问题比如“角色手指位置不自然”“影子方向与顶灯不一致”“背景里的时钟刻度混乱”。知道问题在哪再针对性改提示词重跑比盲猜高效太多。我自己跑通这套流程之后的体会是不要追求单镜头完美短剧拼的是信息密度和情绪推进速度。Gemini和SeeDance2.0这套组合的真正价值是把“想清楚”和“做出来”之间的缝隙尽可能压缩了过去需要一周完成的3分钟短剧现在一个晚上就能出初稿迭代成本也降到了几乎是零。最后再分享一个我一直在用的小习惯每次跑通一集短剧我会把当时用的故事概念提示词、剧本模板、分镜表结构整体存档。下一集新剧开场时只换故事概念和角色外貌标签其他模板原样复用。这个习惯让我从“每次都从零开始写”变成“半小时出可拍方案”。工具这件事顺手的才是最好的别被复杂工作流绑架。