零成本玩转AI漫剧：豆包+即梦+剪映全流程拆解

AI短剧和AI漫剧正成为内容创作的新赛道，但很多人被复杂的工具链和高门槛挡在门外。这套由B站UP主推出的"AMNG制作启蒙课"给出了一条完全不同的思路：用豆包、即梦、剪映三个工具，把整个AI漫剧生产流程走通，并且在当下的活动条件下几乎可以做到零成本上手。

为什么要做一套"启蒙课"

作者坦言，此前讲过不少专业课程，用到的都是GPT、Midjourney、ComfyUI这类"高级"工具。但实际反馈是，很多同学根本没法跟着实操——网络问题、基础不牢，导致再基础的教学也难以在自己电脑上一步步复现。

于是他把工具链彻底简化，只保留三样东西：豆包作为大语言模型负责剧本脚本，即梦提供图片和视频模型，剪映负责最终剪辑。这种设计的核心逻辑是可迁移性——一旦掌握了流程本身，无论未来公司提供什么模型、什么平台，甚至是第三方嫁接的API，都能快速上手，因为底层逻辑是一致的。

值得关注的是成本控制。除了即梦的Seedance视频模型和Seedream图片模型需要付费外，其余环节全部免费。而这两个付费模型也可以在豆包APP桌面版中调用——借助豆包工作流（agent模式）的官方活动，新用户可获赠30天标准版会员，学生党更有三个月免费福利。按当下条件，这套课程基本可以零成本学完。

完整链路：从剧本到成片的七步

作者把整个AI漫剧制作拆成了清晰的环节：剧本 → 脚本 → 人物设计 → 场景关键帧 → 视频生成 → 配音配乐 → 剪辑成片。这套流程无论做漫剧还是真人短剧都通用，区别只在人物设计和生成阶段的分叉。

有意思的是，本套课程实际瞄准的目标是"真人AI电影"而非普通短剧，作者特意为此制作了名为《仙岛片》的PV首发，用来拔高整体质量标准。

剧本与脚本：先分清两者是什么

剧本类似小说或故事书，让你对整个视频有统筹认知——就像四大名著、《斗破苍穹》《吞噬星空》这些从小说变成动漫的作品，原著就是所谓的剧本。而脚本则是"执行书"，对AI视频而言至少要包含镜号、景别、运镜、时长、画面内容、旁白以及配音配乐，让执行人员一眼就知道下一个画面怎么做、提示词怎么写。这一步依然用豆包完成。

脚本中的「景别」和「运镜」是影视制作的基础概念，对AI视频创作同样至关重要。景别指摄像机与拍摄对象的距离关系，常见分类包括：远景（展示宏观环境）、全景（呈现人物全身与场景关系）、中景（腰部以上，适合对话场景）、近景（胸部以上，突出表情）和特写（面部或局部细节，强化情绪）。运镜则指镜头的运动方式，推镜头（向前推进，制造压迫感或聚焦感）、拉镜头（向后拉，揭示环境或制造孤独感）、摇镜头（水平或垂直扫视）、跟镜头（跟随人物移动）是最基础的几种。在写给AI的提示词里，明确指定景别和运镜方式，能显著提升生成视频的叙事质量，避免模型随机选择镜头语言而破坏故事节奏。

图像环节：人物设计与场景融合

人物设计和场景生成都属于图片生成范畴，可选的模型包括Midjourney、Seedream、GPT Image、Nano Banana等，本课统一选择即梦的Seedream。作者特别强调要区分即梦的两个模型：Seedream是图片模型，Seedance是视频模型，两者是系列关系，容易混淆。

人物设计只需要得到人物全身三视图和面部特写，注意外形、服装、气质、表情与姿态等细节，同时背景必须是干净的纯色，避免后期人物参考时产生干扰。

场景生成则要根据剧本脚本提炼关键提示词，核心目标是让人物与场景"融图"，关注风格、光影、构图、景别。而关键帧的作用是确立空间关系——人物在场景哪个位置、两个人物如何占位。

视频生成：全能参考与首尾帧的取舍

视频环节用到即梦的Seedance 2.0/2.5，或开源模型MiniMax等。当前主流的生成模式是"全能参考"——把前面准备好的参考图逐一用@符号标注，让模型看得更清楚，配合分段清晰的提示词即可生成。

作者也提到一个专业判断：在有明确轨迹变化、且能生成出首帧和尾帧状态图的场景下，应该回归"首尾帧"模式。因为全能参考本质上是AI的想象，而首尾帧能规定明确的运动轨道，两种方式各有适用场景。

「首尾帧」模式是视频生成中一种更具确定性的控制方式：用户分别提供视频的第一帧和最后一帧图像，由模型自动补全中间的过渡动画。这种方式的优势在于运动轨迹可被明确约束——例如角色从画面左侧走到右侧、门从关闭状态变为打开状态，都能通过首尾帧精确定义。相比之下，「全能参考」模式只提供参考图和文本提示词，模型在运动细节上有更大的自由发挥空间，适合对运动轨迹没有严格要求、但需要整体风格一致的场景。在实际制作中，两种模式经常交替使用：大量镜头用全能参考快速批量生成，而关键情节的标志性动作则切换到首尾帧以确保准确性。

声音：最容易被忽略的出戏元凶

课程反复强调一个容易被低估的点：AI短剧最大的短板往往不是画面，而是声音。很多作品人物精致，一开口却瞬间出戏，原因在于配音只有音色、没有情绪。

作者的方案是使用开源TTS模型进行影视级音频创作：用参考音频锁定角色声音，通过情绪控制决定喜怒哀乐，用语速和停顿塑造表演节奏，最后把对白、旁白和环境声统一导入。为了保证旁白声音一致性，配音通过ComfyUI工作流做声音克隆——作者已把调好的工作流打包，只需一段声音样本就能让角色"演起来"。对于担心ComfyUI门槛的同学，这个开箱即用的工作流大大降低了上手难度。

TTS（Text-to-Speech，文字转语音）技术近年来经历了从规则合成到神经网络生成的重大跃迁。早期TTS只能生成机械感明显的朗读音，而基于深度学习的现代开源TTS模型（如CosyVoice、Fish Speech等）已能实现对音色、情绪、语速、停顿的细粒度控制。「声音克隆」（Voice Cloning）是其中的关键能力：只需提供数秒到数十秒的参考音频样本，模型即可提取说话人的音色特征，并将其应用到任意文本的合成上，使角色在全片保持声音一致性。ComfyUI作为一款节点式AI工作流工具，因其高度可定制性和强大的模型集成能力而被广泛使用，但其界面对新手并不友好。课程中提到的「打包工作流」本质上是把复杂的节点配置固化成一个可直接运行的模板，用户只需替换输入的音频样本，无需理解底层节点逻辑。

剪辑成片：控制节奏的最后一步

配乐部分现在的视频模型生成时大多可以自带，剪辑则回到剪映完成合成。作者提到剪辑同样有讲究——需要判断舍弃哪些片段、如何控制镜头节奏，这些细节留到后续课程展开。

小结

这套课程的价值不在于工具有多先进，而在于它把AI漫剧的完整工业化流程做了低门槛拆解。对想入行AI视频赛道的新人来说，用免费或近乎免费的工具跑通一遍全流程，比一上来就啃高阶工具更有实操意义。核心心法始终是那句话：流程逻辑掌握了，换任何模型都能快速迁移。