三剪客 · AI 短剧工厂出片全流程

做 AI 短剧,劝退人的从来不是「能不能生成」,而是这四件事:
① 改了剧本,下游全部重出 → 没人用得起
② 第 1 集和第 20 集不是同一个人 → 观众一眼出戏
③ 画面里突然冒出一行乱码字幕 → 直接不能发
④ 跑到一半出问题,只能从头再来 → 钱白烧
这份 Skill 就是把我们踩过这四件事之后沉淀下来的做法交给你:十个阶段的流水线怎么切、人物一致性到底靠什么锁住、每个模型吃哪一套参数(这是最容易 400 的地方)、以及每一分算力花在哪。
所有算力统一走 api.a7w.cn——文本、图像、视频、语音四类能力一个 Key、一份账单。没有本地 GPU 也不用自建推理服务:注册领 Key 就能按下面的参数直接调。
下面所有配图都是真实产出,不是示意图。UI 截图取自
https://hq.a7w.cn/agent.html(本方法的参考实现),成片图取自实跑项目。
一、为什么难:三个真正的分水岭
坑一:改了剧本,下游全部重出
一部 3 分钟的片子大约 3000~9000 点。改一句台词就全部重出,没人用得起。
做法:分镜表给每个镜头记「来自哪段剧本」,剧本变了只标脏变化的那几条。改一句台词,只重出受影响的镜头。
坑二:第 1 集和第 20 集不是同一个人
这是 AI 短剧最致命的问题。实测结论:
- 只把参考图传进去、不写要求 → 模型把它当「松散参考」,脸会变
- 同一角色连出 5 个镜头 → 到第 3 个就开始换脸
只靠参考图不够。 必须两道锁一起上:
锁一:多参考图 —— 一个角色可挂多张图,每张标用途
正面照锁脸 / 侧面照锁轮廓 / 服装图锁服装 / 场景图锁空间
锁二:全局硬约束 —— 只要传了参考图,请求里自动追加一段强制要求
"面孔、五官比例、脸型、年龄、发型、发色、肤色、服装款式与配色
必须与参考图完全一致,是同一个人的同一套造型;
不要换脸、不要改年龄、不要改发型、不要改服装、不要美化或年轻化。"
图给的是视觉锚点,硬约束给的是不许偏离。缺一个都会漂。

这张就是「锁一」的物料本身:面部特写 + 全身正/侧/背三视图,加上色彩规范、材质说明、装备参数。做扎实了,后面出片才不会换脸。
坑三:画面里突然冒出一行字
视频模型特别爱自己在画面上加字幕、标题、logo,而且经常是乱码。
做法:在参数适配层做全局强制排除——所有出图出片的提示词都自动追加禁文字要求,连桌面文件、名牌、墙面、屏幕、衣物上的可读文字都排除掉。
注意:光写一句「不要字幕」压不住。实测长镜头里模型会把环境纹理「读」成文字自己长出来。要用多角度、强否定、带正面替代描述的写法(原文见 references/一致性双锁与禁文字原文.md)。
需要字幕怎么办?成片阶段单独烧录,用本地渲染器(不扣平台点数)。
二、十个阶段流水线

① 需求分析 → ② 制作前问询 → ③ 项目规划 → ④ 资产锚点 → ⑤ 站位记忆
→ ⑥ 分镜设计 → ⑦ 逐镜头出片 → ⑧ 配音 → ⑨ 合成成片 → ⑩ 完成
| # | 阶段 | 做什么 | 产出 | 要人参与吗 |
|---|---|---|---|---|
| 1 | 需求分析 | 读素材,抽体量 / 核心矛盾 / 爽点 / 人物 / 场景道具 / 物料质检 | 分析报告 | 否 |
| 2 | 制作前问询 | 8 项制作参数(模式 / 画幅 / 帧率 / 语言 / 字幕 / 音频 / BGM / 时长) | 带来源的参数表 | 可选(默认自动) |
| 3 | 项目规划 | 制作计划 + 3 个剧情 brief | 基础信息表 + 制作清单 | 可选确认 |
| 4 | 资产锚点 | 生成角色 / 场景 / 道具参考图,固定 seed + 稳定 ID | 每个锚点一张图 | 否 |
| 5 | 站位记忆 | 算清「谁在哪、朝哪、道具在谁手上」,逐镜写起始快照 / 变化 / 末态 | 主锚 + 站位 + 轴线 + 视线 + 跨镜头状态承接 | 否 |
| 6 | 分镜设计 | 按九条铁律拆镜头,写光影时辰 / 音效 / 过渡桥梁 | 分镜表 | 否 |
| 7 | 逐镜头出片 | 每个镜头:出首帧图 → 图生视频 | 每镜一段视频 | 否 |
| 8 | 配音 | 按角色配声线 | 每镜音频 | 否 |
| 9 | 合成成片 | 拼接 + 烧字幕 | 成片 | 否 |
| 10 | 完成 | — | — | — |
人工只在「项目规划」确认一次,其余全自动。 关掉页面它也在服务端继续跑。

关键机制:站位记忆的跨镜头状态承接
这是跨镜头一致性的核心。每个镜头一行:
sg_001 起始:陈默在楼梯口端站立,面朝周桂芳;信闭合在陈默右手
变化:陈默停步、收拢右手、换左手抬信
末态:陈默举信至胸前;周桂芳视线在信上;信在陈默手中(开启)
sg_002 起始:陈默举信至胸前;周桂芳视线在信上;信在陈默手中(开启) ← 与上镜末态逐字一致
出图时会把 本镜起始快照 + 上一镜末态 + 光影 一起拼进提示词。
参考图 + 固定 seed 保证「长得像」,快照保证「状态接得上」——两者叠加才稳。
只有前者的话,人物是同一张脸,但手里的信可能一会儿在右手一会儿在左手。
服务端会自检:第 N 镜末态与第 N+1 镜起始不一致时记警告并列出镜头对(只警告不阻断)。
关键机制:分镜九铁律
写死在提示词里的九条:
| # | 铁律 |
|---|---|
| 1 | 台词零删改——逐字搬运,禁合并 / 精简 / 省略修饰词 |
| 2 | 台词时长按 4 字/秒估算,按情绪分配,不平均切 |
| 3 | 每个镜头 ≤15 秒 |
| 4 | 长台词超 20 字强制拆镜,按语义停顿点切 |
| 5 | 在场人物不能凭空消失(没写「离开」就还在场,必须有视觉痕迹) |
| 6 | 人物外观交给图片资产——长相 / 服装 / 发型不进分镜提示词 |
| 7 | 声音只写环境音 + 音效,禁 BGM |
| 8 | 画面只写动作、姿态、表情、正在发生的状态变化 |
| 9 | 光影时辰要写(会被带进出图提示词) |
外加四类过渡桥梁,要求每个镜头写明用了哪一类:动作桥梁 / 情绪接力 / 空间与视线 / 台词与动作黏合。详见 references/分镜九铁律与过渡桥梁.md。
三、模型参数:这是最容易 400 的地方
同一个平台的模型,参数格式并不统一。我们把探测到的差异整理成表——这是本 Skill 最省你时间的一块:
| 模型族 | 入参风格 | 参考图字段 | 上限 | 关键约束 |
|---|---|---|---|---|
qwen-image-* | input.messages 单条用户消息 | message 里的 image 内容块 | 3 张 | 必须显式给 parameters.n = 1,不给被判「n 必须为 1」 |
gpt-image-* / nano-banana-* | 顶层 prompt | 顶层 image_urls 数组 | 12 张 | 与 qwen 完全不同格式;丢了参考图就会凭空编人物 |
h3-video / minimax | 顶层 content 数组 | content[].image_url.url | 多条 | resolution 只认 768P / 2K;duration 只认 4/5/6/7/8/10/12/15 且必须是字符串;ratio 只认 16:9 / 9:16 / 1:1 / 4:3 |
wan3.0-video | input.media + parameters | media[].{first_frame,reference_image,last_frame} | 10 图 / 5 视频 / 5 音频 | 768P 不认,只认 480P / 720P;duration 必须取整且 ≥3 秒;seed 放在 parameters 内 |
veo3.1-* | 顶层 prompt / quality | 顶层 image | 1 张 | 多给会被判参数不符 |
grok-video | 顶层 prompt / duration | 顶层 image | 1 张 | 同上 |
⚠️ 已经出现在平台列表里、但实测不可用的模型(别再让用户选):seedance、full-video、happy-horse、wan、flashvsr、Wan-AI/Wan2.2-T2V-A14B、Wan-AI/Wan2.2-I2V-A14B。
其中 full-video(全能视频生成)报「未上架」,真正可用的通用多模态是 h3-video(MiniMax H3)。
一个必须知道的硬约束:首尾帧不能与参考图混用
Wan 3.0 官方明确:首帧/尾帧模式不能与参考图片、参考视频、参考音频、文件或网页链接混用。
这直接改掉了出片逻辑——一致性必须拆成两把锁,不能在同一支视频里同时上:
锁一:出首帧图时把资产锚点当参考图(qwen-image 上限 3 张)+ 固定 seed
锁二:视频阶段只吃首帧(图生视频),由首帧把人物/场景锁住
按景别自动挑模型(省钱的关键)
不是所有镜头都值得用贵的模型:
全景 / 中景 / 远景 → h3-video 768P(画面信息多,值得)
近景 / 特写 / 道具 → wan3.0-video 480P(省一半以上)
判断顺序有坑:中近景 里含「近景」,必须先判中景类再判近景,否则会误判成 480P。

文本模型、图片模型、视频模型、配音模型、配音音色都是可选的,选项实时从 api.a7w.cn 拉取——平台上加了新模型,刷新页面就能选到。
单个节点还可以单独覆盖模型(下面右图:把某个锚点指定用 qwen-image-3.0-pro、尺寸 1024\*1792 竖屏):

四、成本:实测算出来的单价
本站不赚你算力的差价——所有生成都调你自己的 Key,费用记在你自己账上。所以成本必须算得清。
单价全部来自实测扣费记录,不是估算:
| 项目 | 实测单价 |
|---|---|
出图(gpt-image-2-pro) | 20 点/张 |
视频 h3-video 768P | 50 点/秒(5.167s = 250 点) |
视频 wan3.0-video 720P | 55 点/秒(6s = 330 点) |
视频 wan3.0-video 480P | 28 点/秒(7s = 196 点) |
| 配音(零样本克隆) | 0 点 |
| 字幕 / 水印 / 剪辑 / 合成 | 0 点 |
注意后两行:配音和后期在这里是 0 点,在别家通常要单独收费。
视频占九成以上成本。 省钱唯一有效的方向是减少要生成的视频秒数(少几镜、短一点、低分辨率),而不是省图片钱。
实测项目台账
| 项目 | 规模 | 结果 |
|---|---|---|
| 哪吒(1 分钟反转版) | 13 镜 | 成片 105.7 秒,带完整配音 |
| 孙悟空 | 43 镜 | 成片 388 秒 |
| 雨夜最后一单 | 4 镜 | 成片 40 秒 |
哪吒那部 13 镜的预估成本 1950 点,拆开是:
锚点 0 点(复用已有)
首帧 20 点(1 张待出)
视频 1930 点(65 秒,均价 30 点/秒)
配音 0 点
合成 0 点
余额不够时的正确处理
开工前先算总账,不够就停下来说清:
需要 8800 点 / 你的账号有 189.6 点 / 还差 8610.4 点(每镜约 440 点,待生成 20 镜)
关键:这时候一个镜头都没生成,一分钱没花。 充值后点「继续出片」即可断点续跑,已完成的镜头不会重复生成(逐镜台账 + 幂等续跑)。
BYO Key 模式下能做「生成前预估、生成后记账、成本报表」,不能做站内冻结/结算——钱不在工具手里。要准数字以
api.a7w.cn实际扣费为准。
预算估算法与两套价格字段(公示标准价 vs 租户价字段)见 references/真实单价与成本台账.md——字段价未必等于实际结算价,真实扣费看 usage.points_cost。
五、界面实证
一句话 → 一本小说

一句话输入:「一个外卖员在暴雨夜接到一单送往殡仪馆的订单,收货人写的是他自己的名字。」
它不是一次生成的。 一次让模型写两万字,后半段一定崩,拆成三步:
① 立意 一句话 → 书名 / 题材 / 主角 / 对手 / 核心冲突 / 情绪基调 / 开篇钩子
② 大纲 立意 → N 章,每章标题 + 剧情梗概,要求"章与章有递进、最后两章有反转"
③ 扩写 逐章写正文,每章带上"上一章结尾 400 字"保证接得上
踩过的坑:中间某章失败,最初的处理是整本中断,重跑又从头烧钱。现在改成单章失败跳过、已写的保留、随时续跑。
节点详情:实扣点数摆在节点上

点开任何一个节点,能看到 模型、任务号、实扣点数、生成时间、来源首帧、完整生成提示词。上例:wan3.0-video,task_vh3,实扣 100 点,5 秒。
提示词可手改、可重生成

选中节点可以改提示词重新生成一个版本,旧版本不会被覆盖——工具栏上出现 ◀ 2/3 ▶ 切换器,合成时用你选中的那个。
配音:650 个预设音色

每个角色可以选不同声线,按性别 / 年龄 / 方言 / 风格筛。实测平台侧 voice_tts/list_voices 只返回用户自己克隆的音色,预设音色库需另外接入(见「已知限制」)。
六、做出来的片子长什么样
人物一致性——同一个哪吒,12 个镜头同一张脸、同一套造型:

多参考图锁长相——角色三视图 + 主持人三视图 + 场景四角度 + 乾坤圈 + 莲花台,全部作为可挂载的锚点:

成片抽帧——注意这是从成片里抽的帧,不是拼图:

规模更大的那一部(43 镜):


另一个题材(都市悬疑):


⚠️ 但一致性有一个真实的边界
我们在做分镜墙的时候发现:主角是稳的,配角会漂。
看上面那张哪吒分镜墙——哪吒 12 格全部是同一张脸,但主持人的脸在不同镜头间有变化。
原因:哪吒的锚点做了 5 处具体造型约束(深红高马尾 / 左眉旧疤 / 黑灰夹克 / 脖子金属圈 / 手腕红绫),特征越具体越容易被模型抓住;主持人的描述相对笼统("黑色中式立领 / 低发髻 / 翡翠平安扣"),约束力弱一些。
这正好印证了产品逻辑:
锚点描述越具体 → 一致性越好
多挂几张参考图 → 一致性越好
建议:配角也应该强制要求填 3 个以上具体特征,不能只给「黑衣服、盘发」这种量级的描述。
七、触发场景
- 「我要把一本小说做成短剧,从哪开始、大概要花多少点?」
- 「AI 出的视频第 1 集和第 20 集不是同一个人,怎么锁住?」
- 「同一个角色连出几个镜头就换脸,参考图传了也没用。」
- 「画面里老是自己长出乱码字幕,怎么彻底禁掉?」
- 「
qwen-image/gpt-image/h3-video/wan3.0-video的参数到底各要什么格式?」 - 「跑一集短剧要多少点?视频、出图、配音、合成分別占多少?」
- 「跑到一半失败了,能不能不重头再来?」
- 「长镜头里人物会漂移,多长算安全?」
八、工作流路由
| 你要什么 | 看哪份 |
|---|---|
| 十个阶段各自做什么、怎么串、断点续跑 | references/十阶段流水线与断点续跑.md |
| 一致性双锁的原文提示词、禁文字硬约束原文 | references/一致性双锁与禁文字原文.md |
| 分镜九铁律、四类过渡桥梁、站位记忆写法 | references/分镜九铁律与过渡桥梁.md |
| 逐模型参数差异、死模型清单、分辨率与时长映射 | references/模型参数适配表.md |
| 真实单价、成本占位、预算估算 | references/真实单价与成本台账.md |
| 全流程卡住了怎么查 | references/排错与已知限制.md |
| 配图清单:每张图的文件、尺寸、内容、建议用途 | references/配图清单.md |
| 上手前先跑一遍体检 | scripts/preflight.py |
九、权限与用途说明
| 能力 | 是否申请 | 用途 |
|---|---|---|
| 网络访问 | 申请 | 调用 api.a7w.cn 的网关与应用接口(本 Skill 唯一的联网行为) |
| 读取文件 | 仅读取你指定的素材(小说 / 剧本 / 参考图 / 音频) | 作为流水线的输入与参考图 |
| 写入文件 | 仅在传入 --out 时 | 落盘分镜表 / 成本台账 / 体检报告 |
| 凭证 | 读取使用者自己提供的 API Key | 从环境变量 A7W_API_KEY 或 ~/.a7w/config.json 读取 |
| 子进程 / 后台常驻 | 不申请 | 脚本执行完即退出,不注册服务、不常驻 |
| 调用 ffmpeg | 可选,仅本地合成阶段 | 拼接镜头与烧字幕;不做则跳过合成 |
不内嵌任何密钥。 脚本只把 Key 发往 api.a7w.cn,不发送到其他任何地址。
十、能力边界
覆盖:
- 从小说到成片的全流程方法论:十阶段切分、站位记忆、分镜铁律、过渡桥梁
- 人物一致性的具体做法:多参考图挂载策略 + 全局硬约束原文 + 固定 seed
- 逐模型参数适配:qwen-image / gpt-image / nano-banana / h3 / wan / veo / grok 各自要什么
- 成本台账:真实实测单价、按景别选模型、余额不足的断点续跑
- 一个零依赖
scripts/preflight.py:体检 Key、余额、可用模型、参数合法性
不覆盖:
- 不提供 API Key、不代付费用:Key 与点数必须是你自己的账号
- 不做口型同步:平台没有口型同步模型,本项目是后叠配音,音色统一但口型不逐字对应
- 不保证可用性与最终画质:模型上下架、限流、计费以
api.a7w.cn站内为准 - 不替代内容合规审查:生成内容的合规责任由使用者承担
- 不直接操作
hq.a7w.cn的界面:那只是一个参考实现,本 Skill 给的是可迁移的方法与参数
十一、依赖条件
- Python 3.8+,只用标准库(
urllib),无需pip install - 一个
api.a7w.cn账号,已完成实名并创建 API Key - 能访问
https://api.a7w.cn的网络出口 - 可选:本地
ffmpeg(只有合成阶段需要)
十二、已知限制
- 口型不逐字对应。 平台没有口型同步模型,本项目是后叠配音。行业里的通行做法是用快切掩盖(参考片平均 5.8 秒一刀)。
- 长镜头会漂移。 同一角色超过 8 秒的镜头,脸会开始变。建议 4~8 秒短镜拼接,不要做 15 秒以上的长镜——这也正好符合短视频节奏。
- 分辨率还可以更高。 近景用 480P、全景用 768P。平台上有支持 1080P/4K 的模型,但视频侧实测可用档位受模型限制(见参数表)。
/chat/completions不回传points_cost。/tasks会返回usage.points_cost,但文本接口没有——文本阶段的实扣点数目前只能靠「调用前后余额差分」推算。- 图像模型参考图上限偏低。 全站图像模型只有 2 个(Qwen Image 3.0 / 3.0 Pro),参考图上限 3 张。锁一个角色要「正面 / 侧面 / 背面 + 服装 + 道具 + 场景」至少 6~12 张,3 张不够。可改用
gpt-image-*(上限 12 张)。 - 预设音色库需单独接入。
voice_tts/list_voices只返回当前用户自己克隆的音色;650 个预设音色在 API 侧没有直接入口。 - 推理模型会把输出预算烧在思考上。 实测某模型
reasoning_tokens: 1405 / 2311,极端情况content为空串。空内容要自动重试并给足max_tokens。 - 文档与实测常有出入。 平台上的模型数、价格、可选档位都会变。要准数就现场拉,不要照抄本文档里的快照数字。
十三、自检清单
跑完一集,按这几条过一遍:
- [ ] Key 走的是环境变量或
~/.a7w/config.json,没有硬编进代码或提交进仓库 - [ ] 出片前先算过总账,余额不足时确认「一个镜头都没生成」
- [ ] 每个主要角色的锚点至少 3 个具体造型特征(不要「黑衣服、盘发」这种量级)
- [ ] 每个角色挂了多张参考图,且每张标了用途(脸 / 轮廓 / 服装 / 场景)
- [ ] 请求里确实追加了一致性硬约束与禁文字约束(幂等,别重复追加)
- [ ] 视频请求没有把首尾帧与参考图混用(Wan 3.0 会直接拒)
- [ ] 分辨率与时长按模型映射过(h3 只认 768P/2K,wan 只认 480P/720P;h3 时长须为字符串且在合法集合内)
- [ ] 每个镜头 ≤15 秒,同角色单镜 ≤8 秒
- [ ] 上游 5xx / 超时走退避重试,而不是把整个项目判死
- [ ] 网络超时时先查
task_id再决定要不要重提,避免重复扣费
参考文件
| 文件 | 用途 |
|---|---|
references/十阶段流水线与断点续跑.md | 十个阶段详解、逐镜台账、幂等续跑、拆集拆场 |
references/一致性双锁与禁文字原文.md | 一致性硬约束与禁文字约束的可直接复制的原文 |
references/分镜九铁律与过渡桥梁.md | 九条铁律、四类桥梁、站位记忆与快照格式 |
references/模型参数适配表.md | 逐模型入参格式、上限、死模型、分辨率/时长映射 |
references/真实单价与成本台账.md | 实测单价、成本结构、预算估算、余额不足处理 |
references/排错与已知限制.md | 症状 → 原因 → 处置 对照表 |
references/配图清单.md | 20 张配图的文件、尺寸、内容、建议用途、投放位置 |
scripts/preflight.py | 零依赖体检脚本(不内嵌任何密钥) |
联系我们
- 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
- 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
- 更多 AI 插件与接口:AI 插件市场。
相关链接
| 链接 | 地址 | 说明 |
|---|---|---|
| 算力集市 · 注册领 API Key | api.a7w.cn | 一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这 |
| AI 插件市场 | aigc.a7w.cn | 浏览全部 AI 插件与接口说明 |
| 三剪客 · 一句话批量出片 | ks.a7w.cn | 短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端 |
| 视频超清 · 在线批量超分 | vr.a7w.cn | 网页版视频超分,批量处理,最高 4K |
| 0人公司 · AI Agent 平台 | a7w.cn | 主站,了解整套 AI Agent 生态 |