企业官网建设流程全解析

基于工作流引擎的AI短剧生成系统设计：6步链路拆解与实现思路

做AI短剧最折腾的不是模型能力，是工具链——剧本A、生图B、视频C、配音D、剪辑E，每个环节之间靠手动导出导入。本文记录一套把6步塞进一个工作流平台的设计思路，重点聊链路拆解和可控生成方案。

一、为什么AI短剧的工具链是断的？

先看一段典型的AI短剧制作流程：

1. 打开豆包/DeepSeek，对话式生成剧本

1. 复制剧本，切到即梦/可灵，逐句贴 prompt 生图

1. 挑图、修图，再切到Seedance/可灵视频生成，逐张上传首帧图生视频

1. 等几分钟渲染，下载视频片段

1. 切到剪映/PR，把片段拼起来，加字幕、配音、BGM

1. 导出成片，发现某镜头崩了——回到第2步重来

核心问题：不是AI能力不够，是工具之间的数据是割裂的，文件传来传去，改一处得重跑全部。

这套系统想解决的就是：让数据在一条工作流内流转，不用来回切工具。

二、系统整体链路设计

项目创建 → 剧本生成 → 分镜拆解 → 逐镜生图 → 逐镜生视频 → 剪辑导出 每一步都在同一个平台里完成，前一步的输出直接作为后一步的输入，数据不落地。

下面逐步拆解每一步的实现思路。

三、各环节实现思路

① 项目创建

新建项目时支持导入原著小说文本，后端调用 LLM 自动提取章节结构和事件图谱，省去手动梳理人物关系。

② 剧本生成（对话式LLM）

内置 LLM 对话面板，采用多轮迭代式生成：

• 第一轮：生成故事骨架

• 第二轮：确定改编策略

• 第三轮：输出结构化剧本

不是一次性吐全文，而是像跟编剧开会一样逐步打磨，每轮可人工修订。

③ 分镜拆解

剧本自动拆分为分镜列表，每个分镜的数据结构：

{ "shot_id": "S003", "shot_type": "中景", "scene_desc": "作为后续AI生图的prompt", "characters": ["主角A", "配角B"], "dialogue": "台词文本", "est_duration": 5 }

支持人工拖拽排序、增删改——这一步很关键，因为分镜质量直接决定后面生图生视频的效果。

④ 逐镜生图（批量+单镜重试）

基于分镜的scene_desc字段调用图像模型。关键设计：

• 批量生成：选好模型，一键跑全部分镜

• 单镜重试：某镜不满意只重生成这一个，不影响其他

• 多备选对比：每镜生成 1-N 张备选，对比挑选

这一步是整个工作流里最耗时的，所以并发控制和任务队列是重点。

⑤ 逐镜生视频（首帧图→图生视频）

这里有个核心设计决策：先锁定静态画面，再生成动态。

实践下来，首帧图→图生视频的可控性比纯文生视频高一个数量级。原因很简单：静态画面锁定了构图、配色、主体形状，AI只需要在这个基础上"动起来"，自由度大幅降低，结果更可预测。

⑥ 剪辑导出

内置多轨道时间轴，整合：视频片段 + TTS配音 + 字幕 + BGM，支持多规格成片批量导出。

定位是"短剧前端生产线"，复杂后期仍建议导出到专业剪辑软件精修。

四、几个值得单独聊的设计点

提示词工厂

把常用 prompt 模板按类型分类存储：

• 视频模板：按短剧题材分（都市重生/武侠江湖/仙侠修炼）

• 图片模板：按创作场景分（AI女模/电商广告/文旅文创/社媒内容）

一键复制后改改就能用，省去从零写 prompt 的时间。本质是个 prompt 知识库。

实时画面预览

创作过程中随时预览分镜画面，不用等全部跑完才能看。技术上是一个轻量的预览引擎，每生成一张图就推送一次到前端画布。

多人协同 + 版本管理

支持团队在线协作，单镜粒度管理——A改镜头3不影响B改镜头5。版本可追溯，能回滚到任意历史版本。

五、技术架构

┌───────────────────────────────────────┐ │ 前端层 │ │ 可视化画布 + 工作空间 + 提示词工厂 │ │ + 多轨道时间轴（剪辑台） │ ├───────────────────────────────────────┤ │ 后端层 │ │ 用户/项目管理 + AI模型调度引擎 │ │ + 任务队列（并发控制+状态推送） │ │ + 文件/版本管理 + 多人协作控制 │ ├───────────────────────────────────────┤ │ 基础设施 │ │ GPU服务器（H100/B300） │ │ + 第三方AI模型API接入 │ └───────────────────────────────────────┘

AI模型接入的三个维度

设置中心填入 API Key 即可接入，支持随时切换供应商。这层抽象的好处是：某个模型出问题或涨价，换一个就行，不用改业务代码。

六、踩坑记录

1. 并发限制

图像/视频模型API有QPS限制，批量生成时建议2~3并发，避免被限流。

2. 生成耗时

视频模型比图片模型慢很多（一个镜头30秒~几分钟），批量生成时必须有任务队列和进度推送，否则用户体验极差。

3. 分镜图存储

分镜图生成后如果不及时持久化，刷新页面会丢。这一步踩过坑，后来加了文件版本管理，每张图都关联到具体分镜版本。

4. 视频生成策略

纯文生视频质量不稳定，首帧图→图生视频是更可控的方案。建议流程：先在图生图工具里生成关键帧确认风格，再基于该图写运动提示词调视频模型。

七、总结

这套系统的核心思路就一句话：把AI短剧制作的6个环节串成一条工作流，数据在流程内流转，不落地。

关键技术决策：

1. 分镜数据结构化存储，作为各环节的衔接纽带

1. 首帧图→图生视频，比纯文生视频可控性高一个数量级

1. AI模型接入层抽象，支持随时切换供应商

1. 单镜粒度的版本管理和协同，避免互相覆盖

目前正在迭代中，后续会继续分享工作流画布的可视化实现和并发控制方案。