企业官网建设流程全解析

在 AI 短剧这个风口上，我见过太多人被“技术门槛”卡住了。身边不少朋友一听说要用 AI 做真人短剧，就觉得要从学习 Stable Diffusion 原理开始，要会训练 LoRA，要懂 ComfyUI 工作流。其实等真正上手后你会发现，工具链已经比你想象中成熟很多，LibTV 这类集成型创作平台，已经把很多脏活累活包掉了。本文就围绕 LibTV 这个核心工具，从一个完全没有经验的新手视角，把 AI 真人短剧从想法、脚本、角色设计、分镜生成、视频合成、配音剪辑到最后变现的完整流程拆开讲透。这篇文章适合完全零基础的小白，也适合已经在做短视频但想转 AI 短剧赛道的朋友，你不需要会写代码，只需要跟着这套流程走一遍，就能掌握一套可以持续产出内容的创作系统。

1. LibTV 是什么，为什么用它做 AI 真人短剧

1.1 它是解决什么问题的

LibTV 是一个面向 AI 视频创作的集成工具，你可以把它理解成一个“AI 导演台”。传统做一条短剧视频，你需要经历真人拍摄、场地租赁、演员调度、后期剪辑等一系列环节，成本高、周期长，一天出三集内容几乎不可能。而用 LibTV 的方式，整个流程被压缩到了“写脚本、生成分镜、生成视频、剪辑合成”四个环节，不需要摄像机，不需要演员，甚至不需要摄影棚，一个人就能完成原本需要一个剧组才能完成的活儿。

尤其在 AI 真人短剧这个细分方向上，LibTV 提供了角色一致性相关的生成能力，可以让我们反复生成同一个角色的不同镜头，而不是每换一个画面就换一张脸。这一点非常关键，因为真人短剧的观众对角色连续性非常敏感，如果前一个镜头是长发女主，下一个镜头突然变成短发了，用户马上就出戏。

1.2 LibTV 的适用场景

从实际需求来看，LibTV 主要面向这么几类创作者。

第一类是短剧内容团队，他们需要高频率产出竖屏短剧，投放抖音、快手、视频号、海外短剧平台，对制作速度和成本控制有硬性要求。第二类是个人 IP 创作者，想做剧情类账号但没有出镜条件，通过 AI 生成固定角色来演绎内容。第三类是小说推广从业者，需要把网文快速转成短视频形态，本质上是用 AI 短剧来做小说分销。

除了这些场景，LibTV 也可以用来做 AI 漫剧、产品演示视频、品牌故事短片等。但是需要注意，不同工具对不同内容类型的适配度差别很大，LibTV 的核心强项集中在“角色可控、分镜可控”的叙事类视频上，这也是它被叫做“导演台”的原因。

1.3 核心概念：导演台、General Image Pro 与 Credits

在使用 LibTV 前，有几个高频概念一定要先搞清楚，因为社区里几乎每天都有新手在这几个地方踩坑。

第一个是“导演台”。导演台不是某个具体按钮，而是 LibTV 的一套视频项目管理入口。你在这个界面里创建项目、设置角色、编写分镜、调用生成能力，最终输出视频片段。你可以把导演台理解成剪辑软件里的“时间线工作区”，只不过它操作的不是现成素材，而是 AI 生成内容。

第二个是“General Image Pro”。这个词经常出现在提示词模板和教程里。从名字来看，这是一个通用图像生成模型的身份标识。社区里有人问“General Image Pro 是不是就是 GPT-Image”，从实际表现来看，它在理解复杂提示词和生成高质量人像方面表现接近同级别的闭源图像模型，但是否与具体某个模型对应，官方并没有明确说明。大家在写提示词时，把它当作一个高细节能力的图像生成模型来用就好。

第三个是“Credits”。这是 LibTV 里的计费单位，可以理解成平台的点数或配额。每次调用图像生成、视频生成、高清放大等功能时，系统会根据任务复杂度扣除相应的 Credits。一般开启新账号会赠送一定量的体验 Credits，用完之后需要充值或通过平台活动获取。建议新手先用小额度生成测试画面，不要一上来就用重写模式跑大量分镜，很容易把 Credits 烧完。

2. 环境准备与基础设置

2.1 需要准备什么

LibTV 本质上是一个在线平台，不需要安装任何大型软件，对电脑配置的要求比本地部署 AI 绘画工具低很多。你只需要准备以下几样东西。

硬件方面，一台能正常打开浏览器的电脑或笔记本就够用，内存建议 8GB 以上，网络稳定即可。如果做高清竖屏视频导出和剪辑，电脑配置当然越高越好，但这不是 LibTV 的硬性要求。

账号方面，需要注册 LibTV 账号。注册方式一般支持邮箱，部分版本支持手机号。注册后进入控制台，第一件事是去查看 Credits 余额和当前项目的存储空间。

浏览器方面，建议使用 Chrome 或 Edge 浏览器，避免使用过于冷门的浏览器，因为在线编辑器对浏览器兼容性有一定要求。另外建议保持浏览器为最新版本，旧版本可能会影响画布渲染和视频预览功能。

2.2 了解工作台布局

登录 LibTV 后，通常会看到以下几个主要区域：项目列表、素材库、生成工作区、任务队列和设置中心。

项目列表用于管理你创建的每一个短剧项目；素材库用来存放已经生成的图片、视频片段、角色设定图，可以理解为云端素材文件夹；生成工作区是主要操作区域，你在这里输入提示词、选择模型、设置参数；任务队列显示当前正在执行或排队等待的生成任务；设置中心则用来配置账号信息、API Key 和通知偏好。

新手第一次进入工作台时，建议先花十几分钟熟悉这些模块的位置，不需要急着生成内容。先把项目结构建立好，比一上来就疯狂生成要高效得多。

3. 从创意到脚本：AI 短剧的第一步

3.1 什么样的脚本适合 AI 真人短剧

很多人做 AI 短剧的第一个误区，就是拿传统电视剧的剧本逻辑来套。AI 短剧的载体是手机竖屏，用户刷到你的视频后，前 3 秒如果没有留住他，后面做得再好都没用。所以脚本规划上，一定要遵守“快节奏、强冲突、高反转”的原则。

举个例子，一集 60 秒到 90 秒的短剧，通常只需要一个核心事件。比如“女主发现老公手机里的秘密”，这一个事件就足够撑起一集了。不用展开太多人物关系，也不用铺垫太多背景故事，直接进入冲突，留一个悬念结尾，引导用户追下一集。

另外，AI 生成视频在时长和动作复杂度上还有局限，所以脚本里的镜头语言要尽量简单：人物的对话和表情变化是重点，大范围的跑步追逐、复杂的动作打斗，虽然一些视频模型已经能生成，但可控性还不够稳定，新手期不建议挑战。

3.2 高效写脚本的模板

如果你没有编剧经验，可以直接用下面这个分镜脚本模板来起步。它是我整理过的基本结构，适合大多数剧情类 AI 短剧。

项目名称：XXXX 集数：第 1 集 总时长：60 秒 每集核心冲突：女主发现老公手机里的秘密 人物列表： - 女主（林小雨）：28 岁，长发，温柔外表下有主见 - 男主（陈峰）：30 岁，西装，表面成功男士 - 女配（苏婷）：26 岁，短发，职场女性 分镜 1： 景别：中景 画面：林小雨坐在客厅沙发上，拿起手机，表情由平静转为震惊 台词：林小雨（内心独白）：“这个密码……我从来没有见过。” 时长：5 秒 分镜 2： 景别：特写 画面：手机屏幕上弹出消息，发件人备注为“苏婷” 台词：陈峰（画外音）：“那是工作群的消息，你别多想。” 时长：5 秒 分镜 3： 景别：近景 画面：林小雨抬头看向门口，冷冷一笑 台词：林小雨：“工作群？那为什么你的工作群叫这个名字？” 时长：6 秒

这个模板的好处是，它把景别、画面内容、台词、时长都单独拆开了，每一行都可以直接对应到后续 LibTV 导演台里的一个分镜卡片，后续生成视频时不用再回头翻剧本。

3.3 用 AI 帮你生成脚本

如果你连写脚本的时间都不想花，也可以直接用 AI 对话工具辅助生成。把下面这个提示词作为框架，往里面填你的题材方向就可以。

你是一个短剧编剧，擅长写竖屏短剧脚本。请帮我写一个关于“豪门隐婚”题材的短剧脚本，要求： 1. 一共写 3 集，每集 60 秒到 90 秒； 2. 每集必须有明确的核心冲突和结尾悬念； 3. 每集拆分为 5 到 8 个分镜，每个分镜标注景别、画面描述、台词、时长； 4. 人物包括：女主（温柔坚韧）、男主（冷漠霸总）、女配（心机闺蜜）； 5. 台词要口语化，适合竖屏短视频节奏。

然后让 AI 对话工具生成初稿，你再按照自己的风格去调整。记住，AI 生成的脚本只能当草稿，不能直接用，因为 AI 容易写出逻辑漏洞，或者把台词写得过于书面化。你需要自己通读一遍，把不合理的转折改掉，把冗长的对话缩短，确保每一句台词都能在 3 秒内让人听懂。

4. 角色设定与一致性控制

4.1 为什么要先做角色设定

角色设定是 AI 真人短剧里最重要的一步，它决定了你整部剧能不能形成“同一张脸讲同一个故事”的观感。如果跳过角色设定，直接在分镜里描述“一个长头发的女生”，那么每一张图都可能生成完全不同的女生，观众的代入感会被瞬间打断。

在 LibTV 的导演台里，角色设定的常规做法是：先把主角、配角的形象用文字描述出来，生成一张定妆照，然后把这张定妆照作为整部剧的角色锚点。后面所有分镜生成时，都在提示词里引用这个角色锚点，系统会尽量保持人物面部特征一致。

4.2 写角色描述提示词的技巧

一个高质量的角色描述，至少要包含五个维度：面部特征、发型发色、体型着装、年龄气质、镜头环境。下面是一个参考例子。

林小雨，28 岁中国女性，鹅蛋脸，眼睛大而有神，黑色长发自然垂落至肩膀以下，身材偏瘦。穿着米白色针织开衫，内搭浅色衬衫。整体气质温柔中带有一丝坚毅。面部特写镜头，自然光，浅景深，背景为模糊的客厅。

这里有一个需要特别注意的地方：不要在提示词里写太多互相矛盾的词。比如你既写“年轻女孩”又写“中年女性”，既写“长发”又写“短发”，模型会不知所措，最终生成的结果往往是不伦不类的。一次提示词只表达一个明确的人物特征集合，不要贪多。

4.3 用 General Image Pro 生成高质量定妆照

生成定妆照时，我们通常会选择比较高质量的图像模型，比如前面提到的 General Image Pro。这类模型对复杂提示词的理解能力比较强，生成的图像细节更丰富，面部结构更稳定。

具体操作时，建议先生成四张候选图，从中挑一张最满意的作为“标准形象”。记住，不要第一张就定稿，多生成几张对比一下，选择面部最自然、表情最符合角色设定的那一张。如果生成的候选图里出现衣服颜色不对、发型方向反了这类细节，那大概率是提示词描述不够精确，需要调整描述。

定妆照生成后，可以把这张图保存到项目的素材库中，并在导演台里给它打上标签，比如“女主角标准脸”。后续生成分镜视频时，统一引用这个标签或这张图片，角色一致性会明显提升。

5. 分镜图生成与视频化

5.1 分镜图是连接脚本和视频的桥梁

短剧脚本写完后，下一步不是在 LibTV 里直接输入“生成一段男主和女主对话的视频”，而是先把每个分镜变成静态画面，也就是分镜图。这一步非常关键，因为 AI 视频生成模型对一次性输入的复杂指令理解能力有限，如果你把所有动作和对话塞进一个提示词里，生成的结果大概率是失控的。

分镜图的生成逻辑是：将脚本里每个分镜的画面描述转换为提示词，结合前面确定的角色锚点，生成一张符合构图要求的静态图像。检查分镜图没问题后，再把它作为首帧输入到视频生成环节。

5.2 分镜提示词完整示例

下面是一个从脚本到 LibTV 提示词的转换示例。

脚本原文是：“林小雨坐在客厅沙发上，拿起手机，表情由平静转为震惊。”

转换成 LibTV 分镜生成提示词：

分镜 1：林小雨（使用角色锚点图片），坐在现代客厅沙发上，手里拿起一部手机，低头看屏幕，表情由平静转为震惊。中景镜头，摄像机位平视，室内暖光，背景有沙发和台灯，画面比例 9:16，电影级光影。

这个提示词相比一开始的脚本原文，多了很多信息：角色锚点、镜头景别、机位、光线、画面比例。这些细节决定了生成出来的画面是不是有“剧组感”。很多人生成的 AI 短剧一眼假，就是因为提示词里只有“一个人在沙发上看手机”，完全没有镜头语言概念。

5.3 图像生成后的筛选标准

分镜图生成后，不要急着全部拿去生成视频。你需要做一轮人工筛选，标准就三条。

第一，人物面部是否清晰且和定妆照一致，如果脸变形或者换了一张脸，直接丢弃。第二，构图是否符合分镜要求，中景就是中景，特写就是特写，不能生成一个大全景来敷衍。第三，画面中是否出现明显瑕疵，比如手指数量异常、文字乱码、物体穿模。这三条里任何一条不合格，都值得重新生成一次。

一次生成成功率虽然不低，但也不是百分百。新手不要因为生成结果不理想就疯狂修改提示词，更常见的做法是保留描述，多抽几次候选图，或者微调描述里的一两个关键词，比如把“震惊”换成“眼神中透出不可置信”，效果往往会有明显改善。

5.4 把分镜图变成视频

分镜图和角色锚点都准备好后，就可以进入视频生成环节。在 LibTV 导演台中，有两种主要模式：图生视频和文生视频。

图生视频是指把上一环节生成好的分镜图作为参考帧，再输入一段动作描述，让模型生成一段几秒钟的动态视频。这种模式适用于画面内容比较复杂、需要严格保持构图的镜头。文生视频则是不依赖分镜图，直接输入描述生成视频片段，灵活性高，但稳定性相对差一些，更适合用于生成空镜、过场画面。

对于 AI 真人短剧来说，建议优先使用图生视频模式，因为人物形象已经在分镜图里确定下来了，视频模型只需要负责让画面动起来，比如眨眼、转头、拿起手机、表情变化等，生成结果的可控性会高很多。

动作描述也有讲究。描述动作要具体，比如“林小雨的嘴角微微上扬，然后慢慢低下头看手机”，比“表现震惊”要好得多。因为“表现”是抽象概念，而“嘴角上扬”“低头看手机”是可执行的具体动作，模型理解起来更容易。

6. 配音、字幕与后期剪辑

6.1 为短剧配上合适的语音

AI 真人短剧和 AI 漫剧不一样，真人短剧的台词需要配音，而且配音质量直接决定观众的观看体验。如果画面质感很好，但配音是冰冷的机器音，观众半分钟都坚持不下去。

现在市面上的配音工具已经非常成熟，很多工具都支持情感语气。选择配音时，要根据角色性格来定声线：温柔女主用温暖舒缓的女声，霸总男主用低沉有磁性的男声，心机女配用偏高调、带一点刻薄感的女声。

生成配音时，有几个注意事项。第一个是语速，短剧配音语速要比正常说话稍快一点，因为竖屏视频节奏本身就快。第二个是断句，好的配音工具会在长句里自动断句，但有时候需要手动调整。第三个是口型问题。如果你想让视频里的人嘴型和台词同步，那就涉及对口型功能，目前强大的 AI 视频工具或剪映类软件都提供了相应的克隆音色和数字人对口型能力。

6.2 剪辑软件的选择

视频片段和配音素材准备好后，最后一步是把它们组装成完整的一集短剧。常用的剪辑工具有剪映、CapCut、Premiere 等。新手推荐剪映，理由有两点：一是剪映的自动字幕功能对中文支持极其友好，可以一键识别语音并生成字幕；二是剪映内置了大量短剧风格的转场、滤镜和音乐素材，不需要额外去其他平台找。

剪辑顺序一般是：先按分镜顺序把视频片段拖到时间线，删掉多余的头尾部分；然后配上每一段的台词音频，调整音频与画面动作的对齐；接着加入背景音乐和音效；最后生成字幕并调整样式。

6.3 竖屏短剧的剪辑细节

竖屏短剧对画面比例有硬性要求，一般是 9:16，也就是 1080x1920。在 LibTV 导出视频时，如果已经按 9:16 生成，剪辑阶段就不需要再裁剪了。但如果生成的是横版画面，剪辑时需要用背景模糊或裁剪的方式转化为竖版，需要注意的是，直接裁剪可能会砍掉画面里的重要内容，所以更推荐用模糊背景填充的方式。

字幕样式也值得花心思。短剧字幕建议放在屏幕中下方，字体要大，背景可以加半透明黑底或描边，确保在各种亮度的画面里都清晰可读。不要用花哨的艺术字体，短剧观众要的是快速阅读，不是看字体设计。

7. 常见问题与排查思路

7.1 常见问题速查表

7.2 Credits 消耗快的排查方法

Credits 是新手最容易焦虑的问题。很多人觉得还没生成多少内容，点数就见底了。排查思路很简单：先看哪些操作消耗最大。图像生成、视频生成、高清放大这三类操作通常是消耗大头，其中视频生成往往比图像生成贵好几倍。

所以再强调一次，新手期一定要先低成本试错。先用默认参数生成图像，确认构图和角色形象没问题了，再升级到高清模式，最后才生成视频。不要一上来就把每个分镜都做最高清处理，钱要花在刀刃上。

7.3 General Image Pro 是不是 GPT-Image

这个问题在社区里被反复问起，很多人看到 General Image Pro 这个名字，会猜测它是不是某个知名模型的换壳。从使用体验上看，它在复杂语义理解、画面质感、人物细节方面确实接近旗舰级图像模型的水准；但官方没有公开模型底层细节，对于它具体基于哪个模型实现，没有可靠结论。

实际创作中，我们不需要执着于它“是不是某个模型”，更重要的是一件事：用这个模型生成的分镜图是否满足你的画面要求。如果满足，它就是好用的工具；如果不满足，再厉害的品牌背书也没用。

8. 最佳实践与 AI 短剧变现路径

8.1 AI 短剧制作的工程化思路

把单集跑通只是第一步，真正能稳定产出的创作者，靠的是工程化流程。工程化不是写代码，而是把每一步流程固化下来。

建议建立自己的模板库，包括角色设定模板、分镜提示词模板、配音参数模板、剪辑字幕样式模板。每次开始新项目时，先从模板库复制基础配置，再根据新剧本微调，而不是每次从零开始敲提示词。

另外，命名规范也很重要。素材库里会有大量角色图、分镜图、视频片段，如果命名随意，项目做到第 5 集就找不到东西了。推荐命名格式：“项目名_集数_分镜序号_内容描述”，例如“豪门隐婚_第1集_分镜3_女主震惊”。

8.2 变现路径解析

AI 真人短剧的商业化，是目前很多人关注的点。从实践来看，主流变现路径主要有几条。

第一是短剧平台分成。目前一些短视频平台和短剧平台开放了创作者扶持计划，你制作的短剧可以通过平台分成获得收益，具体政策各平台有差异。

第二是小说推广。这一条在行业里已经很成熟。你的短剧结尾引导用户去阅读原著小说，通过小说分销链接获得佣金。小说推广短剧对剧情要求高，但对画质的要求相对宽松，非常适合新手切入。

第三是定制代做。当你的制作流程成熟后，可以为企业或个人提供短剧定制服务，比如品牌故事短剧、产品剧情广告，这一类客单价通常比较高。

第四是教程知识付费。当你自己对整个流程足够熟悉后，可以把制作流程做成付费教程或训练营，帮助更多新人入门。

8.3 一条实用的学习路线

如果你是从零开始，不要急着在一周内学会所有功能，我给你一条更接地气的学习路径。

第一周，重点学图像生成。把角色设定和分镜图跑熟，积累自己的提示词库。目标是做到同一角色生成 10 张图，张张都能认出是同一个人。第二周，重点学视频生成。把分镜图成功转化为动态视频片段，理解动作描述怎么写才稳定。第三周，重点学剪辑包装。把 10 个视频片段剪成一条完整的迷你短剧，配上配音和字幕。第四周，开始做第一个完整的系列短剧，规划 10 集以上的内容，并在发布平台持续测试反馈。

按照这个节奏，一个完全不懂技术的小白，一个月内完全可以做到稳定产出。不要太迷信“七天速成”，也不要被复杂的专业术语劝退。AI 短剧制作的门槛，其实已经低到只要你愿意动手，就一定能跑通的程度。

如果这篇文章对你有帮助，可以先收藏备用，等你实际操作时再对照着来。如果你在 LibTV 使用过程中遇到了某个具体报错，也可以在评论区把现象描述出来，后续我会针对高频问题继续整理更细的排查专题。