用 AI 做短剧最痛苦的是什么？人物反复变脸、镜头风格漂移、提示词不断重写——一段画面不满意就要从头来过。这套基于 Flova 平台的两级 Skill 方案，正是为了解决这个痛点而设计。

一、痛点分析：AI 短剧生产为何反复抽卡

过去用 AI 制作短剧，最常见的问题是：

  • 角色一致性差：同一个角色在不同的镜头中面容不断变化，观众无法建立视觉连贯性
  • 镜头风格漂移：即使使用相同的提示词，不同画面的光影、质感和色调也经常不一致
  • 提示词重复劳动：每个分镜都需要重写提示词，大量重复内容浪费时间和精力
  • 无增量修改：一个镜头不满意，往往要整条流程重来，成本极高

上述问题的根源在于缺少一个结构化的生产框架。Flova 平台的两个 Skill 正是为了解决这些系统性问题而生。

二、Skill 1：短剧拆解——从参考片中提取结构化知识

短剧拆解 Skill 的核心功能是将参考视频转化为结构化数据。当把一个参考视频输入后，Skill 会自动提取以下要素：

  • 镜头构图与景别：全景、中景、特写、过肩镜头的分布模式
  • 拍摄参数：模拟的光圈、快门速度、ISO 设定
  • 运镜方式：推轨、横摇、升降、稳定器跟随等运动的轨迹描述
  • 生图提示词：从视频画面反推出的有效提示词结构
  • 视频关键帧：叙事关键节点上的画面形态
  • 角色动作与情绪：每个镜头中角色的肢体语言和情绪状态

参考片中积累的创作方法论可以被完整拆解为结构化的可复用数据。这意味着专业创作者的镜头语言可以被系统地学习和重组。

三、Skill 2：短剧制作——从拆解结果到完整成片

短剧制作 Skill 是生产执行端。将短剧拆解 Skill 的输出作为输入后，它会自动完成以下全流程：

  1. 编写剧本：根据大纲生成带有台词、动作描述和情绪标注的完整剧本
  2. 规划人物与场景：锁定每个角色的视觉设定，确保身份一致性
  3. 生成连续分镜：将剧本转换为带有画面描述的分镜头脚本
  4. 批量出图：调用 GPT Image 2 按分镜序列批量生成参考图
  5. 编写视频提示词：将参考图转换为 Seedance 2.0 所需的完整提示词
  6. 生成视频并整理素材：最终输出成片并归档所有素材文件

四、实际操作流程

用户需要提供三个核心输入：

  1. 剧本大纲或参考视频：用于短剧拆解 Skill 提取结构
  2. 男女主角色参考图：正脸、侧脸、3/4 侧脸各一张，用于锁定视觉身份
  3. 场景参考图：关键场景的光照和构图参考

收到输入后，系统会先锁定人物与视觉设定，确保统一，再根据剧本结构规划完整故事。任何一个镜头不满意，都可以单独修改该镜头的提示词、重新出图或重新生成视频，无需整条流程推倒重来。

五、模型可替换架构

Skill 不是固定的黑箱。其设计允许灵活替换底层模型：

  • 默认生图模型可换成 GPT Image 2，利用其更强的图像理解和构图能力
  • 视频模型可换成 Seedance 2.0，利用其更流畅的动作生成和更好的语义一致
  • 可预置全局设定：电影质感与色彩分级、光影风格（伦勃朗光、赛博朋克霓虹等）、人物情绪与表演风格、台词风格、背景音乐与音效要求

一套配置调好之后，后续每次写新剧本只需直接调用，不需要重复配置。

六、效果演示

以下视频展示了使用该工作流生成的实战效果：

视频时长：约 3 分钟 | H.264 编码

七、实操建议

  1. 从拆解开始：首次使用建议从参考视频拆解入手，先让 Skill 学习一个成熟案例的结构化数据
  2. 人物参考图要全面：正脸、侧脸、3/4 侧脸各一张，角色一致性效果与参考图的覆盖面直接相关
  3. 场景图包含光照信息：Seedance 2.0 对场景的光影理解取决于参考图的质量
  4. 单镜头独立修改：保持该镜头的角色和场景设定不变，只调整动作或情绪参数
  5. 全局模板固化：电影质感、色调等全局设定建议在第一个项目中调好，后续项目直接复用
  6. 拆解多个案例：积累不同风格的参考片拆解库，针对不同题材选用不同的结构模板

八、总结

从反复抽卡到一键生产，这套 Flova Skill 工作流的本质是将零散的 AI 创作经验沉淀为可重复调用的模板。真正高效的 AI 短剧生产不在于掌握多少条提示词技巧，而在于将已验证有效的创作流程固化下来，每次只需输入新想法就能获得一致的高质量输出。