金鱼：把 AI 短片做成「流水线」——从剧本到成片的 15 节点生产流程

更新：2026-10 · 阅读约 12 分钟 · 文末含获取方式与推广说明

用 AI 做一个短片不难，难的是做出一条能交付的片子：人物第 3 个镜头就换了脸、同一件衣服颜色前后不一致、背景突然从宫殿变成了灰棚、字幕被烧进画面、音乐忽大忽小……这些问题的根源不是模型不行，而是流程没有工程化。这套「金鱼」流程要解决的就是这件事——把一部短片拆成 15 个可检查、可回退、可并行生产的节点。

这套流程能做什么

• AI 剧情短片 / 漫剧：从一句需求到成片（分镜、角色、场景、台词、配乐、字幕全链）；
• 角色一致性控制：三视图 + 定妆照 + 脸部裁切的多参考体系，跨镜头、跨段落锁住同一个人的脸；
• 专业级后期：整片高清修复（FlashVSR）、原生对白修复、字幕识别校对、交付校验；
• 真实照片入片：把真人照片变成同款 AI 角色，或让照片以「镜中世界」的方式出现在剧情里；
• 成本可控：生图按张计价（几分钱到几毛钱），视频按段生成（10 秒约 ¥0.06 级），全流程费用透明可预算。

全流程总览：15 个节点

整条流水线分三段：前期（1–9 节点，建立世界观与资产）→ 生成（10–11 节点，产出画面与视频）→ 后期（12–15 节点，剪辑成片）。每一步都有明确的输入、输出和验收标准，不会「做一步看一步」。

这套流程从哪里来：源起与蒸馏

先说清楚出处：这套生产流程不是凭空发明的，它蒸馏自 B 站 UP 主 YZ_金鱼（57000+ 粉的 AI 影视技术分享作者）的实战教学和其在 RunningHub 上的官方画布范例。原始素材是「一小时的长视频 + 一张画布」，信息密度极高，但视频里的执行细节散落在几十分钟的口播里，画布也只能「看」不能直接跑。

我做的工作就是蒸馏：把长视频和画布里散落的做法，提炼成 15 个节点的标准流程、每个节点的 prompt 骨架、命名规范与验收标准，再加上我自己实战项目（婚礼短片，以及后续多个测试片段）踩出来的几十条坑位清单——最终变成一套AI Agent 可以直接照着执行的生产规范。这样你可以：

• 直接使用：拿到 Skill 就能开工，不用先看一小时视频、不用自己总结；
• 回到源头查看：想深入理解原始思路，可以去看原视频与原画布（链接在下面），两者互补。

说明：原始视频与画布版权归原作者所有，本页仅作来源标注与学习指引；本 Skill 中的蒸馏规范、扩展节点与踩坑清单为原创整理。

三条「铁律」，比任何提示词都重要

铁律一：画面里永远不要出现文字

模型生成的文字 99% 是乱码，而且会毁掉镜头。所有字幕、标题、祝福语一律后期叠加；生成阶段的 prompt 里必须显式禁止「字幕/文字/水印/Logo」。这条从第一节点贯彻到最后交付。

铁律二：参考底和最终风格要分层

角色三视图 / 定妆 / 服装 / 道具这些资产阶段全部用写实摄影棚风格（中性白 T、纯灰背景），最后的首帧和视频才套用项目风格（3D 仙侠 / 写实都市 / 胶片复古）。把最终风格提前绑死在资产上，后面所有服装场景都要重做。

铁律三：锁脸只用「脸部裁切特写」

身份参考禁止使用整张生活照或定妆图全图——脸占比太小，身份信号会被稀释。正确做法是从三视图和定妆图里裁出面部特写作为参考，画面里有几个人就给几张裁切，prompt 里逐张绑定「谁的脸以哪张为准」。

一条「强制门禁」：生成前先做白模预演

这套流程里有一个别家教程很少提的环节，也是成片质量的保险丝：凡是复杂段落，进首帧生成之前，默认先做一次 3D 白模预演（用 Blender 或网页白模工具搭出场景、摆好人物、排好镜头），产出一段"结构参考视频"。

它解决的是 AI 视频最贵的浪费：一条 10 秒镜头生成要花钱花时间，构图/遮挡/走位错了，重做就是双倍成本。白模预演把"结构问题"提前暴露在便宜的环节——预演视频还能直接作为正式生成时的结构参考（video1 槽位）。

下面任一条件成立时，这道门禁不得跳过：

• 画面里有两名以上角色；
• 镜头有推拉、摇移、跟随、升降或明显景别变化；
• 场景里有门、镜子、台阶、桌面这类影响遮挡的结构；
• 需要复现参考视频的动作节奏或空间连续性；
• 该段之前出现过人物漂移、道具消失、灰棚污染、跳景或接缝问题。

真实踩坑：AI 影视生产会被「整」的 N 种死法

下面这些坑全部来自真实生产（婚礼短片实测 + 流程验证），每一条都对应流程里的一条验收标准——这些才是这套 Skill 里最贵的部分：

一部真实成片的数字账（全流程实测）

空谈流程不如上账本。这是一部真实交付的婚礼短片——从 11 个镜头到最终成片——的全部真实数字：

生产现场：一次真实短片从 0 到交付经历了什么

再说一个真实场景——《天喜金卷》婚礼祝福短片（为家人做的 60 秒片子，5 段 / 11 镜，3D 国漫仙侠风）。这是流程第一次跑全链，过程全部留在工作记录里，照原样给你看：

生图阶段：模型怎么选

资产和首帧全部走统一的生图路由，按场景复杂度切换档位，不需要自己反复试错：

价格参考：常规 1–2K 成图每张约 ¥0.03–¥0.3（按档位不同）；交付级 4K 约 ¥0.4/张级。一部 16 镜短片的前期资产+首帧总成本通常在一杯咖啡的预算内。

视频阶段：为什么是「按段生成」而不是整片一次出

当前所有主流视频模型都有一个共性缺陷：时长越长、镜头越多，崩得越厉害。金鱼流程的做法是——把视频按故事情节切成 8–12 秒的「段」，每段内部包含 2–4 个镜头，一段一次生成：

• 输入 = 该段分镜脚本 + 已批准的首帧锚点 + 全员脸裁切 + 该段对白参考音频 + 结构化 prompt；
• 对白用专用标记写进 prompt，模型直接原生生成口型；
• 段与段之间用「同场景过渡生成」衔接（叠化/声音桥/AI 过渡段），禁止硬切产生跳变；
• 前一段验收通过后才生成下一段，避免批量出废片。

成本参考：海外云端生成一条 10 秒段约 ¥0.06（按实际任务计价）；一部 1 分钟短片的视频生成总成本约 ¥0.3–0.5。真正的时间成本在「挑参」和「复检」，而不在生成费用。

后期阶段：决定成片「专业感」的三步

1. 剪辑 + 修音：以原生对白构建时间轴；只修局部错音，不用整片 TTS 覆盖；先检查每段原生环境音再决定要不要补音乐。
2. 整片高清（FlashVSR）：按帧覆盖整片放大，分片处理、按序拼接、恢复批准音轨，逐项检查尺寸、帧数和接缝。
3. 字幕 + 交付：从最终音轨识别字幕并逐句校对，从无字幕高清母版压制；交付包含完整文件名、时长、尺寸、大小与校验值。

常见问题

关于本文与说明

文中成本数字为当前时点的实测参考，不作为报价承诺。

主页：aizhuozhi.com。