这半年我一直在做同一件事用 Claude 当导演拿 Seedance、Veo、Kling、Grok 这四个引擎当摄影和演员把脑子里那些剧本彻底拆成一条能反复运行的 AI 电影流水线。说实话单看任何一家视频模型的 Demo都会觉得电影时代真来了但真正从零开始做一条能稳定出成片的流程你会发现卡点根本不在生成视频这一个动作上而在前面的剧本拆解、分镜设计、提示词管理以及后面的剪辑、声音、节奏这些看起来一点都不AI的环节。这篇文章就是把我这套 AI 电影制作工作流完整摊开。适合想用 AI 做短剧、漫剧、广告片、个人短片的人也适合刚接触 Claude 和视频生成模型、想知道这些工具怎么组合起来的初学者。我不会只讲某个按钮怎么点而是给一套从想法到成片的完整链路Claude 管剧本和分镜Seedance、Veo、Kling 负责镜头执行Grok 负责灵感发散和画面参考最后剪辑台上定生死。中间每一步踩过的坑、绕过的弯我都会写出来。1. 为什么 AI 电影制作的核心不是生成视频而是拆解流程1.1 十个惊艳画面之间隔着一个工业流程单发一条赛博朋克城市街景无人机俯拍确实能惊艳所有人但要讲一个 5 分钟的故事你需要几十个镜头的连续产出。这些镜头之间有叙事逻辑、视觉一致性、运动节奏每个镜头还要能被后续剪辑接得上。视频生成模型本质上是单镜头执行者它不知道上一个镜头里主角穿了什么颜色的衣服也不知道这场戏情绪该收还是该放。我最初的做法非常天真把一整段戏的文字描述直接丢给生成模型期望它输出一个连贯片段。结果就是画面各自精彩拼起来完全不是一部电影。后来我才意识到AI 制作的流程和传统电影制作本质上是一样的只是把剧组换成模型组合先有剧本再拆场次再细化到镜头每个镜头单独生成素材最后在剪辑台组装。真正的核心功夫是把一个抽象故事拆成一个个可执行的、可验证的镜头单元。1.2 我的标准工作流总览六个阶段这套流程我反复调整了很多轮目前的稳定版本分六个阶段阶段核心工具主要产出时间占比1. 世界观与剧本Claude、Grok故事梗概、角色设定、场景列表20%2. 分镜设计Claude镜头号、景别、运镜、时长、画面描述25%3. 角色与场景视觉锚点Grok Imagine、图生视频首帧角色概念图、场景参考图15%4. 视频镜头生成Seedance、Veo、Kling每个镜头的独立视频片段20%5. 剪辑与节奏剪辑软件成片粗剪10%6. 声音与调色音频工具、调色面板最终成片10%为什么要这样拆因为没有任何一个引擎能同时做到所有事。Seedance 对我的提示词理解最稳Veo 3 的画面质感和原生音效最强Kling 的运镜控制最精准Grok 则擅长在前期把视觉概念画出来。与其跟某一个工具死磕不如让每个工具干自己最擅长的事然后用统一的分镜表作为中间语言把素材串起来。这个阶段最容易犯的错是跳过第 2 和第 3 步直接开生成。我也犯过结果是每个镜头都靠临时编提示词角色脸三秒就变场景光线完全对不上。所以后面我把分镜设计和视觉锚点变成了不可省略的硬节点。2. Claude 在片场做什么从剧本到分镜的全局调度2.1 为什么把 Claude 放在导演位而不是直接写提示词导演位需要三件事记住全局、拆解叙事、输出标准化指令。Claude 在这三件事上都很合适。首先是长上下文。一部 3 到 5 分钟的短片世界观设定、角色关系、场景描述加起来可能几千字Claude 可以一次性吃进去之后生成每个镜头时都基于同一个设定不会忘了之前的设定。其次它擅长结构化输出能把一场戏直接拆成 Markdown 表格或 JSON 格式的分镜表这种格式正好是后续所有视频引擎入口的中间产品语言。最后是它的可编程性Claude 的 Agent Skills 和 MCP 机制让我能把整套拆解流程自动化而不是每次手动重复粘贴模板。我对导演 Skill的理解是这样的社区里已经有人把 Seedance 导演台做成开源的 Claude Skill核心思路就是把剧本到分镜到镜头提示词这套方法论打包成一个可复用资产。你只需要输入故事梗概Skill 就按统一标准产出分镜表和每镜头的提示词要点。这个方向我非常认同因为电影制作的方法本身是稳定的差的只是每次手工执行的效率。2.2 让 Claude 输出可执行的分镜表下面是我实际用过的一个片段示例。假设一个 30 秒悬疑短片场景是夜晚的书房主角发现桌上多了一张不属于自己的照片。我给 Claude 的产出约束类似这样镜头景别运镜时长画面描述引擎建议提示词要点01全景缓慢推进4s夜晚书房台灯亮墙上书柜主角背影坐在桌前Kling低角度推近暖光台灯窗外冷色调02特写固定3s桌面上一张拍立得照片画面里是主角自己Seedance浅景深台灯光晕照片边缘泛黄03中景快速后拉2s主角猛然回头看向镜头表情惊恐Veo 3面部细节清晰眼神聚焦呼吸感04过肩横移4s主角拿起照片门口方向黑影闪过Kling过肩视角右移速度均匀保留悬念喂给 Claude 的指令我一般写成模板形式核心是明确角色卡、场景表、镜头语言约束、输出格式四件事。比如这样你是本片的执行导演。请基于以下设定输出分镜表 - 故事梗概{story} - 角色卡{character_bible} - 场景表{scene_list} - 镜头语言约束短片中每个镜头时长 2-5 秒景别交替避免连续三个相同景别 - 输出格式Markdown 表格列为 镜头号/景别/运镜/时长/画面描述/引擎建议/提示词要点提示分镜表里每个镜头一定要单独对应一条提示词不要试图把两三个镜头的动作并成一个长指令。视频引擎对长指令的语义解析会丢细节拆得越细生成越可控。2.3 角色卡是防止换脸的第一道防线AI 视频的角色漂移问题在分镜阶段就有解法。我会要求 Claude 先输出一份角色卡包含角色的外貌特征、服装、标志性道具、情绪表达习惯。这些描述不只是给 Claude 看更是后续 Grok Imagine 生成角色概念图的文本基础。角色卡我会单独存成一个文件每场戏的分镜提示词都自动引用其中一段。这样至少保证黑色卷发、深绿色连帽卫衣、戴银色圆框眼镜这样的描述在每个镜头里都稳定出现而不是每次重新自由发挥。等到了视频生成阶段再配合图生视频首帧角色一致性就能从看运气变成有保底。3. 四个视频引擎的实战画像Seedance、Veo、Kling 与 Grok 各管哪一段3.1 Seedance复杂提示词执行力和漫剧赛道Seedance 是我日常使用频率最高的镜头执行引擎。它对我这套分镜表里相对复杂的提示词理解力很强尤其是人物动作 环境氛围 镜头运动混在一起的输入它很少出现只执行其中一半的情况。运镜参数方面推、拉、摇、移、环绕这些基本操作都能做到速度可控。很多人用 Seedance 做漫剧这种动态漫画形态在短剧平台很火。漫剧的制作逻辑和常规短片不太一样它强调分格感画面风格偏插画或二次元镜头切换幅度小更多是在一个格内做轻微推拉。Seedance 对这种插画质感和小幅运镜的输出非常契合而且单镜头生成速度快适合批量出素材。我实际操作中用的 Seedance 2.5稳定性和镜头指令的服从度都比早期版本明显更好。3.2 Veo 3视觉一致性和原生音效的优势Veo 3 在视觉一致性上确实有一手同一角色跨镜头保持面部特征的能力在我测过的引擎里算第一梯队。它生成的长镜头物理合理性也更好比如雨滴打在玻璃上的折射、窗帘被风掀起后的自然摆动这些细节不容易崩。最让我惊喜的是 Veo 3 的原生音效。生成一个雨夜街头的镜头它会直接附带雨声、环境底噪甚至脚步声这给后期省了大量工作。过去我要先生成画面再用音频工具找素材、对节奏现在一部分环境音在生成阶段就解决了。适合用来做质感要求高的剧情片、氛围向的情绪镜头。3.3 Kling运镜控制和运动逻辑的优等生Kling 的定位在我这套工作流里非常清楚需要精准运动和运镜的镜头优先丢给它。它的首尾帧功能最实用给定第一帧和最后一帧两张图模型会自动补全中间的运动过程。另一个是运动笔刷你可以在画面上指定某个物体的运动方向模型会按这个方向生成。举个例子我要做一个汽车从画面左侧驶向右侧、镜头跟随平移的镜头。用文字提示词时三个引擎理解出来的跟随程度完全不同经常出现的错误是车身旋转或者镜头自转。而 Kling 配运动笔刷直接标注运动方向用首尾帧锁住起止构图生成结果基本一次到位。所以凡是镜头语言里有明确运动轨迹的我默认走 Kling。3.4 Grok另类的灵感燃料和画面锚点很多人把 Grok 当成聊天工具但在电影制作流程里它更像灵感供应商。Grok Imagine 能生成高质量的角色概念图和场景概念图我会在分镜确定后让它先画几个版本的角色视觉锚点不同角度的脸部设定、全身服装设定、标志性道具。这些图不会直接成为成片画面但会成为后续图生视频的首帧素材也能让分镜表里的画面描述落地成可看的参考。Grok 的文本发散能力我也常用于前期给一个模糊的故事想法让它扩展出五个可能的世界观走向再由 Claude 做收敛。一个发散、一个收敛配合起来比让同一个模型既发散又收敛高效很多。引擎强项适合镜头实战短板常见用途Seedance提示词理解、生成速度对话场景、漫画/插画质感镜头极端动作容易变形批量生成、漫剧Veo 3视觉一致性、原生音效氛围镜头、角色特写生成耗时偏长质感剧情片Kling运镜控制、首尾帧运动轨迹明显的镜头文字提示词理解相对保守精准运镜镜头Grok概念发散、图像草图前期设定阶段不直接生产成片视频角色视觉锚点4. 把文字变成镜头的提示词工程从画面描述到运镜指令4.1 提示词的五层结构我自己总结的镜头提示词分五层每一层都是独立的变量方便单独调整也不会让引擎抓不住重点主体与动作谁在画面里在做什么。环境与氛围在什么场景什么光线什么天气。景别与镜头全景、中景、特写模拟的焦距感。运镜与运动推、拉、摇、移、环绕运动速度。风格与质感电影感、35mm 镜头、自然光、插画风、3D 渲染感。一个能直接抄的模板长这样{主体动作}{环境氛围}{光线描述}{景别}{运镜}{画面质感}{时长} 示例一个穿深绿色连帽卫衣的男人走进书店店里暖黄灯光落地窗外下着雨 中景镜头从正面缓慢推进35mm胶片质感电影色调时长4秒。这五层优先级是有讲究的。主体动作永远在最前面引擎对前 30 个字的响应最敏感景别和运镜放在中间避免引擎把注意力全放在环境描写上风格词放在最后作为整体滤镜。我见过很多翻车案例都是把赛博朋克电影级画质这种风格词写了一大堆反而把主角拿起杯子喝水这个核心动作挤到了提示词末尾结果生成出来的画面氛围感很强但人物根本没在做你要求的事。4.2 转场词和风格词的实操以 iris out 为例转场是电影语言里的一块重要拼图。最近很多人在问iris out 舞这类提示词怎么用。iris out也就是虹膜圈出是指镜头结束时画面逐渐收缩成一个圆形直到黑场这是老电影里很经典的转场方式现在被视频创作者重新拿来做复古感片头或者段落过渡。写法其实不复杂在镜头提示词末尾加上转场指令即可镜头结尾画面逐渐缩小成圆圈随后黑场形成虹膜转场或者说英文When the shot ends, iris out to black.同一个转场词在不同引擎上的执行力差别很大。Veo 3 对英文指令更敏感我一般用When the shot ends, iris out to blackSeedance 用中文描述效果更稳Kling 则需要你把转场和主体运动分开描述先描述主体动作再单独一句描述转场否则它可能会把收缩理解成画面整体缩小而不是转场效果。漫剧质感的镜头我在提示词里常加插画光影、线条干净这类词配合小幅推拉运镜来模拟漫画分格的呼吸感。注意转场和运镜一样别写进长段落中间。它是独立指令放在提示词最后单独成句命中率会高很多。4.3 一致性控制首帧图、负向提示词与参考图文字提示词能控制方向但很难锁死细节。所以一致性控制要靠图来完成。我的标准做法是用 Grok Imagine 生成角色概念图再以这张图作为图生视频的首帧告诉引擎画面从这张脸出发。有了清晰的第一帧后续角色崩坏的概率会大幅下降。负向提示词的写法也有讲究。不要写没有奇怪的手这种模糊表达引擎未必理解。更有效的写法是直接列出会导致翻车的具体元素多余手指、面部扭曲、文字乱码、肢体比例失调、画面闪烁。每一条都是我在实际翻车素材里总结出来的重灾区。另外如果生成结果里反复出现同一类问题我会怀疑是提示词里的某个词触发了它这时候做减法比做加法更管用。5. 镜头之后的电影感剪辑、声音与节奏5.1 素材管理的血泪教训生成几十条素材之后你会发现最大的敌人其实是找不到想要的素材。我早期直接系统默认命名结果剪辑时挨个预览效率极低。后来固定了一套文件命名规则项目名_场次_镜头号_版本号 hero01_shot03_take02.mp4分镜表里的镜头号和文件名严格对应这样剪片时可以直接按分镜表顺序拉时间线哪个镜头需要重拍也能一眼定位到版本号。配合视频生成后立刻做简短的文字备注——这条素材里角色表情对不对、运镜速度是否满意——剪片时就不用重新逐个播放了。5.2 声音设计能省则省但不能没有声音是 AI 电影最容易露怯的地方但也是投入产出比最高的环节。Veo 3 的原生音效解决了一部分环境音需求但大多数情况下导出的素材是无声的需要后期处理。我的经验是至少保证三层声音环境底噪、动作音效、对白或旁白。环境底噪可以用免费音源素材库或者从 Veo 3 生成几条城市环境雨声房间音的音频素材做垫底动作音效根据画面内容逐段匹配对白和旁白要么后期配音要么用配音工具生成。如果预算有限可以弱化对白靠画面叙事和音乐情绪撑起全片这也是很多 AI 短片能在社媒传播的原因——视觉和音乐本身就是语言。5.3 节奏在剪辑台定稿视频引擎生成的片段有个通病节奏偏匀速每个动作都按设定好的时长匀速展开缺少戏剧性的顿挫感。这是模型的特质不是 bug。真正让影片活起来的是剪辑台上对节奏的重新塑造。我的做法是先把所有素材按分镜表铺到时间线看成片的第一版然后开始动刀把动作前的呼吸停顿剪掉一半在关键处提前半拍切镜头把连续三个中景改成全景、特写、特写的节奏组。哪怕某个镜头生成得非常完美只要它拖慢节奏我一样会缩短它。画面素材是为节奏服务的不是反过来。6. 实测中的翻车现场与修复思路6.1 角色漂移正脸消失侧脸变另一个人最典型的翻车是角色从特写切到全景后脸完全换了。文字提示词里的外貌描述被引擎当成参考而不是铁律。修复思路我前面提过核心是靠分镜阶段的角色卡和图生视频首帧双重锁定。另外还有一个很实用的技巧每个镜头尽量短。同一个角色在镜头内停留时间越长模型越容易放飞自我3 到 5 秒的镜头通常都能控住超过 8 秒就要做好角色崩坏的准备。6.2 镜头运动失控想要的环绕输出成了原地旋转我在一个悬疑短片里想要镜头围绕主角缓慢环绕半圈这个运镜Seedance 直接输出成了主角自己原地转圈Kling 则稳定地完成了。问题出在我把运镜和动作写在了同一句话里模型分不清运动主体是镜头还是人。修复方法有两个一是把运镜独立成句二是对运镜要求高的镜头直接交给 Kling用运动笔刷和首尾帧锁定轨迹。现在我能确认的是运镜精确度目前仍是 Kling 的护城河其他引擎更适合氛围性运镜而不是指向性运镜。6.3 漫剧落地的选型纠结Wan 3 还是 Seedance 2.5最近不少做漫剧的朋友在问 Wan 3 和 Seedance 2.5 到底选哪个我也花时间做过对比测试。实际感受是Seedance 2.5 在运镜控制和复杂提示词理解上更顺手适合要求镜头切换丰富、运动逻辑明确的漫剧Wan 3 在画面质量和某些中文场景的呈现上也可圈可点。真让我给建议我会说别迷信评测拿自己剧本里的三个镜头分别跑一遍看哪个的输出更接近你脑子里的画面。生成模型的差异在不同题材面前会被放大更好永远是针对具体项目的。6.4 批量生产进阶把工作流脚本化当单个短片流程跑通之后下一步就是把重复劳动交给脚本。我在实际项目中已经用 Claude Code 把剧本到分镜这一步脚本化读取故事文档批量产出完整分镜表和每个镜头的提示词 JSON再通过各家视频引擎的 API 批量提交生成任务。MCP 把文件系统和 API 串起来整条链路从人工接力变成了自动化流水线。这不仅省时间更重要的是产出标准的统一——每个镜头的提示词质量不再取决于当时的状态和灵感而是稳定在一个基线之上。最后分享一个我在实操里慢慢悟出来的体会AI 电影制作的方法论本质上跟传统影视一脉相承只是把沟通演员换成了沟通模型。与其花大量时间追求单条提示词的完美不如先把分镜、角色卡、素材规范这些片场制度建立起来。制度越清晰模型的执行力越稳定。等到哪天你觉得某场戏怎么生成都不对味不妨退回去看看是不是分镜阶段埋下的问题——大多数时候答案都在生成镜头之前的那个环节里。