剧本拆解与分镜：把文字变成可执行的镜头清单
先写 800 到 1200 字剧本，控制在 3 分钟成片、约 450 到 550 字台词。用 DeepSeek 或 Claude 把剧本拆成镜头表，提示词写死格式：镜号、场景、景别、角色动作、台词、时长。一部三分钟短剧通常 35 到 50 个镜头，单镜 3 到 6 秒。产出物是一张 CSV 分镜表，后面所有环节都读它。分镜阶段就要标出哪些镜头是空镜、哪些是对话正反打，空镜和正反打最适合批处理。角色设定单独建一份文档，写清发型、服装、配色三行关键词，后面生成图像时原样复用，避免角色漂移。这一步一个人 2 到 3 小时能完成，别在这一步反复改台词，改一次后面全要重跑。
图像生成与角色一致性：先定妆再批量出图
用即梦或 Midjourney 先出 3 到 5 张角色定妆图，选定一张后作为参考图，后续所有镜头都带参考图生成，权重设 0.6 到 0.8。分镜表里每个镜头生成 2 张备选，50 个镜头就是 100 张，按场景分组批量跑，一组 10 到 15 张，单张出图 20 到 40 秒。产出物是按镜号命名的 PNG 文件夹，命名规则统一为 S01_001.png。背景和空镜不需要参考图，可以整批丢进去跑。人物近景必须逐张检查手部和五官，废片率通常 20% 到 30%，预留重跑时间。这一步一个人 3 到 4 小时，其中一半时间在筛图。筛完统一裁成 16:9 或 9:16，分辨率 1080p。
图生视频与配音：最耗时的批处理环节
用可灵或 Runway 做图生视频，单镜 3 到 5 秒，提示词只写运动方式，比如“镜头缓慢推近，人物眨眼，头发轻微飘动”，别写剧情。每条生成 1 到 2 次，单条 1 到 3 分钟，50 个镜头约 2 到 3 小时，这是全流程最耗时的一步，可以整批排队后去写下一集剧本。产出物是每镜一段 MP4。配音用剪映或 ElevenLabs，按分镜表台词逐条生成，一个角色一个音色，导出 48kHz WAV。口型对不上就缩短单镜时长或加一句旁白遮过去。音效和环境音从素材库按场景批量下载，每集准备 10 到 15 条。这一步一个人 4 到 5 小时，其中视频生成可以完全无人值守。
剪辑合成与一人时间表：把流水线跑顺
剪映里按分镜表顺序铺素材，单镜对齐配音，转场只用硬切和叠化两种，加字幕用自动识别再逐条校对。产出物是一条 3 分钟成片加一份工程文件。可批处理的环节是：图像生成、图生视频、配音、字幕识别、音效下载，这五项占总量约 70%，都能排队跑。一个人做一部三分钟短剧的实测时间表：剧本与分镜 3 小时，出图与筛图 4 小时，图生视频 3 小时（含排队），配音音效 2 小时，剪辑合成 3 小时，合计 15 小时左右，拆成两个工作日。第二部开始因为角色参考图和提示词模板已固化，能压到 10 到 12 小时。想再快，就把分镜表做成固定模板，每集只换内容不换结构。
