影像生成
GEN先出首帧再扩写运动，是我们目前最稳的做法。文生视频适合找感觉，图生视频才用于成片。
技术标签
这四件事决定了画面能不能用
标签按制作优先级排列，越靠前的问题越早处理，返工成本越低。
影像生成
角色一致性
镜头调度
竖屏构图
声音合成
口型对齐
分镜拆解
参考图库
后期调色
算力预算
版本管理
角色一致性
FACE黄豆的五官不能飘。我们为它建立了一套固定参考图，每次生成都带着同一组条件走。
竖屏构图
9:16手机屏幕窄，远景容易看不出表情。大多数对白镜头都压在近景与中景之间。
声音与口型
VO配音先行，画面跟着台词走。这样对齐成本比事后硬调口型低得多。
关键做法
四个模块的具体做法
每一块都写清我们为什么这么选，以及哪些做法试过之后被放弃了。
影像生成：先首帧，后运动
01《出差》里车站、走廊、机舱的画面都按这个顺序生产，避免运动一错就整段重来。
- 首帧用文字描述生成，确认构图与光线后再锁定种子
- 运动幅度控制在轻微推拉与转身，避免远景急推
- 每个镜头保留两个备选版本，方便剪辑时替换
角色一致性：把黄豆钉死
02同一张脸跨十二集出现，靠的不是运气，而是参考图与固定条件的组合。
- 参考图库包含正脸、四分之三侧、仰视三种角度
- 服装与随身包按集数分版本，避免前后矛盾
- 出片后统一做一次局部修脸，减少细微漂移
竖屏构图：给字幕留位置
03竖屏的容错空间比横屏小，构图阶段就要把字幕和贴片的位置留出来。
- 人物占画面 40% 到 55%，眼睛落在上三分之一处
- 底部预留约 15% 的画面给字幕条，不放关键动作
- 远景只用来交代地点，不承载台词信息
声音合成：配音先行
04先定稿配音，再让画面跟着语速走，口型对不上的概率会明显下降。
- 配音与配乐分轨输出，方便后期单独替换
- 超过两帧的错位才做局部重生成，避免整段重做
- 环境音单独铺底，站台与走廊使用不同底噪
制作管线
一集是怎么走完的
从剧本到成片一共四段，每段都有明确的完成标准，不达标就不进入下一步。
STEP 01
拆本成表
把台词拆成镜头行，标注景别、地点、时长与情绪，形成可执行的分镜表。
STEP 02
出关键帧
按分镜表逐条生成首帧，确认人物位置与光线，不合格的直接弃用重出。
STEP 03
生成运动
在首帧基础上扩写动作，控制幅度与节奏，保留两个备选版本备用。
STEP 04
合成出声
配音、音效、字幕与调色统一渲染，检查口型与画面节奏后输出成片。
实测数据
十二集跑下来的真实数字
以下均为已完成正片的平均值，供想自己做竖屏短剧的创作者参考。
46个
单集镜头数
18小时
单集制作耗时
12%
镜头返工率
70%
生成环节占比
工作习惯
让流程可复现的三个习惯
工具会换，习惯不会。这三件事让《出差》黄豆的画面在十二集里保持稳定，也让新加入的伙伴能快速上手。
分镜表每个镜头一行，写清景别、地点、时长和动作，任何人拿到表都能接着做。
参考图库人物、服装、常用场景各有一套图，按集数与版本归档，替换时不影响其他镜头。
版本管理生成的每个版本都带编号保存，剪辑时按编号替换，不靠记忆找文件。
剧中的出差场景是实拍还是生成的？
全部场景由生成式影像完成，没有实拍素材。夜间车站、酒店走廊、机场摆渡车这些地点先用文字描述生成首帧，确认构图后固定种子再扩写运动镜头。这样同一地点在前后几集里能保持同一种光线和色调。
黄豆的脸为什么在不同集里能保持一致？
我们建立了一套黄豆参考图库，包含正面、四分之三侧、仰视三种角度和惯常服装。每次生成都带入同一组参考图并固定面部条件，出片后再做一次局部修脸。遇到角度特别刁钻的镜头，会先合成一张过渡图再生成运动。
一集大概需要多少时间和算力？
单集约 46 个镜头，从分镜到成片耗时约 18 小时，其中生成环节占七成。按目前 12% 的返工率计算，大约每十个镜头有八个以上可以直接进入剪辑。前期分镜做得越细，后期返工越少。
竖屏短剧的构图要特别注意什么？
主要控制三点：人物占画面 40% 到 55%、底部预留字幕条空间、远景只用来交代地点而不承载对白。这样在手机上观看时不用放大也不会漏掉表情，观众在地铁或路上刷剧时也能看清。
声音和口型对不上怎么办？
我们采用配音先行的顺序，先定稿配音再生成带口型的镜头。若有偏差，先按台词重切镜头长度，再对超过两帧的偏差做局部重生成。整段重做成本太高，一般不会这么做。
普通创作者能复现这套流程吗？
可以，流程本身不依赖昂贵设备，核心是分镜表、参考图库和版本管理三个习惯。首页预约表单留下联系方式，可以拿到我们整理的分镜模板与参数清单，照着做第一支竖屏短剧并不难。