AI短剧制作助手 | AI Short Film Producer

AI短剧制作助手 | AI Short Film Producer — 低成本AI短剧/短片全流程制作技能。使用Grok Imagine生成视频镜头、TTS生成配音，配合FFmpeg+Python本地合成。适用于从零制作AI短片、短视频、短剧EP、预告片等场景。包含完整的分镜脚本创作、视频生成、配音生成、音频驱动剪辑、字幕叠加、最终合成、成本核算的全套SOP。

概述

本Skill提供一套完整的低成本AI短剧制作流程，从脚本创作到最终成片，总成本仅需**¥30-50/部**（128秒短片）。核心思路：用AI API生成素材 → 本地FFmpeg合成 → WorkBuddy编排调度。

适用场景：

• 用户说"帮我做一个短片/短剧/预告片"
• 用户说"把这段文案做成视频"
• 用户说"生成一个XX题材的短视频"
• 用户需要从零到一完成AI视频制作

核心成本优势：

• 视频生成：Grok Imagine（速创API，按秒计费）
• 配音生成：TTS（速创API，按字计费）
• 合成剪辑：本地FFmpeg免费
• AI编排：WorkBuddy Lite版

---

制作流程总览

text

Step 1: 脚本创作
  ├── 确定主题/时长/风格
  ├── 编写分镜脚本（镜头×台词×角色）
  └── 输出：分镜表 + TTS文本清单

Step 2: 视频镜头生成
  ├── 调用速创API Grok Imagine
  ├── 25个镜头批量异步生成
  └── 输出：ep1_shots/*.mp4

Step 3: TTS配音生成
  ├── 调用速创API audio_tts
  ├── 多角色多音色
  └── 输出：ep1_tts/*.mp3

Step 4: 音频驱动剪辑
  ├── 逐段按TTS时长裁剪/循环镜头
  ├── 短镜头自动stream_loop填充
  └── 输出：分段seg_*.mp4

Step 5: 字幕生成
  ├── Python Pillow生成透明PNG字幕
  ├── FFmpeg overlay叠加（因FFmpeg 8.x无drawtext）
  └── 输出：带字幕的分段视频

Step 6: 最终合成
  ├── concat拼接25段视频
  ├── concat拼接25段音频
  ├── 音视频合并
  └── 输出：最终成片.mp4

Step 7: 素材导出
  ├── 结构化桌面文件夹
  ├── 矩阵表 + JSON
  └── 成本核算

---

详细步骤

Step 1: 脚本创作

输入： 用户需求（主题、风格、时长、参考素材） 输出： 分镜脚本文档 + TTS台词清单

工作流程：

1. 与用户确认主题方向（科幻/悬疑/科普/剧情等）
2. 编写分镜脚本，包含：
   • 镜头编号、画面描述、时长
   • 配音台词、角色分配、音色选择
   • 音效说明
3. 输出TTS台词清单（25段以内，每段2-20字最佳）
4. 角色音色分配表：

角色类型	推荐音色ID	说明
旁白/叙述者	male-qn-jingying	精英青年男声，通用
男主角	male-qn-jingying	精英青年男声
霸道/硬汉	male-qn-badao	霸道男声
反派/俊朗	junlang_nanyou	俊朗男声
成熟女性	female-chengshu	成熟女声
少女	female-shaonv	少女音
研究员/学生	male-qn-daxuesheng	大学生男声
醇厚长辈	male-chunhou	醇厚男声

Step 2: 视频镜头生成（速创API Grok Imagine）

API平台： 速创API（详见 references/sucuang_api.md） 模型： Grok Imagine（xAI Aurora引擎） 价格： 按秒计费（具体见平台）

API调用方式：

• 鉴权：Authorization Header 传API Key（不带Bearer前缀）
• 接口：POST /api/async/video/grok_imagine
• 参数格式：扁平JSON
• 结果查询：GET /api/async/detail?id=xxx（轮询直到status=2）

批量生成策略：

1. 25个镜头同时提交（用ThreadPoolExecutor）
2. 每个镜头约10秒，生成耗时约30-60秒
3. 失败自动重试（平均重试3次）
4. 注意：Sora2接口已不可用（持续400错误），全部使用Grok Imagine

Prompt编写要点：

• 英文Prompt效果更稳定
• 包含：场景描述、光线、构图、镜头运动
• 示例："Deep space, Milky Way galaxy slowly rotating, cinematic wide shot, photorealistic, 4K quality"

Step 3: TTS配音生成（速创API audio_tts）

API接口： POST /api/async/audio_tts 价格： 按字计费（具体见平台） 参数格式（重要）： 扁平JSON，不要嵌套

json

{
  "text": "台词内容",
  "voice_id": "male-qn-jingying",
  "speed": 1.0
}

注意事项（踩坑经验）：

• ❌ 不要传 format 参数（会报500"存在未绑定的参数"）
• ❌ 不要嵌套成 {"model":"audio_tts","params":{...}}
• ✅ 状态码判断：status=2 完成，status=0/1 处理中
• ⚠️ 部分任务会卡住（status一直=0），重试可换IP节点
• ✅ 返回tar包，需解压获取mp3

Step 4: 音频驱动剪辑（核心节奏控制）

核心理念： 画面长度由语音旁白决定，而非固定时长。先录制/生成TTS配音，再让每段视频精确匹配对应配音的时长。这样保证音画天然同步，且节奏由配音自然驱动。

4.1 节奏控制逻辑

text

每段（镜头, TTS）的处理流程：

1. 获取TTS音频实际时长 tts_dur（用ffprobe精确到毫秒）
2. 获取源视频时长 src_dur
3. 对比决策：
   ├── src_dur >= tts_dur + 0.5s  → 直接裁剪到tts_dur（视频多出的部分舍弃）
   ├── src_dur ≈ tts_dur（差<0.5s）→ 直接裁剪，不做额外处理
   └── src_dur < tts_dur           → stream_loop循环播放填满tts_dur
4. 输出：seg_NNN.mp4（时长=tts_dur，精确匹配配音）

为什么用"音频驱动"而非"视频驱动"：

• 传统剪辑：先定视频长度，再往里塞配音 → 配音节奏被画面绑架
• 音频驱动：先定配音节奏，再裁剪画面适配 → 叙事节奏由台词自然决定
• 效果：观众听到的每句话都有对应的画面时长，不会出现"话没说完画面就切了"

4.2 短镜头循环填充（stream_loop）

当源视频时长不够时，用FFmpeg的stream_loop让视频循环播放：

bash

# 循环播放直到填满tts_dur
/opt/homebrew/bin/ffmpeg -y -stream_loop -1 -i shot.mp4 -t {tts_dur} -c:v libx264 -preset fast seg.mp4

实战经验（三体EP1）：

• 25个镜头中有3个需要循环填充
• 最大修复：pan_han_02火鸡演讲（源视频10s → TTS需要19s，循环补9s）
• 循环填充的视觉重复感在1-2次循环内不明显，超过3次建议换镜头

4.3 逐段精确裁剪避免累积漂移

python

# 关键：每段独立裁剪，不整体缩放
cumulative = 0.0
for i, (tts_file, shot_file) in enumerate(segments):
    tts_dur = get_duration(tts_file)  # ffprobe获取
    # 精确裁剪到tts_dur，不依赖前一段的结束时间
    trim_video(shot_file, tts_dur, f"seg_{i:03d}.mp4")
    cumulative += tts_dur

# 最终验证：所有seg时长之和 ≈ audio_concat时长 ≈ 最终成片时长

FFmpeg路径（Mac mini M4）： /opt/homebrew/bin/ffmpeg

已知限制：

• FFmpeg 8.x 未编译drawtext/libass/freetype滤镜 → 不能直接加字幕
• anullsrc语法用 cl=stereo 而非 c=stereo
• shell转义用Python subprocess list模式避免zsh问题

Step 5: 字幕生成

方案： Pillow生成透明PNG → FFmpeg overlay叠加

python

from PIL import Image, ImageDraw, ImageFont

# 创建透明PNG
img = Image.new('RGBA', (1920, 160), (0,0,0,0))
draw = ImageDraw.Draw(img)
font = ImageFont.truetype('/System/Library/Fonts/PingFang.ttc', 48)

# 白色大字 + 黑色描边
draw.text((960, 80), "台词文本", fill='white', font=font, 
          anchor='mm', stroke_width=3, stroke_fill='black')

# FFmpeg overlay叠加
ffmpeg -i seg.mp4 -i sub.png -filter_complex "overlay=0:H-h" output.mp4

字幕设计规范：

• 底部居中，距底部约60px
• 白色大字 + 3px黑色描边
• 字号48-56px（PingFang SC字体）
• 可加角色标签（如"旁白："、"汪淼："）

Step 6: 最终合成

拼接视频：

bash

# 生成file list
for f in seg_*.mp4; do echo "file '$f'" >> video_list.txt; done
ffmpeg -f concat -safe 0 -i video_list.txt -c copy video_concat.mp4

拼接音频：

bash

for f in audio_*.mp3; do echo "file '$f'" >> audio_list.txt; done
ffmpeg -f concat -safe 0 -i audio_list.txt -c copy audio_concat.aac

音视频合并：

bash

ffmpeg -i video_concat.mp4 -i audio_concat.aac -c:v copy -c:a aac final.mp4

Step 7: 素材导出与成本核算

桌面文件夹结构：

text

~/Desktop/项目名称/
├── 01_字幕/     → 字幕PNG文件
├── 02_配音/     → TTS音频MP3
├── 03_主图/     → 镜头缩略图JPG
├── 04_视频/     → 分段视频MP4
├── 05_矩阵表/   → 矩阵表.html + 素材结构.json
└── 最终成片.mp4

成本核算模板：

项目	计算方式	说明
Grok Imagine视频	总秒数 × 重试次数 × 单价	按秒计费
TTS配音	总字数 × 单价	按字计费
WorkBuddy算力	对话轮次 × 单价	按轮计费
硬件折旧	Mac mini ¥3,999/3年寿命	¥3.65/天
电费	16h × 65W × ¥0.6/度	¥0.62/天

---

速创API平台速查

平台地址： 详见 references/sucuang_api.md 文档中心： 详见 references/sucuang_api.md

常用模型及价格：

模型/接口	价格	说明
Grok Imagine 视频生成	按秒计费	文生视频/图生视频，6-15秒
audio_tts 配音	按字计费	多音色TTS
video_digital_humans 数字人	按次计费	需公网音频URL+视频URL
Sora2（已弃用）	—	持续400错误，不可用

API Key传递：

• ✅ Authorization Header（推荐，不带Bearer前缀）
• ❌ URL参数 ?key=xxx（会返回403）

---

三体EP1实战参考

项目规模： 25个镜头，127秒成片，8个角色 总成本： ¥44.17（含重试+硬件折旧） 工具链： Grok Imagine × 25 + TTS × 25 + FFmpeg + Python Pillow 迭代版本： v5min → v6 → v7 → v7.1 → v8（5个版本迭代）

关键经验：

1. Sora2不可用，全部切Grok Imagine
2. 源视频短于TTS时用stream_loop循环填充
3. FFmpeg 8.x无drawtext，用Pillow生成PNG替代
4. TTS部分任务卡住需重试
5. 逐段精确裁剪避免累积漂移

---

专业审核与迭代流程

AI生成的第一版通常不是最终版。必须经过"制作→审核→修改"的迭代循环才能达到交付标准。

审核维度

维度	检查内容	常见问题
音画同步	画面内容是否匹配配音台词	角色A说话但画面是角色B
时长匹配	每段视频是否完整覆盖TTS	短镜头被截断，话没说完画面就切
视觉重复	循环播放是否超过3次	火鸡演讲循环9s，观众能看出重复
字幕准确	字幕文本是否与TTS一致	错别字、标点错误
节奏感	整体叙事节奏是否流畅	某段太长拖沓，某段太短仓促
画面质量	是否有明显AI生成瑕疵	人物变形、闪烁、分辨率低

迭代流程

text

V1（初版合成）
  ↓
专业审核（逐段检查以上6个维度）
  ↓
问题清单 → 按严重程度排序
  ├── P0（必须修）：音画不匹配、字幕错误、画面截断
  ├── P1（建议修）：节奏拖沓、视觉重复感强
  └── P2（可优化）：画面质量、色调统一
  ↓
V2（修复P0问题）
  ↓
再次审核
  ↓
V3...（逐轮修复，直到P0=0、P1≤2）
  ↓
最终交付

实战案例：三体EP1迭代记录

版本	问题	修复方案
v5min	252秒成片，但TTS只有127秒，大量空白	重新按TTS时长裁剪
v6	音频驱动剪辑，但3个短镜头被截断	修复中
v7	短镜头截断（火鸡演讲缺9s）	stream_loop循环填充
v7.1	循环修复完成，但无字幕	加字幕
v8	字幕+音画同步修复+矩阵表	✅ 最终交付

审核工具：

• 逐段对比：ffprobe 获取每段TTS和视频的精确时长
• 偏差检查：每段TTS vs 视频时长差 > 0.5s 即标记为问题段
• 画面检查：播放时逐段确认画面内容与台词匹配

---

资源文件

references/

• sucuang_api.md — 速创API完整接口文档和踩坑经验
• production_workflow.md — 制作流程详细参考

scripts/

• （按需添加：批量提交脚本、合成脚本模板等）

assets/

• （按需添加：字幕模板、片头片尾素材等）