AI漫剧制作入门：用豆包+即梦+剪映生成剧本的三种方法

同样的AI工具，为什么有人一发入魂，有人却像脱缰野马般浪费积分？这套B站教程给出的答案是：差距往往不在工具本身，而在于你怎么向AI提问、怎么组织创作流程。本文梳理这套零基础AI漫剧（AI视频）制作教程的第一课——剧本生成，重点讲清楚提示词框架和三种剧本产出方法。

课程用到的工具与整体结构

这套教程主打"简单、免费、易懂"，核心工具只有三个：即梦（教程中也称"极梦/吉梦"）负责AI图像与视频生成，豆包负责剧本创作，剪映负责剪辑与输出。整个AI视频制作流程被拆成七个模块：剧本、角色设定、图像生成、动态效果、音视频创作、剪映剪辑实操，以及最后的接单与发布。

对零基础用户或急需接单变现的人来说，这种"从新建文件夹到剪辑发布"的完整链路拆解，比单纯讲某个工具的功能更实用。本文聚焦的是第一环——剧本，因为剧本质量直接决定了后续图像和视频生成的成败。

提示词的万能框架：身份、需求、格式

教程反复强调，要写出好剧本，先要学会怎么向AI提问，而提问要围绕三个核心要素。

第一是角色身份设定。给AI贴上专业标签，比如"三年经验的3D电影导演"或"资深治愈系编剧"。身份决定了AI思考的角度和专业深度，你得让它"真的觉得自己是这个角色"。

第二是需求描述。明确创作边界，包括题材、时长、风格、核心元素。描述越具体，AI输出越精准。

第三是格式要求。指定输出格式，比如分镜数量、每镜时长、必须包含的内容，确保结果能直接使用。

教程用了一个直观例子来演示这个框架："如果你是汽车推销员（身份），请说明人们为什么这么喜欢特斯拉（需求），给出三条主要理由（格式）。"把这段发给豆包，就能得到精准的三条理由。用作者的话说，这就是"是什么、做什么、我怎么做"的通用框架——无论写脚本还是问其他问题都适用，比直接提问全面精确得多。

这套三要素框架在提示词工程（Prompt Engineering）领域有更系统的理论支撑。所谓"角色扮演提示"（Role Prompting）是一种经过大量实验验证的技巧：给大语言模型分配特定专业身份，能显著提升其输出的专业性和一致性，原因在于模型训练数据中不同职业语境下的表达模式存在明显差异，身份标签相当于激活了对应的"知识子空间"。需求描述对应的是"任务约束"（Task Constraints），格式要求则对应"输出规范"（Output Formatting）。三者合并使用的本质，是通过增加信息密度来压缩AI的输出空间——提问越模糊，模型越倾向于输出"统计上最常见"的平庸答案；约束越精准，输出越贴近具体需求。这也解释了为什么同样的AI工具，有经验的用户能快速得到可用素材，而新手却总觉得输出质量参差不齐。

剧本生成的三种方法

掌握提问框架后，教程给出了三种产出剧本的路径，分别对应不同的使用场景。

方法一：直接输出剧本

这是最快速高效的方式，适合紧急需求。做法是先准备参考材料（比如治愈系短篇分镜案例、色彩搭配文档）让AI理解你想要的风格，再用三要素框架一次性写清所有要求，让AI直接产出分镜脚本。

教程演示的提示词是：设定AI为"好莱坞顶级编剧"，让它阅读上传的分镜案例，然后创作一个以"森林中的邮局"为背景的治愈系短片，要求15个分镜、每镜小于4秒，包含视觉描述、镜头运动和简短台词。产出的脚本确实包含时长、风格、核心主题、前景镜头、运镜方式、画面描述等信息，这些在后续生成图片和视频时都用得上。

但这个方法有明显弊端：AI直接生成时容易出现逻辑漏洞或难以实现的画面。教程举例说，某个分镜写"信纸紧贴树干瞬间星光沿树皮蔓延"，这种场景在实际AI图像/视频生成中很难做出来。

方法二：先生成故事，再转脚本

这被教程称为"最适合小白的方法"，优势是逻辑更顺畅。核心思路是把剧本拆成两步，降低难度并保证故事逻辑完整。

第一步先生成一个400到500字、情节闭环、逻辑自洽的完整故事；第二步再基于这个故事转写成包含时长、分镜、运动镜头的脚本格式。

演示中的故事是"阿树10岁那年发现一株不会飞的蒲公英"——蒲公英因害怕离别不肯让种子飞走，阿树也因害怕长大、害怕父母进城而与之"绑在一起"，最后阿树用力吹气，学会了"不是留住，而是成全"。教程指出，这种拆分方式生成的故事逻辑通顺、有始有终，明显优于直接生成的脚本模板。

转脚本时有个实用细节：要求"单个分镜不要有景别切换"。因为如果一个分镜里包含3到4个景别，AI就很难准确描述画面。加上这个约束后，每个分镜的画面描述都简单而精准，AI更容易理解要生成什么。

这种"先高层结构，再细化执行"的创作思路，本质上是一种任务分解（Task Decomposition）策略。大语言模型在处理复杂、多约束任务时容易出现"约束遗忘"现象——即在生成较长文本的过程中，早期设定的部分要求会被后续内容稀释。将剧本创作拆成"故事逻辑层"和"分镜格式层"两个独立步骤，每一步的约束数量都大幅减少，模型注意力更集中，输出质量因此更稳定。"单个分镜不切换景别"这个约束也体现了同样的逻辑：景别（远景、中景、近景、特写等）是影视摄影中描述拍摄距离与画面范围的基本单位，一个分镜内频繁切换意味着需要多个连续镜头，AI图像生成工具通常以单张静态画面为单位工作，无法在一次生成中表达多个景别的时间序列，因此约束景别数量是让提示词与工具能力匹配的关键细节。

方法三：借鉴原有框架二次创作

这是教程认为最适合商业接单的方法。通过借鉴成熟的经典故事框架（如"平凡人拯救危机""寻找失落之物""新旧对比"），可以避免AI天马行空，让输出更符合用户需求和市场规律，同时兼顾创意质量与效率。

做法是保留故事框架，替换其中的角色、场景、核心道具等元素，再让AI生成新故事并转化为脚本。教程直接把方法二里"阿树与蒲公英"的故事整理成文档，让AI替换核心元素后改写，得到了"小满8岁在老井边发现一只不会游的小鲤鱼"的新故事——框架高度相似，但人物和情节都被替换了。

作者也坦诚指出这个方法的问题：改写后的故事里，"小鲤鱼怕陌生"和"小满怕改变"的核心矛盾，仅靠老奶奶一句话直接点破，缺乏前期铺垫，导致两者的绑定关系显得生硬。这个脚本修订的问题会在后续视频中处理。

三种方法怎么选

把三种方法放在一起看，逻辑其实很清晰：追求速度选方法一，但要接受逻辑漏洞的风险；零基础想稳妥出片选方法二，用"故事—脚本"两步走保证逻辑；接商业单、要控制风险和效率选方法三，用成熟框架做二次创作。

对刚接触AI漫剧的人来说，这套课程的价值不在于工具有多神，而在于把"怎么让AI听懂你"这件事讲透了。身份、需求、格式这个提示词三要素，配合从故事到分镜的拆解流程，是能迁移到其他AI创作场景的通用方法论。剧本只是七个模块的第一步，后续的角色设定、图像生成和剪辑才是最终决定成片质量的环节。