做 AI 漫剧不用攒工具:五步,一台电脑跑完

做 AI 漫剧，很多人第一反应是先买工具。

可灵、MJ、Runway，一通充钱，最后片子没出来。

我最近拆了一篇教程。作者说他一晚上出了 4 部，还过了签。

过签这事先放一边，那段他没展开。真正让我记住的，是它的流程——五步，每一步用的都是手上就有的东西。

我把这五步捋了一遍，顺手记下几个教程里没写的坑。

第一步，出图

用 WorkBuddy 的 ImageGen，把剧本里的文字变成画面。

提示词别瞎写。它给了个公式：剧情画面感，加角色设定，加环境细节，再加一层电影镜头感。

举个例子。要的是一张古风雪夜：白衣剑客独自立在宫门外，手里一把长剑，飞雪压着城墙，远处宫灯冷暖交错，低机位，电影质感。

生成的时候记住一件事：角色一致性优先。脸型、服饰、武器，得连着。

每集还要留三类关键帧——开头抓人的、冲突最猛的、结尾吊胃口的。这三张是后面动画的地基。

第二步，让图动起来

静态图丢进 VideoGen，变成动态片段。

视频提示词也有公式：人物动作，加镜头运动，加环境变化，再加电影质感。

每张关键图先做 3 到 5 秒就够。重点就三个：人身上有点微动作，环境里要有变化，镜头也别停。

别贪。动作一大，角色就变形。这是我最信的一条。

第三步，配音

配音用 edge-tts。这个不要钱。

它的角色分音色很省事：主角用 Yunxi，女主用 Xiaoxiao，旁白用 Yunyang，反派用 Yunjian。

配音效果等于什么？角色设定加情绪状态，加语速节奏，再加场景氛围。男主压着嗓子说，女主温和，旁白平稳往前推。

还有个小样板我觉得很聪明：每段对白生成完，建一张表记下来——第几集、第几场、谁说的、台词、多长、存在哪儿。这张表，后面自动对镜头全靠它。

第四步，做字幕

字幕用 Python 加 PIL，一张张生成透明底的图。

这里有个坑，我替你先踩了。教程给的字体路径是 Mac 的。我用的是 Windows，得换成本机的字体文件。

字幕就三件事：居中，黑底描一圈让人看得清，能批量出。

第五步，合片

最后一步交给 ffmpeg。

它做三层。先把每段配音拼起来，中间该停顿的地方补静音；再把字幕一层层盖上去，盖的时段用 enable 卡住时间；最后用 setpts 把镜头放慢或者加快，凑到目标时长。

拼完，导出一个 MP4。

四个坑，得说在前头

一是别信"零成本"。

出图和出视频那两步走的是云端，是计费的。教程没说，我也是自己跑的时候才发现的。

二是角色一致性会崩。

同一张脸要在十几张图里保持一致，靠的是固定描述加固定种子。但别指望一次过，总有一两成镜头得重抽。

三是字体路径记得改。

教程里写的是 Mac 的路径，Windows 上不换，出字幕就是乱码或者空白。

四是编码器要对。

有些机器上没有 libx264，得改成 libopenh264，不然合成那一步直接报错。

最后一句

这五步本身不难，难的是把每一步的坑提前知道。

"过签"那一环，教程里只字没提。做出来是一回事，能不能签是另一回事，这个还得自己去平台看规则。

所以别急着一次做四部。先拿一个镜头，把出图、出视频、配音、字幕、合成跑一遍。

跑通一遍，你心里就有数了。