我用 AI 做了三集漫剧，才发现“漫”是工具，“剧”才是命

上个月我试着做一部漫剧。AI 图像模型出图，AI 配音念台词，再用工具把画面动起来，一集两分钟，理论上一天一集。

第一集成片发出去，数据平平。评论区一条“画面挺好看，但没看懂在讲什么”把我问住了。我回头逐帧看了一遍——每一张图单拎出来都挺能打，角色设计在线，光影讲究，构图也不含糊。但连起来播，就是不对。

我把图截给朋友看，他一针见血：“你这不是漫剧，是有配音的 PPT。”

那个晚上我想明白一件事：AI 把“漫”这件事的门槛几乎踩平了，但“剧”这件事，从头到尾没人替我干。

一、它能画出一百分的单帧，画不出一个镜头的意思

传统漫画里，一个分镜不是一张“好看的画”，是一次信息投递。这个镜头是要交代环境、还是推进情绪、还是压缩时间？镜头的景别、角度、画面里谁在左谁在右，全是被“剧”的需要决定的。

AI 不懂这个。你输入“女主角站在雨里，情绪失落”，它给你一张漂亮的雨景。至于这张图该不该是特写、雨要不要挡住她的脸、她的目光该朝向画面的哪一侧——它随机。

结果就是：每一帧都对，连在一起就乱。观众的第一反应不是“她好难过”，是“这雨画得真细”。

分镜语言不是美术问题，是叙事问题。模型会做图，不会做剪辑。它不知道两个镜头接在一起会生成第三个意思，因为它在生成时根本看不到下一个镜头。

二、一致性，是 AI 漫剧最贵的一道坎

漫剧最基本的常识是：同一个角色，第二格的脸要和第一格是一个人。这事在人手里是基本功，在 AI 这里是硬伤。

我第一版的男主角，第一格是短发、方脸、黑夹克。第二格出来，换了张脸，第三格连衣服都变了。观众不会说“画风不稳”，观众会说“这是两个人吧”，然后整个剧情崩了。

我最后的解法是给每个角色建一份“身份卡”，每次生成都把描述和参考图带上：

CHARACTER = {
    "name": "林默",
    "face": "方脸，单眼皮，左眉有一道疤",
    "outfit": "深灰高领毛衣，外搭黑色短夹克",
    "ref_image": "linmo_ref.png",          # 作为图像参考喂回去
}
prompt = f"{CHARACTER['face']}, {CHARACTER['outfit']}, {scene}"
image = generate(prompt, reference=CHARACTER["ref_image"])

看起来很工程化，其实很心酸。因为一旦某个镜头的表情需要突破这套设定，整条一致性链就会断。模型没有“同一个角色”这个概念，它只有“这一次要生成什么”。角色的连续性，得靠你在外面搭一套系统兜着。

三、节奏，是 AI 唯一教不会的东西

我第二集花了大力气做画面，第三集才意识到真正的问题在节奏。

漫剧的节奏藏在“哪一格留白、哪一格挤满、哪一句台词单独占一页”里。一个悬念，要给够停顿；一个笑点，前面要铺；一个转折，前一个镜头必须收得干脆。

AI 生成的时候没有任何“时间感”。它不知道这一格应该多停 0.5 秒，不知道这页分三格还是分两格会让人倒吸一口气。它只按你的描述出图，出完就走。节奏不在它输出的任何一个像素里，节奏在排列里。

我最后被迫手写了一个极简的“时间轴”，把每个镜头的停留时长和台词对齐，才勉强做出“剧”的感觉：

timeline = [
    {"shot": "林默推门", "hold": 1.2, "line": None},        # 给一个停顿
    {"shot": "屋里没人", "hold": 0.8, "line": None},
    {"shot": "林默皱眉", "hold": 2.0, "line": "她不该在这。"},  # 停够，等观众反应
]

写完这段我就明白了：我做漫剧最核心的工作，不是画，是排。AI 帮我把“画”从三天压缩到三小时，但“排”这件事，一秒钟都没省下来。

四、声音，是最后一层，也是最容易糊弄的一层

配音和音效我一开始全交给 AI，一句台词给个描述，它念得字正腔圆，感情也对——对得有点过。

问题在“度”。漫剧的台词不是朗读，是表演。有时候一句狠话要压着嗓子说，有时候一个“嗯”要拖半拍，有时候停顿本身就是台词。AI 配音的问题是它太均衡，每个字都恰到好处，反而没有戏剧的重量。

我最后把配音切成一句一句做，关键台词单独调语气，甚至有的句子故意让它念“糙”一点。观众记住的从来不是字正腔圆的旁白，是那句带着气声的“你骗我”。