个人零成本做 AI 漫剧 · 全流程 SOP

目标：把单集（3 分钟）成本从 470 元压到 0.5 元，且不牺牲可发布质量。 前提：一套"图 + 轻动效"的漫剧形态，不做全视频生成。

0. 三条总原则（违反任何一条，成本立刻回到三位数）

原则 1：视频模型一帧都不用。 漫剧是"会动的漫画"，不是"AI 拍的电影"。所有动态由剪辑软件的关键帧、图层位移、遮罩完成。

原则 2：图不用每集重画，用资产库。 一部 100 集的剧，只需要约 90 张图：角色立绘 30 张、场景 40 张、道具 20 张。剩下全靠复用、缩放、翻转、局部重绘。

原则 3：所有软件走免费档。 剧本用网页版，配音用 Edge-TTS，出图用本地 ComfyUI，合成用剪映。一分钱不花。

1. 硬件对号入座

显存参考（本地出图，FP8/GGUF 量化版）：

• SDXL / Illustrious：6 — 8G 可跑，出图 3 — 8 秒/张
• FLUX.1 dev GGUF Q4：8G 可跑，出图 15 — 30 秒/张
• 系统内存建议 32G。低于 16G 会频繁爆显存。

注意：不要下 FP16 全量版模型文件。 8G 卡加载不了，白下 20G。

2. 资产库先行（这是全部省钱逻辑的核心）

第一步：定风格，一张图定死

选一个 checkpoint（模型），全剧不换。推荐 Illustrious 系或 NoobAI 系（二次元向），或 SDXL + 国漫风 LoRA。

同一个人物、同一套提示词，只换动作和镜头，出图才稳定。

第二步：角色锁定（三个方案，按难度排）

推荐 B + C 组合：主角色训 LoRA（一次投入，全剧复用），配角用 IP-Adapter。

第三步：出图清单（一部 100 集剧的完整资产）

65 张图，本地跑 65 × 5 秒 = 6 分钟出完。成本 = 电费约 0.05 元。

这就是为什么漫剧能压到几乎零成本——你的成本是一次性的 65 张图，不是每集 180 张。

3. 全免费工具链

Edge-TTS 用法（配音全免费的关键）

pip install edge-tts

# 单句
edge-tts --voice zh-CN-XiaoxiaoNeural \
         --text "这一世，我不会再让任何人踩在我头上。" \
         --write-media line01.mp3

# 批量：整段剧本按行切分后循环
while IFS= read -r line; do
  edge-tts --voice zh-CN-YunxiNeural --text "$line" \
           --write-media "out/$(date +%s%N).mp3"
done < script.txt

音色推荐：

• 男主：zh-CN-YunxiNeural（云希，青年男）
• 女主：zh-CN-XiaoxiaoNeural（晓晓）或 zh-CN-XiaoyiNeural（晓伊）
• 旁白：zh-CN-YunyangNeural（云扬，播音腔）
• 反派/老者：zh-CN-YunjianNeural（云健）

调情绪用 SSML：<prosody rate="-10%" pitch="-5%"> 慢下来压低，就是阴狠。

4. 单集 6 步流程（3 分钟成片，熟手 3 — 4 小时）

步骤 1：剧本转分镜表（30 分钟）

给 LLM 的 prompt 模板，直接复制：

写一个 3 分钟的国漫风漫剧分镜脚本。
题材：重生复仇。女主是被陷害的将军府嫡女，第一集讲她重生回到出嫁前一天。

输出为表格，每行一个镜头，列包括：
镜号 | 画面描述（含景别、人物动作、表情） | 台词 | 时长(秒) | 运镜方式 | 情绪基调

要求：
- 总镜头数 50 — 60 个
- 单镜头 2 — 5 秒
- 台词口语化，不要书面语
- 每个镜头只描述"一张定格画面能拍到的东西"

最后一条最关键：只用一张静态图能表达的画面。写"两人对峙，剑气四射"这种动态描述，你后面做不出来。

步骤 2：资产匹配（30 分钟）

对着分镜表，给每个镜头标一个资产编号：

镜 01 → 场景_将军府_夜 + 女主_惊愕
镜 02 → 场景_将军府_夜 + 女主_愤怒
镜 03 → 道具_妆台特写

60 个镜头，实际只用到 15 — 20 张不同的图。 不够的才补画。

步骤 3：补图（30 分钟 — 1 小时）

只补缺的。ComfyUI 批量队列一次跑完。

出图尺寸：1080 × 1920（竖屏），或 1920 × 1080（横屏）。多留 10% 边距，后面运镜才有余量。

步骤 4：配音 + 字幕（40 分钟）

Edge-TTS 按台词批量生成，命名带镜号（01.mp3、02.mp3）。

丢进剪映，自动识别字幕对时间轴。先配音、后对画面——音频定节奏，画面跟着音频剪，比反过来快一倍。

步骤 5：动效（1 — 1.5 小时，核心工序）

见第 5 节八招。

步骤 6：导出（10 分钟）

• 分辨率 1080 × 1920
• 帧率 30
• 码率 8 — 12 Mbps
• 格式 MP4 / H.264

5. 动效八招（剪映全部能实现，0 成本）

漫剧"动起来"靠这八招，按效果排序：

第 1 招：三层视差（最重要，效果最好）

一张图拆成前、中、后三层，各自以不同速度平移。人眼立刻感知为"有空间纵深"。

• 抠图：ComfyUI 的 BiRefNet / RMBG 节点，或用剪映「智能抠像」
• 剪映做法：三层分别放不同轨道，各加「位置」关键帧，速度 1:0.6:0.3
• 时长 4 秒，位移 100 — 200 像素，多了会晕

第 2 招：推拉镜（最简单，最常用）

单张图加「缩放」关键帧，从 100% 到 108%（推近）或 108% 到 100%（拉远）。

• 推近 = 强调情绪、紧张
• 拉远 = 交代环境、失落

一秒 1% — 2% 的缩放速度，快了就假。

第 3 招：呼吸感（零成本提升质感）

整个画面加 0.5 — 1 像素的随机位移关键帧，每 2 秒动一次。

像手持摄影机的自然抖动。加了这个，静态图立刻"活"。

第 4 招：表情切换

同一角色准备 3 — 5 张表情图，按台词情绪切换。

关键：切换点要对在重音上，不要对在句子开头。

第 5 招：眨眼循环

眼睛特写图，单独抠出眼睛区域，做 3 帧循环（睁-半闭-闭）。

3 帧就够。多了反而怪。

第 6 招：口型模拟（可选，影响大）

不做真口型。用「嘴巴开合两帧交替」+ 音量包络控制切换速度。

观众看的是字幕和情绪，不是嘴型。花时间做真口型，投入产出比极低。

第 7 招：遮罩转场

用剪映「蒙版」做擦除、圆形扩散、条形划过。比默认转场高级，且 0 成本。

禁止用剪映默认的"叠化""闪白"——一眼看出是模板。

第 8 招：特效叠加层

烟雾、光斑、雨丝、速度线，用免费素材（透明通道 MP4/PNG 序列），「滤色」或「叠加」模式铺在最上层。

一个镜头加一层就够。加多了像 PPT 动画。

节拍控制（决定成片"专业度"的隐藏开关）

• 每 2 — 4 秒一个镜头切换
• 情绪高潮段落 1 — 2 秒一切
• 对话场景 3 — 4 秒一切
• 画面切换必须卡在配音的重音或停顿上

这一步做对，同样的素材观感差一倍。

6. FFmpeg 批处理（把 60 个镜头一次性做完）

剪映逐个做太慢。批量视差用命令行：

# 三层视差：背景慢、中景中、前景快，4 秒 1080x1920 竖屏
ffmpeg -y \
  -loop 1 -i bg.png -loop 1 -i mid.png -loop 1 -i fg.png \
  -filter_complex "\
[0:v]scale=1200:-1,zoompan=z='1.06':x='(iw-iw/zoom)*on/96':y='(ih-ih/zoom)/2':d=96:s=1080x1920:fps=24[bg];\
[1:v]scale=1180:-1,zoompan=z='1.10':x='(iw-iw/zoom)*on/80':y='(ih-ih/zoom)/2':d=96:s=1080x1920:fps=24[mid];\
[2:v]scale=1160:-1,zoompan=z='1.15':x='(iw-iw/zoom)*on/64':y='(ih-ih/zoom)/2':d=96:s=1080x1920:fps=24[fg];\
[bg][mid]overlay[tmp];[tmp][fg]overlay" \
  -t 4 -c:v libx264 -crf 18 -pix_fmt yuv420p shot01.mp4

参数含义：

• on/96：96 帧内完成平移，数值越小移动越快
• z='1.06'：缩放 1.06 倍，制造推镜
• 三层 on/96、on/80、on/64 就是 1 : 0.83 : 0.66 的速度差

批量跑：

for i in 01 02 03 04 05; do
  ffmpeg -y -loop 1 -i "assets/$i/bg.png" \
         -loop 1 -i "assets/$i/mid.png" \
         -loop 1 -i "assets/$i/fg.png" \
         -filter_complex "...同上..." -t 4 "shots/$i.mp4"
done

最后统一拼接：

# 生成文件列表
ls shots/*.mp4 | sed "s/^/file '/;s/$/'/" > list.txt
ffmpeg -y -f concat -safe 0 -i list.txt -c copy roughcut.mp4

粗剪出来再丢进剪映配音、加字幕、调节奏。

7. 成本核算（自己套）

回本播放量对照

回本播放 = 单集成本 ÷ 万播单价 × 10000 ÷ 有效播放占比

按红果万播 5 元、有效播放占 30% 算：

3.3 万播放就能回本一集。 这个数字意味着：你不需要赌爆款，正常发就有机会打平。

8. 三天验证清单

别急着做 100 集。三天验证完再决定投不投时间。

第 1 天：跑通出图

•  ComfyUI 装好，能出 1080×1920 的图
•  同一角色、同一 seed，出 3 张，看脸是不是同一个人
•  出图速度记下来（秒/张）

判定：三张脸差异大到能看出来 → 上 IP-Adapter 或训 LoRA。别硬调提示词，调不出来。

第 2 天：做 20 秒样片

•  5 个镜头，3 层视差 + 推镜
•  Edge-TTS 配 3 句台词
•  剪映合成，导出

判定：自己看一遍，有没有"PPT 感"。有 → 加呼吸感 + 缩短镜头时长 + 换转场。

第 3 天：算清账

•  20 秒实际耗时 × 9 = 单集工时
•  单集工时 × 你的时薪 = 人力成本
•  套第 7 节公式算回本播放量

判定：回本播放超过 100 万 → 流程有冗余，回去砍步骤。低于 50 万 → 可以开始做第一批 10 集。

9. 五个让新手白干三天的坑

坑 1：追求口型同步。 投入 10 小时，观感提升 5%。漫剧观众不看嘴，看字幕和情绪。

坑 2：每集重新抽图。 这是成本失控的头号原因。资产库建好，90% 的镜头直接复用。

坑 3：用视频模型"让画面更动感"。 一集 450 元，且抽卡 2.5 倍。你省下的所有钱，一个视频模型全烧光。

坑 4：镜头时长平均分配。 每个镜头都 3 秒 = 催眠。按情绪给节奏，高潮处 1 秒一切。

坑 5：先做画面再配音。 反过来。先配音定节奏，画面跟着音频剪，速度快一倍，卡点也准。

10. 时间账（比钱更贵的那部分）

第一个月的真实预期：30 集左右，全部时间投入约 120 小时。

按 120 小时算，如果你的时薪是 80 元，时间成本就是 9600 元。这才是最大的投入，不是那点电费。

所以：先做 10 集测数据，别一上来做 100 集。 10 集跑完，播放数据会告诉你该不该继续。