一个人用 AI 做短剧（二）：剧本与分镜，一分钟只讲一个梗

幕后2026年10月18日 · 约 6 分钟读完

一分钟，一个梗

我最有用的一条规矩，也是最简单的一条：一集只服务一个梗。不是一个梗再加一个小彩蛋，也不是讲完梗再总结一句道理。每个镜头都往那一个笑点上垒，说不清这一镜帮了什么忙，就砍掉。

整集要控制在一分钟以内。刚开始我是按自己给每个镜头预估的时长来算的，几乎每次都算错。预估时长只是愿望，真实长度是由配好的台词决定的。所以现在我先把配音做出来，量真实的音频长度（下一篇细讲）。超了就删台词，不压停顿。

剧本怎么写

开场就是冲突

大家刷得很快。前一两个镜头必须直接给冲突或反差，第一句台词就要带着冲突。不要“早啊，周末过得怎么样”这种寒暄。如果这一集讲的是改了八遍的“小改动”，观众听到的第一句就应该是第八遍。

观众猜得到的，直接砍

我早期的初稿里有很多过场戏，演的是观众早就猜到的事。老板提需求，然后我们看着程序员慢慢打开电脑、叹口气、开始敲键盘。谁都知道接下来会这样。这种过场写起来很安全，放到画面上就是空白。现在我直接跳到下一个意外。

包袱落地，立刻收

这一条我花了挺久才接受。早期有一集，结尾那个镜头里角色在笑点之后又补了一句，类似“你看吧”。看成片的时候，正是这一句把梗变弱了：它把观众刚刚自己想明白、正在享受的东西又解释了一遍。我把这个镜头删了，片子短了，反而更好。现在这条写成了规矩：包袱一落，故事就结束。后面可以接片尾，但不再有台词。

不要哑镜头

每个镜头都要有台词或旁白。写剧本时，一个没声音的空镜感觉很有电影感，但在一分钟的短剧里，那就是三秒钟什么都没发生，观众正好在这里划走。唯一的例外是包袱之后那一下短短的反应，它本身就是梗的一部分，不是梗之前的停顿。

进入下一步之前，我会把剧本一镜一镜过一遍，每镜只问一个问题：这一镜为那个梗做了什么？一句话答不上来，就砍。

从剧本到镜头

剧本本身是没法直接拿去生成的，要先拆开。我分三层拆。

1. 节拍表。把剧本切成节拍，也就是最小的故事单位，通常是一句台词或一个反应。台词在这一步定死。
2. 分镜计划。给每一场排好机位：正面全景、反打、近景。人物还没画出来之前，先决定摄影机站在哪儿。
3. 镜头表。每个节拍恰好分给一个镜头，按剧本顺序排。不漏拍，也不重复。之后谁改了台词，认领这句台词的镜头会被标成“已过期”。

每份镜头表都要守的规矩

这些规矩大多是用一次整镜重做换来的。

• 说话的人必须在画面里。画面里没有的人在说话，观众会懵，口型也没法对。
• 一段只有一个人说话。两个人对话，就拆成两段再剪到一起。
• 一个镜头最多两个人。三个人以上，生成模型就开始复制脸、凭空多出陌生人。
• 新角色先用宽一点的景别出场。新人物出场的前几个镜头里，至少有一个是中景或更宽，让观众知道他是谁、站在哪儿。
• 大动作靠剪辑跨过去。起身、转身、手从头上放到桌上，这类动作在一个镜头里生成出来都很别扭。我在动作之前结束上一镜，在动作之后开始下一镜，剪辑师一直都是这么干的。
• 不让模型写字。屏幕上、纸上要读的字，一律后期加。模型画出来的字永远是乱码。

基本的镜头语法

我不是科班导演，所以把最基本的镜头语法借过来，变成检查项。一场戏要有几种不同的景别，不要一直同一个取景；不要连着好几个同样景别的镜头；不要从全景直接跳到大特写；包袱之后切一个反应或近景，让笑点有地方落。还有，一场镜头多的戏需要不止一个真正的机位。把一张全景图裁成几块不算多机位，观众说不出哪里不对，但能感觉到。

写你要什么，别写你不要什么

写每个镜头的画面描述时，我只用肯定句。图像生成模型常常无视“不要”“没有”，有时还反着来：你提到人群，哪怕是为了禁止，人群也会出现。所以镜头描述里出现否定词，我一律当 bug 处理。不写房间里没有谁，而是把房间里有谁、他们周围是什么，写得清清楚楚。

先做小，再锁死

我还给每集的复杂度定了上限：通常一个场景、少量镜头，双人同框的镜头只有一两个，其余是单人镜和屏幕插入镜。关键在于：为了满足上限，我不砍梗、不砍台词，砍的是难拍的镜头，换一种更简单的方式表达同一件事。

然后剧本锁定。开始生成之前，我最后读一遍，确认通过。有一次我在制作中途改了一场戏，结果所有受影响的镜头都要重出图、重出视频、重配音。纸面上改一处只要一分钟，生成之后再改，可能就是一个下午。

最后，镜头表在开始生成之前要先过一遍自动校验，上面那些规矩它都认识。硬错误，比如说话的人不在画面里、一个画面人太多，会直接拦住，改完才能跑；提醒项，比如总时长稍微超一点，我看一眼再决定。整个检查只要几秒，拦下的却是那些一小时后才会变成坏镜头的错误。

下一篇

下一篇讲配音：为什么我在生成任何画面之前先把所有台词配完，每个角色怎么在几十集里保持同一个声音，以及配音怎么驱动口型。