用 Claude + H3 一个人拍 AI 短剧：一手实战教程，附全流程提示词和技能包

FDE-Watson
FDE-Watson

AI 数智化实验室

2026年11月8日 23:22
山东

去阅读

一集 5 分钟、角色会开口说话。剧本、演员、拍摄、剪辑，一个人，五步。视频这一步算下来 27 块多；同样的量换一条路，要 1360 块。

最近刷到一篇很实在的实战教程：作者 Miller 把自己用 Claude + MiniMax H3 做 AI 短剧的流程整个拆开了，从剧本、分镜、人物图，到生成、对口型、剪辑，连提示词都直接给了。

我把里面最值得拿走的部分重新捋了一遍，去掉工具说明书式的细节，留下一条能照着走的路线。

先说结论：一个人就是一个剧组。顺序只有一句话——先定演员，再开拍，最后剪成片。

一、先算账：钱到底花在哪

一集 5 分钟、角色会开口的短剧，视频生成这一步，作者算下来是 27 块多。

同样的量，用 Seedance 2.5 按火山方舟的官方价跑，要 1360 块左右；就算在 RunningHub 上用限时价，也要 440 块左右。

差距来自三个地方：H3 是开源的，跑的是量化版加加速节点；平台按机器运行时间收费，跑得快就便宜；日常出片只用 640P。

具体账是这样：

• RunningHub 专业版限时 99 元一个月，选「币多多」套餐送 54000 币，1 币约 0.0018 元生成一段 5 到 10 秒的视频约 100 币，也就是一段 2 毛左右
• 一集 5 分钟按 50 段素材、每段抽 3 次卡算，150 次生成、15000 币，视频这一步 27 块多99 元会员送的币，大概能做 3 集半，也就是 18 分钟左右的成片

但要注意，2 毛是「能用」的档位，出来是 640P。想更精细，可以在一采的基础上加工：

就算一集 50 段全做到极致档，每段多花 1 块多，一集也就多六七十块，加起来还不到 Seedance 官方价的十分之一。

图 2｜成本对比：H3 约 27 元，Seedance 2.5 官方价约 1360 元

所以这个账真正说明的不是「哪个模型更便宜」，而是：AI 短剧的钱，大头不在生成，在返工。

前期改一个字不要钱；到了视频那一步，改一次就是抽一次卡的钱。能在前期解决的问题，别拖到生成。

二、第一步：先把「演员」定下来

很多人一上来就去生视频，结果每一段角色长得不一样，剧情也接不上。

问题不在视频模型，在前期。前期只有三件事：剧本、分镜、资产图。

1. 剧本：只写镜头拍得到的东西

AI 视频模型看不懂「他心里很难过」，它只看得懂「他低下头，手指攥紧了衣角」。

所以给 AI 用的剧本，和给人看的小说不一样。记住三条：

1. ◆ 01心理活动要变成动作、表情，或者内心独白。

不写「评判老师心里不服」，写「评判老师眯起眼，慢慢捋着胡须」。
2. ◆ 02声音类型要标清楚。

当面说的、心里想的、人不在画面里但声音还在的，在剧本里就分开标。
3. ◆ 03一集 5 分钟，围绕一个主冲突。

开头 3 秒出冲突，结尾停在悬念上。按每 10 个字台词约 2 秒算，一集台词 750 到 1000 字就够了。

可以直接把这段提示词发给 Claude 或 DeepSeek：

你是短剧编剧，熟悉抖音、视频号上的节奏。把下面的故事改成一集约 5 分钟的短剧剧本。  要求： 1. 开头先列出本集出场人物。 2. 每场戏开头写场景题头：场号 场景名 [内/外] [日/夜]。 3. 画面和动作每行用「△」开头，只写镜头拍得到的东西。不写「他心里想」，心理活动改成动作、表情，或者内心独白。 4. 台词格式：角色名：（情绪/动作）台词。心里的话写成「角色名（内心独白）：」，人不在画面里、声音还在的写成「角色名（画外音）：」。 5. 重要的声音写成【音效】…… 6. 台词总量 750–1000 字。开头 3 秒内出现冲突，结尾停在悬念上，不要提前和解。 7. 每句单独一行，只输出剧本，不要解释和分析。  故事： （粘贴小说片段或你的故事梗概）

手上只有一个点子、还没有故事？先让它写 3 版 300 字的故事梗概，挑一版，再改成剧本。

2. 分镜：新手可以先跳过

剧本写的是「发生了什么」，分镜写的是「观众看到什么」：每个镜头拍多大、多长、谁在画面里。

新手可以直接拿剧本去写视频提示词，也能出片。对白多、想控制节奏的时候，再拆一张分镜表。切镜头记住四条：

• ◆ 换人说话就切，在说话的人和听的人之间来回切
• ◆ 情绪变了就切
• ◆ 大动作拆成准备、执行、结果
• ◆ 换场景、跳时间必须切，中间留 1 到 2 秒转场

3. 资产图：先「选角」，再开拍

资产图就是你的演员、片场和道具。H3 一次最多能喂 9 张参考图，喂进去的图越干净，每一段里的人就越像同一个人。

人物图有五条规矩：

• ◆ 全身、正面、白底，双手垂下，不拿东西，不做表情
• ◆一定要写鞋子，不写 AI 很容易出半身图
• ◆ 写清身高、体型、年龄、脸型、发型、服装，和年代对得上
• ◆ 成年角色约 8 头身
• ◆ 群众演员不用单独设计

形象定下来以后，再出一张「角色身份板」：正面、侧面、背面全身，加几个表情和姿势。视频模型拿到它，就能从各个角度认出这个人。

场景图三条：画面里不能有人；和人物用同一种画风；对话戏出三张——正打、反打，加一张看清所有人站位的大全景。

道具图两条：纯白底，没有背景和人物；写实际尺寸，比如「茶杯直径约 8 厘米，一只手能握住」，不然视频里会忽大忽小。

开拍前花两分钟，对一遍这四个问题：

• ◆ 每个主角都有身份板吗，几个角度是同一张脸吗？
• ◆ 场景图里有没有混进人？
• ◆ 道具写尺寸了吗？
• ◆ 台词总量有没有超过 1000 字？

三、第二步：让角色动起来、开口说话

资产图都准备好了，下一步就是把图变成会动、会说话的片段。

作者用的是 MiniMax H3，在 RunningHub 上跑。H3 是 2026 年 7 月 31 日发布的视频模型，一段最长 15 秒，画面和声音一次生成，8 月 3 日开源。

论画面质感和复杂动作，Seedance 2.5 更强。但做短剧，一集要几十段素材，还要一遍遍抽卡，单价差一点，乘下来就是很大一笔钱。

1. 视频提示词：一段只讲一件事

短剧和普通 AI 短片最大的区别是：角色要说话，剧情要一场接一场。提示词要比「一个人在走路」细得多。

六条规则：

1. ◆ 01一段只讲一件事。

5 到 15 秒，只处理一个动作、一次情绪转折或一句关键台词。
2. ◆ 02先写站位，再写动作。

谁在左、谁在右，门在哪边，道具在谁手里。不写清楚，下一段人就会瞬移。
3. ◆ 03动作接上一段的结尾。

上一段已经站起来了，这一段就从站着开始。
4. ◆ 04台词一字不改，声音分三种写。

当面开口、内心独白、画外音。不分开写，AI 会让角色张着嘴把心里话念出来。
5. ◆ 05镜头别一直盯着说话的人。

台词一长画面就死，中途切到听的人的反应。
6. ◆ 06每张参考图写清用途。

「@图片1 是羊羊的长相，@图片2 是书院庭院」，比一股脑扔进去效果好。

你是短剧导演，也是 AI 视频提示词工程师。把下面的剧本或分镜表改写成 MiniMax H3 能直接用的视频提示词。  规则： 1. 每段 5–15 秒，一段只处理一个动作、一次情绪转折或一句关键台词。不同场景、不同时间必须分段。 2. 每段开头先写【站位】：谁在左、谁在右，门在哪边，摄影机在哪一侧，关键道具在谁手里。 3. 动作接上一段的结尾，不重复上一段已经做完的动作。 4. 台词一字不改。声音分三种写：某某说：「」/ 某某内心独白：「」/ 某某画外音：「」。每句台词写清语气。 5. 参考素材按用途点名：@图片1 = 某某的长相，@图片2 = 场景，@图片3 = 道具。 6. 写具体的光线和镜头：景别、机位、固定还是推拉；说台词时镜头固定。 7. 声音只写台词和看得见原因的音效，不要背景音乐，不要字幕。 8. 先给每个说话的角色写一句固定的声音描述，之后每一段原样复制。  每段按这个格式输出： 【素材段落 X】（X 秒） 【参考】@图片1：…… @图片2：…… 【站位】…… 【画面】0–X 秒：景别，机位，画面里发生什么，人物表情和动作。 【声音】某某说：「……」（语气）；音效：…… 【禁止】不加剧本里没有的人，不出现现代物品，道具不换手、不消失，人物不瞬移，不改台词，不要字幕和音乐。

2. 角色声音：每段都是同一个人在说话

短剧最大的看点是角色会开口。但如果这一段是清亮的少年音，下一段变成低沉的大叔音，观众马上出戏。

三个办法，从简单到进阶：

1. ◆ 01声音描述写死。

给每个主要角色写一句固定的声音描述，每一段原样复制，不要每次换说法。
2. ◆ 02第一段满意了，把声音剪出来当参考。

H3 一次最多能喂 3 段音频参考，后面每一段都传进去。
3. ◆ 03先配音，再用「数字人」模式对口型。

每次用同一个音色，声音就不会变。

还有两个提醒：一段别塞太多台词，5 秒的片段放一两句正好；只用自己的声音，或者有授权的声音。

3. 穿帮了，别急着重抽

AI 视频一定会有穿帮：手多了一根指头、道具突然变大、人走着走着换了张脸。

处理顺序是：

• ◆能剪就剪。

问题只在开头或结尾几帧的，剪掉就行。
* ◆能补就补。

问题出在中间某一段，把出问题前的那一帧截下来，用生图模型改好，再把这张图当首帧，让 H3 只补这一小段。
* ◆最后才重抽。

重抽之前先改提示词或参考图，原样再抽一次，大概率还是错的。

另外三条预防：一段视频只喂一张场景图；对话戏把「站位大全景」喂进去；道具在提示词里也写一遍尺寸。

四、第三步：用剪映把片段剪成一集

素材都出来了，最后一步是把几十段片段剪成一集。后期就四件事：排顺序、补对白、理声音、加字幕。

粗剪：按剧本顺序把素材拖进时间线。每段从头到尾看一遍，头尾有问题的那几帧直接剪掉。开场 3 秒放冲突，结尾停在悬念上，不要再往后拖。

对白戏：如果生成出来的一段从头到尾都对着说话的人，就在剪辑里补。把说话那段的声音单独分出来，声音留在原位；在上面一层轨道，盖一段听的人的反应镜头，盖 1 到 2 秒。观众看到的是：前半句看着他说，后半句切到别人的反应，声音一直是他的。

反应镜头从哪来？生成的时候，顺手给每个主要角色多跑几段 3 到 5 秒的反应镜头，不说话，只做表情。一段 2 毛，一集多跑 10 段也就多花 2 块钱左右，剪辑时却好用得多。

声音分三层：对白最大，音效其次，配乐最小。有人说话的时候，配乐再压低一点。几段对白忽大忽小，用「响度统一」一次调平。

字幕：先用「识别字幕」，再用「文稿匹配」把剧本台词粘进去，错字更少。样式放在画面下方三分之一，别挡脸；内心独白换个颜色或加括号。

导出竖屏 9:16、1080P、30 帧，发抖音、视频号都够用。

发之前还有一件事：标上「AI 生成」。2025 年 9 月 1 日起施行的《人工智能生成合成内容标识办法》要求，用户发布 AI 生成的内容要主动声明，并用平台提供的标识功能标出来。发抖音、视频号的时候，把平台的 AI 生成声明勾上。

图 1｜一个人做一集短剧的三段流程：前期定资产，中期生成，后期剪成片

五、进阶：让画面从「能看」到「好看」

流程跑通以后，下一个问题一定是：怎么让画面更有电影感？

最管用的三条：

1. ◆ 01光要写具体，别只写「电影感」。

AI 看不懂「高级感」，它看得懂四件事：光从哪边来、硬还是软、冷还是暖、亮还是暗。最简单的一招：把顺光改成侧光，脸一下子就立体了。
2. ◆ 02一场戏锁一套光。

同一场戏，每一段都写同样的光：方向、冷暖、时间段都不变。上一段「午后暖光」，下一段别变成「冷白光」，不然剪在一起像两部片子。
3. ◆ 03一个镜头写全六样。

运镜、景别、角度、主体、运动、光影。少写一样，AI 就自己猜，猜错了就是一次抽卡的钱。

六、AI 最常犯的 9 个错

做短剧踩的坑，基本都在这 9 条里：

• ◆每一段角色长得不一样：出一张角色身份板，每段都喂进去
• ◆场景一会儿一个样：一段只喂一张场景图
• ◆人物瞬移、左右颠倒：每段先写站位，再写动作
• ◆角色张着嘴念心里话：台词分「说」「内心独白」「画外音」三种写
• ◆同一个角色，声音一会儿一个样：声音描述写死，或者拿第一段的声音当参考
• ◆长台词画面发死：中途盖一段听的人的反应镜头
• ◆抽卡抽来抽去都差不多：工作流的 seed 是固定的，改个数字再跑
• ◆道具忽大忽小：出图和提示词里都写实际尺寸
• ◆画面没有电影感：光写具体，一个镜头写全六样

七、第一次做，先花一小时做个 10 秒

别一上来就做 5 分钟。先做一个 10 秒左右的片段：一个角色、一个场景、一句台词。

1. ◆ 01

写一句台词：一场戏、一个角色、一两句台词
2. ◆ 02

出两张图：角色一张，场景一张
3. ◆ 03

写一段视频提示词
4. ◆ 04

在 RunningHub 上先跑 5 秒预览，满意了再出 10 秒
5. ◆ 05

剪映加字幕，导出 9:16

跑通一次，你就知道每一步大概是什么样子，再回来做完整的一集。

回头看，这套流程真正难的不是工具。工具把执行成本打下来了，难的是「制片人」的判断：故事好不好看、这一版镜头选哪个、哪一版算过。

一个人拍短剧，拼的不是谁会用的软件多，是谁的判断更准。

---