小说与剧本拆解
上传 txt 小说自动按章节解析，选章即可生成一集剧本，包含场次、对话、动作和视觉化描述。也可以直接粘贴故事大纲，AI 拆成可生产的结构化分镜方案。AI 出的是初稿，每一场每一镜都可以手动改。
上传 txt 小说自动按章节解析，选章即可生成一集剧本，包含场次、对话、动作和视觉化描述。也可以直接粘贴故事大纲，AI 拆成可生产的结构化分镜方案。AI 出的是初稿，每一场每一镜都可以手动改。
在分镜之前先把角色定下来：定妆照锁定面部和体型，服装变体管理不同状态，场景概念图定住空间风格。后续所有关键帧生成都受这套资产约束，同一角色跨镜头、跨集数不跑脸。
每个镜头先生成起始帧和结束帧，反复调到满意为止，再用视频模型在两帧之间插值出运动。起点和终点都是确定的，画面构图和动作方向就不会像纯文生视频那样开盲盒。
文本、图像、视频可以分别选用不同厂商的模型，不绑定单一供应商。剧本用擅长结构的模型，关键帧用画风匹配的模型，视频用运镜稳定的模型，按项目需求组合。
角色台词可以分配不同音色，自动生成配音和字幕，配乐和音效在时间线上对齐。成片按发行渠道的画幅和时长规范导出，不需要再开一个剪辑软件重新对轨。
成片在后台选择目标渠道提交，抖音红果、快手、爱奇艺、B站、火龙等入口的审核状态和播放数据集中查看。分账规则按渠道展示，哪部片在哪个平台跑出了数据，一眼能对比。
从剧本到成片，都在同一套工作流里完成
可控、可改、可复用，才撑得起持续产出
角色定妆照、服装变体和场景概念图构成一套视觉锚点，所有关键帧生成都受这套资产约束。同一角色在第十二集和第一集看起来还是同一个人，不需要每集重新调提示词去赌。
纯文字生成视频的随机性太高，漫剧工场把控制点提前到静态帧。起止帧可以逐张调，构图、表情、动作方向都在生成视频之前确定，返工成本从“重抽一条视频”降到“改一张图”。
剧本、角色、场景、关键帧、视频片段、配音字幕都在同一个项目里，版本和引用关系是清晰的。不用在文件夹和聊天记录之间找“最新版定妆照”，也不会出现改了一版不知道哪版在用的混乱。
成片导出后直接进入发行管理，渠道的审核状态、播放数据和分账规则在同一个后台查看。创作端知道什么题材在什么渠道跑得动，下一部的选题和节奏就有了参照，不用凭感觉猜。
文本、图像、视频三层都可以按项目更换模型供应商。某个模型在某种画风或运镜上表现更好时，可以单独替换那一层，不需要迁移整个工作流。模型迭代时，项目资产和流程仍然保留。
编导、原画、剪辑可以按角色分配项目权限，资产和分镜的修改留痕。精品组和量产组可以在同一套系统下用不同的流程节奏跑，不需要为两种生产模式维护两套工具。
一篇关于可控生产的拆解
Text-to-Video 的随机性在短片里是惊喜，在系列漫剧里是灾难。
做过系列漫剧的人都有一个共同的消耗：同一个角色，这一镜和下一镜长得不一样。问题不在于提示词写得不够长，而在于纯文本生成没有把“这个角色长什么样”变成一个可引用的资产。漫剧工场的做法是在分镜之前先完成角色定妆，生成一张被系统记录为视觉锚点的定妆照，后续每一帧画面生成时都自动引用这张锚点。角色的一致性从“每次重新描述”变成了“每次引用同一个资产”，跨镜头、跨集数都不需要重新赌。
直接让模型从文字生成视频，等于把构图、动作、运镜全部交给一次采样。结果不理想时，能改的只有提示词，然后重新抽一次，成本高且不可积累。关键帧驱动把流程拆成两步：先生成这个镜头的起始帧和结束帧，两张静态图可以反复调整到满意；再用视频模型在两帧之间插值出运动。起点和终点确定之后，视频生成的不确定性被大幅压缩，而且每一次调帧的成果都会留在项目里，不会被下一次生成覆盖。
做一两部片子时，角色图、场景图、提示词和视频片段散落在文件夹里还能靠记忆管理。一旦进入每月多部并行生产的节奏，找“最新版定妆照”和确认“哪一版提示词在跑”就会吃掉大量时间。漫剧工场把所有资产绑定在项目结构里，剧本、角色、场景、关键帧、成片共享同一套引用关系。量产组可以在这个结构上跑流水线，精品组可以在这个结构上做更细的逐帧调整，两种模式不冲突。
AI漫剧的发行渠道已经形成了比较清晰的梯度：抖音红果在流量和分成上领先，快手在下沉和特定题材上有优势，爱奇艺和B站适合精品化与圈层传播，火龙漫剧依托IP库做改编[reference:3]。如果创作端和发行端是割裂的，选题就只能靠猜。漫剧工场把发行状态和播放数据放在项目旁边，不是为了替代判断，而是让判断有一个可参照的起点：什么题材在什么渠道跑出了完播率，下一部的分集节奏就可以据此调整。
来自制作、技术和发行一线的声音
“AI漫剧的量产瓶颈不在生成速度，在返工率。一条视频抽出来发现角色不对、构图不对，重抽一次的成本看起来不高，但一个项目几十集乘下来，浪费的时间和算力非常可观。关键帧驱动真正省的不是生成时间，是‘生成错了再抽’的时间。”秦屿 · AI漫剧制作负责人
“多模型接入在纸面上是‘灵活’，在实际生产里是‘不被单一供应商的迭代节奏绑住’。这个月某个模型在古风场景上更好，下个月可能另一个模型在运镜上超过了它。能按层替换，项目就不用推倒重来。”唐见微 · 生成式AI技术顾问
“发行渠道的分账规则差异很大，抖音红果能给到很高的比例，快手的扶持政策对中小团队友好，爱奇艺和B站的用户付费意愿更强但量级不同。创作者需要的是一个能把同一部片子按渠道规则分别提交的地方，而不是在每个平台重新学一遍后台。”郑野 · 漫剧发行运营
“AI把制作门槛降下来之后，竞争会回到故事本身。漫剧的时长压缩了铺垫空间，每一集必须在很短的篇幅里完成一个情绪闭环。工具能帮你把画面做稳，但第一集留不住人，后面做得再稳也没用。”方叙白 · 短剧与漫剧内容策略
2026年AI剧及漫剧的市场规模预计达到400亿元，用户规模在年中已经突破6亿[reference:4]。供给侧的增速比需求侧更快，大量团队涌入之后，单条视频的“惊艳感”会迅速被稀释。观众见过足够多AI生成的内容之后，判断标准会回到故事能不能看下去、角色能不能记住、下一集还想不想点开。这些问题的答案不在某一个模型的生成质量里，而在一条产线能不能稳定地把及格线以上的内容持续做出来。
目前头部的AI漫剧平台已经在往“全链路”收拢：掌阅的泡漫打通IP、创作和分发，阅文的OPC覆盖从IP源头到全球发行，万兴剧厂把角色、音色、场景的跨集一致性作为核心卖点，央视云创平台则把合规审核嵌进了生产流程[reference:5][reference:6]。这些平台的方向是相似的：不再把AI漫剧当成一个“生成工具”，而是当成一条需要管理资产、流程和分发的生产线。漫剧工场在这个方向上的切入点是关键帧驱动和资产约束，先把“角色不换脸、镜头不跑偏”这个最基础的稳定性问题解决掉，再往上接发行。
发行端的格局也在快速成形。抖音红果在流量和分账上领先，快手对中小团队友好，爱奇艺和B站适合精品化沉淀，火龙漫剧带着IP库入场，支付宝、美团、拼多多等跨界渠道也在打开新的流量场景[reference:7]。对创作者来说，渠道多不是坏事，但渠道之间的规则差异会变成新的运营成本。能把创作资产和发行状态放在同一套系统里管理的平台，会在量产阶段体现出效率优势——不是因为生成得更快，而是因为“做好的东西知道往哪发，发出去的数据知道怎么用”。
漫剧工场的起点是一个很具体的判断：AI漫剧的瓶颈不在“能不能生成”，在“生成出来的东西能不能被稳定地改”。一句话生成视频看起来很酷，但落到系列生产里，角色变脸、镜头不可控、资产散乱这三个问题会把效率吃掉。我们选择从关键帧驱动切入，是因为它把控制点从一次性的视频采样提前到了可反复调整的静态帧。起止帧定了，视频就不会跑太远；角色定妆定了，跨集数就不会换人。
工场不是一个孤立的生成工具。剧本、角色、场景、关键帧、配音字幕、成片导出、发行提交，这些环节共享同一套项目结构和资产引用。做一部片子和做十部片子用的是同一套系统，精品组可以逐帧调，量产组可以按流程跑，不需要为了不同的生产节奏切换工具。多模型接入也是同一个逻辑：不让项目被某一个供应商的迭代周期绑住，哪一层有更合适的模型，就换哪一层。
发行端我们把渠道状态和分账数据放进了同一个后台，不是为了替创作者做判断，是为了让判断有依据。AI漫剧的题材和渠道之间存在比较明显的匹配关系，什么在红果跑得动、什么在B站能沉淀、什么适合快手的下沉市场，数据看得见，下一部的选题和节奏就有了参照。从剧本到发行，连接漫剧产业链的每一环，这是我们理解的“一站式”——不是把所有按钮堆在一个页面上，是让每一环之间的数据不丢失、不重复、不打架。
工作流、资产和发行端的小步迭代
同一场次下的多个镜头可以批量修改角色引用、场景和画风参数，不需要逐镜点开。批量修改后受影响的镜头会标记待预览，确认后再进入关键帧生成。
定妆环节可以上传或生成正面、侧面和半身多个角度的参考图，系统在关键帧生成时会根据镜头景别自动匹配对应角度的约束。侧面和俯仰镜头的脸部一致性有所改善。
提交成片时可以选择目标渠道，后台按该渠道当前的分账规则给出预估收益区间。预估基于播放量和完播率的历史数据，不是承诺值，但可以用来对比不同渠道的投放优先级。
除了起始帧和结束帧，现在可以在运动路径中间插入额外的关键帧作为锚点，适合需要精确控制动作转折或表情变化的镜头。中间锚点参与插值但不改变首尾帧的约束优先级。
一套已经调好的角色资产、场景风格和分镜结构可以导出为项目模板，新项目导入后保留资产引用关系，只需替换剧本内容。适合量产组把验证过的生产配置快速复用到新项目。
玄幻、都市、女频、悬疑等题材各自有一组推荐的旁白和角色音色搭配，导入剧本后可以一键分配再微调。预设不替代手动选择，只是把常见的组合放在更顺手的位置。
8 个问题，点开看答案
文生视频是把构图、动作和运镜全部交给一次生成，结果不理想时只能改提示词重抽。关键帧驱动先生成每个镜头的起始帧和结束帧，静态图可以反复调整到满意，再用视频模型在两帧之间插值出运动。控制点从“视频”提前到了“图”，可控性和可积累性都更高。
在分镜之前先完成角色定妆，定妆照被系统记录为视觉锚点。后续所有关键帧生成都会自动引用这套锚点，同时服装变体和场景概念图也作为约束条件参与生成。一致性来自资产引用，而不是每次重新用提示词描述。
可以。四个阶段虽然共享项目结构，但每个阶段都可以单独使用。只做剧本拆解导出分镜表、只做关键帧生成然后导出图片序列，都是支持的。工场的价值在于环节之间的数据不丢失，但不要求必须走完整个流程。
文本、图像、视频三层各自独立配置，可以分别选择不同厂商的模型。不绑定单一供应商，某一层有更合适的模型时可以单独替换，项目资产和工作流不受影响。
成片导出后进入发行面板，选择目标渠道提交。抖音红果、快手、爱奇艺、B站、火龙等主流入口在后台统一管理，审核状态和播放数据集中查看。不同渠道的提交规范在后台做了适配，不需要在每个平台重新走一遍上传流程。
可以按编导、原画、剪辑等角色分配项目权限，资产修改和分镜调整有操作记录。精品组和量产组可以在同一套系统下用不同的流程节奏并行，权限隔离保证互不干扰。
取决于项目复杂度、模型选择和各阶段的调整量。剧本拆解和分镜规划通常较快，关键帧的逐镜调整和视频插值是主要耗时环节。关键帧驱动的意义之一是减少“生成错了再重抽”的循环，整体返工时间会比纯文生视频流程更可控。
可以。项目结构和资产支持导出，用于备份或跨环境迁移。导入时资产引用关系会保留，不需要重新绑定角色和场景。具体的导出格式和迁移方式可以在项目设置中查看。
左侧自动上滚，右侧可以留句话