一个人如何用 AI 完成一部动画：从剧本到成片的完整工作流
2025 年 8 月，AI 动画《瑞克和莫蒂勇闯刻板印象宇宙》在 B 站刷屏。作者「梦游牛油果」（刘士超）在 WaytoAGI 社区直播中，完整拆解了这部作品的幕后制作流程。本文适合想用 AI 做动画、但不知道从何下手的创作者阅读——刘士超反复强调的核心观点是：AI 只是提速工具，剧本和分镜才是作品的灵魂。
创作理念：先有表达欲，再谈工具
刘士超开篇就表明，这场分享的重点不在制作，而在制作之外的事情。「我觉得这个会在剧本层面上，或者在本身的观点的表达上会比制作这个事情要重要得非常多。」
他解释了自己为什么一直拖着不出教程：「就怕说这个东西会变成一种泛滥化的风格。」他举例说，网上看到切菜、小猫小狗做饭这类视频流量很高，但如果本身没有本质性的内容，做出来的东西会非常空洞。「在这个 AI 的时代的话，它让大家的工作确实是这个效率翻倍了，但是生产垃圾的速度其实也是翻倍的。」
他坦言自己做这部动画的动机很朴素：「刚好现在 AI 出来了，我能做一个动画片去骂他……我终于不用在网上骂人了，我可以做一个动画片来骂人，这感觉是挺舒服的，而且甚至就是被骂的人他是感受不出你正在骂他的。」
制作流程：剧本和分镜占 80% 的心血
刘士超把制作流程的核心总结为一句话：剧本和分镜站在制作里的最高阶层。「我可能会有百分之八九十的心血是花在这个上面的」，而 AI 在这部分帮不上太多忙。
「你从一个文字的信息量到一个视频的信息量，它中间其实跨越了一个无数的等级。」从文字拆分成分镜，分镜里色彩风格怎么定、人物说话几秒钟、空镜停留多长时间，都靠创作者自己的感觉。「AI 它其实是在这一块，它是没有帮到你的。」
他分享了一个关键经验：做动画之前，他请教过一位做动画专业的朋友，对方问他分镜是不是画不出来，他想了想说分镜全部画得出来。朋友告诉他，只要分镜画得出来就没有问题。「即便它是个静态的，你依然可以讲故事。」所以他的方法是把分镜切得足够碎，把所有能做的分镜全部做出来。
以追逐戏为例：「你从它从入画到它出画，整一个过程都必须要有……你把它给踹一脚，踹开，然后坐上去了，这又得做一个。然后他做的这个蟑螂跑了，又得做一张，跑了之后这个 Rick 从后面追过来了，然后再做一张。」每个动作单独做一个分镜，再用首尾帧串起来。
分镜学习方面，他推荐 B 站「老白的分镜课」，自己完全是在 B 站自学，从手画分镜到后来直接做。「昨天的时候那个老白他突然关注我，跟我说老师期待你做的下一个作品，能吓我一跳。」
工具组合：GPT 4O 生图，海螺 + 即梦做视频
刘士超自认不是技术人员：「我像使用 ComfyUI，我不知道在座的可能几百个人都会用……我用起来我觉得特别麻烦，所以我就干脆就不用了。」他的工具选择非常务实：
- 生图：主要用 GPT 4O 生图模型，Flash 模型也会用来做场景或参考。市面上的生图工具他基本都会用一圈，因为不确定哪个效果更好。
- 视频生成：主要用海螺和即梦。海螺表现能力强，但没有首尾帧；即梦有首尾帧，两者结合把分镜做成视频。谷歌的 Veo 3 因为图生视频控制效果差，没有主要使用。
- Veo 抽卡：Veo 多帧生成完全靠抽奖，无法控制效果。「你抽出来是什么样？可能这个能用，就很偶然。」他展示了一个用 Veo 做出来的镜头，镜头慢慢移动、停顿、再开车跑开，「你如果单独去做一个分镜，它其实反而是做不到这样的运动的……就你抽卡会突然抽出来一个这么一个东西，然后你觉得说哇？竟然能用，然后就拿过来了。」
提示词方面，他的经验是越简单越好。「你直接一句话就好了，你让这个人他干什么就行了。」要说明镜头是固定还是移动、是拉还是升还是推，然后说清楚角色在做什么。「它其实可以响应得很好。」
分镜制作：人物和场景分开处理
刘士超的分镜不是用提示词直接生成的，而是把人物和场景拆开做。他现场展示了工程文件：人物是单独抠出来的，场景是另一张图，在 PS 里合成。
「有的地方是因为它场景太复杂了……你如果两个人要运动，后面还有另外一个主体他在运动，那你这个就没有办法，你必须得把这个抠出来，必须要让他们把这个图层分开，前面的人单独做，然后后面的背景单独做，这样效果就会好很多。」
场景和人物的获取方式很多样：
- 实景取景：上海福州路的一个场景是真实取景后处理的。
- 画师手绘：李贝和西木拿着井盖的画面，是找画师手绘的。「这个用 AI 是真的做不出来，有的时候你没有办法，你必须手画。」
- 3D 模型：涉及正打、反打（人物对话的不同角度）时，他会用 3D 模型来保证场景一致性。
- AI 生成 + P 图：瑞克和莫蒂的角色主要在 GPT 4O 生成，「有一些图我是直接出来的」，但头发、秃头等细节需要单独 P 一下，或者用 Lora 调整。
他强调后期处理的重要性：「你直接用 AI 出来的东西，它很多没有办法直接用，你一定要去修改的。」P 图是制作中很重要的一部分。
创作节奏与成本：3 天写剧本，4 天做视频
刘士超以周更为目标时，节奏是「花 3 天去写剧本，然后另外的三四天就去把它做出来」。剧本方面，他会自己先捋清故事走向，再丢给 AI 起草对话，然后在此基础上修改。「和写论文差不多，你拿 AI 让他去帮你先起草一个东西，然后你在这基础上用自己的想法去进行这个修改。」
成本方面，他估算：「如果是普通的一些比较简单的镜头或者动作，十分钟的可能几百块钱，大几百块钱就是要的算力成本。」追逐戏这类需要大量尝试的特殊动作会花更多钱。相比传统制作成本降低了很多，但依然存在。
配音方面，他试过 Mini Max 等平台，认为差异不大，主要是克隆声音和语气。「有一些语气如果克隆不出来，我会自己配的，我会自己配完以后再去转音色。」
创作规划：先二创攒人气，再做独立 IP
被问到后续规划时，刘士超坦言：「我现在就是体量太尴尬了，我当时李贝的那一集我做了一个月，然后做完了之后，当时发完了就只有几千个观看。所以对我来说，我如果一个月的时间，然后只能做到这一点的观看人数，我是会吃不起饭的。」
他的策略是「先做二创，当我的体量做到一定程度的时候，我会真的开始做我自己的原创」。他之前做过秀湖系列，粉丝绑定很深，「2 万来粉丝，可能里面有 1 万 9 的粉丝全部都是秀湖的粉丝」，所以今年毅然决然停掉了这个系列，想拓宽创作领域。
他分享了一个「崩瓶盖」系列的创作思路：场景和角色分开制作后，场景可以反复复用。「你用不同的人把它放进去同一个故事的框架里面，你会呈现出一个完全不同的事情……完成了一种某种意义上的解构，把这个东西跳脱出原来的框架，然后重新去讲述这个东西，就会有另一层含义。」
他还提到自己一直想做成人动画：「我觉得在国内的这个市场是很空缺的。」他早期做过梦核系列，因为当时 AI 技术不成熟、画面本身就很超现实，「它讲不了故事，但是它反而能传递出一种很奇妙的情感」。等技术迭代到可以控制人物动作后，他才开始做叙事性内容。「我自己很喜欢梦核，然后我会特别想说做一个有故事性的梦核的片子。但是我觉得这会的技术还不太足以支撑起来，然后我还会再等一等。」
现场问答
瑞克和莫蒂的角色是怎么生成的？
主要在 GPT 4O 用模型生成，素材多、响应好。有些图可以直接出，但头发、秃头等细节需要 P 图，或者在 Lib 里用 Lora 调整。
可以演示一下即梦和海螺的抽卡过程吗？提示词怎么写？
提示词越简单越好，一句话就够。说清楚镜头是固定还是移动、是拉还是升还是推，然后说明角色在做什么。「你越简单越好……它其实可以响应得很好。」
配音用的什么？
Mini Max 有试过，其他平台也试过，但「这些平台是没有什么太大的差异的」，主要是克隆声音和语气。
制作成本大概多少？
看视频时长和复杂程度。十分钟的简单镜头，算力成本大几百块钱；追逐戏这类需要大量尝试的会更多。和平台有合作的情况下也需要充会员。
变现方式有哪些？
主要就是卖课和接单子。但他不太想做定制内容，「只要能把我房租交起来，我就不会再接了」。他还提到 B 站有人冒用他的视频卖课，「他说我的视频那个是他做的」，粉丝举报也没用。
AI 视频未来能达到什么程度？会一句话生成电影吗？
「一句话可以生成一个电影，但我觉得这个电影是没法看的。」他认为 AI 会受算力限制，「未来会到某一个瓶颈，它就很难去突破了」。他的期望是工具能把现有的流程优化到「一键做出一个比较好的效果」。
要点回顾
- 剧本和分镜占制作心血的 80%～90%，AI 在这部分帮不上太多忙。
- 分镜要切得足够碎，每个动作单独做一张，静态图也能讲故事。
- 人物和场景分开制作，复杂场景必须分层处理，后期用 PS 合成。
- 生图用 GPT 4O，视频生成用海螺（表现力强）+ 即梦（有首尾帧），Veo 靠抽奖碰运气。
- 提示词越简单越好，一句话说清镜头运动和角色动作。
- AI 生成的内容基本都需要人工 P 图修改，不能直接使用。
- 场景和人物可以复用，类似 3D 模型的逻辑。
- 十分钟视频的算力成本大约大几百元，特殊动作会更高。
- 创作策略：先做二创攒人气，再做独立 IP。
直播回放约 94 分钟
播放器来自飞书妙记 · 在新窗口打开