这几天我把一部 3 分钟的漫剧从头到尾跑了一遍:先是找个编剧朋友写稿,再去找画师出分镜,角色在第三集画崩了一次,配音又约了三天时间,最后剪辑直接干了两个通宵。整体算下来,制作成本超过一万块,时间花了快半个月。
第二部我换了条路,用 WorkBuddy 搭了一套漫剧制作流水线,把编剧、分镜、出图、配音、剪辑这些环节全部拆成 AI 智能体来调度。最终的成片质量当然没法和专业团队比,但单集成本压到了接近零,时间压缩到一两天。这篇就来聊聊我把 WorkBuddy 改造成漫剧制作工具的全过程,包含完整的操作步骤、提示词模板,以及我踩过的好几个坑。
1. 漫剧生产流程里的真实成本痛点
1.1 漫剧是什么,为什么不能只靠剪辑软件硬拼
漫剧也叫动态漫画,本质上是用静态画面加配音、音效、轻微运镜组成的视频叙事产品。它介于漫画和动画之间:比漫画多了声音和节奏,比动画少了逐帧手绘的成本。所以这两年很多团队和个人创作者都在做漫剧,因为它可能是目前内容创作里性价比最高的视频形态之一。
但"性价比高"不意味着容易做。漫剧的坑在于环节特别多,而且每个环节都需要不同的专业技能。剧本要有人写,分镜要有人拆,画面要一张一张出,角色要保证前后一致,配音要找人录,画面还要配上运镜和音效。你不可能指望一个人把所有环节都精通,更不可能靠剪辑软件一肩挑。剪辑软件只能处理最后一个合成步骤,前面那一大堆内容生产,才是真正卡脖子的地方。
1.2 传统流程里最烧时间的四个环节
我做了几次漫剧之后,把整个流程里最消耗人力物力的问题总结成四个环节:
- 剧本和分镜 :编剧输出故事是一回事,把它拆成可拍摄的分镜是另一回事。很多时候写完剧本还要专门请分镜师,把文字描述转化成镜头语言。
- 角色一致性 :漫剧需要几十张甚至上百张图片,一旦用不同提示词生成,同一个角色的脸、服装、气质很容易漂移。这个问题在传统漫画里根本不存在,因为画师对角色的记忆是连续的。
- 配音周期 :约配音演员,一套下来少则两天,多则一周。哪怕用 AI 配音,一句句手动生成和贴片,也是巨大的工作量。
- 剪辑返工 :画面、音频、字幕往往不在一个节奏上,需要反复调。第一次做的前两集,我光是在剪辑软件里调整每句台词对应的画面切换,就花了将近 8 个小时。
这四个环节如果全靠人工,成本很难降下来。所以我的思路很明确:把能自动化的全部交给 AI,用 WorkBuddy 当作调度大脑,把整条流水线变成一套可控的、可复用的工具。
1.3 为什么需要 WorkBuddy 这样的"总控型"工具
我一开始也尝试过手动组合多个 AI 工具:用 ChatGPT 写剧本,用 Midjourney 出图,用剪映配音,最后用 Premiere 剪辑。听起来可行,实际上手发现完全不是一回事。每个工具之间全靠手动搬运,提示词要复制来复制去,生成结果要一张张存,配音文件要一个个命名。
WorkBuddy 吸引我的点在于,它本身是一个智能体工作台,可以创建多个数字分身,给每个分身指定不同的角色、技能和知识库,还能直接连接各种模型和应用 API。整个漫剧制作流程,不再是"我手动操作五六个软件",而是"我指挥五六个 AI 员工,它们之间自动协作"。这才是把它当作"漫剧制作工具"来用的核心逻辑。
2. 先把 WorkBuddy 的环境搭好:安装、模型与基础配置
2.1 选对客户端版本:Windows、网页版还是 Linux
WorkBuddy 目前有桌面客户端、网页版和 Linux 版本。我用下来觉得, Windows 桌面端最顺手 ,原因有两个:一是本地文件操作方便,可以直接把工作区指向漫剧项目文件夹;二是桌面端的智能体管理和技能安装界面更完整,网页版更多是轻量查询。
如果你用的是 Linux 环境,注意安装后需要检查动态库依赖,尤其是较精简的服务器发行版,容易缺一些图形库。还有一点,首次启动时 WorkBuddy 要初始化本地索引,耐心等它跑完,不要中途强制结束,否则可能造成索引损坏。我自己的电脑第一次启动花了将近 5 分钟,当时以为卡死了,其实是它在做本地 embedding 的初始化。
2.2 接入 DeepSeek 或本地模型,把模型成本清零
WorkBuddy 默认会内置官方模型通道,但要做零成本漫剧流水线,通常还需要自己接入模型。我推荐两种路线:
- DeepSeek API 路线 :成本很低,适合日常对话、剧本生成和分镜拆解。去 DeepSeek 开放平台申请 API Key,然后在 WorkBuddy 的模型配置里填入
Base URL和Key即可。以我个人的实测,生成一份 30 场左右的分镜表,消耗的 token 折算下来不到几毛钱。 - 本地模型路线 :完全免费,但需要一定动手能力。我是在本机装了 Ollama,拉取
qwen3:8b或llama3.1:8b这类开源模型,然后让 WorkBuddy 通过 OpenAI 兼容接口
152



被折叠的 条评论
为什么被折叠?



