AI 短劇自動生產線開源實測：從劇本到成片全程自動化
一、AI 短劇生產線是什麼？
2026 年夏天，一個叫 DramaClaw 的開源專案悄悄爬上了 GitHub Trending。它的定位很簡單——通用 AIGC 影片引擎：你把小說或劇本丟進去，它自動完成角色提取、分集規劃、腳本生成、分鏡繪製、首幀生成、配音合成、影片合成，最後吐出一集完整的短劇。
以前拍個短劇，編劇、導演、攝影、剪輯、配音一個都不能少。現在？你一個人坐那兒等著收片就行。
幾乎同一時間，另一個叫 MicroDrama AI 的專案也火了。它走的是輕量路線——輸入一句話創意，4 個 AI Agent（編劇、角色提取、分鏡師、影片製作）接力跑完，直接輸出成品影片。
這兩個專案代表了 AI 短劇自動化的兩個方向：
| 維度 | DramaClaw | MicroDrama AI |
|---|---|---|
| 定位 | 工業化短劇生產線 | 輕量級微短劇生成器 |
| Stars | 3.8k+ | 快速成長中 |
| 輸入 | 小說/長劇本 | 一句話創意/短劇本 |
| 輸出 | 多集短劇 + 字幕 + 資產包 | 單集短影片 MP4 |
| 部署 | Docker 自託管 | Python + Next.js 本機執行 |
| 模型 | 閘道接入（可換任意模型） | MuAPI 統一介面 |
| 授權 | Elastic License 2.0 | MIT |
下面我分別實測這兩個專案，從安裝到出片，全流程走一遍。
二、DramaClaw 實測：工業化短劇工廠
2.1 安裝部署
DramaClaw 的部署出乎意料地簡單。它不需要本機 GPU——所有模型推理都透過遠端 OpenAI 相容閘道完成，本機只跑業務邏輯。
# 複製儲存庫
git clone https://github.com/dramaclaw/dramaclaw.git
cd dramaclaw
# 複製環境變數
cp .env.example .env
# Docker 一鍵啟動
docker compose up -d --build啟動後訪問 http://localhost:8080 就是 Web 介面，REST API 在 8780 連接埠。在設定裡填入你的 DC Key（官方閘道金鑰），就能直接用了。
硬體需求：2 vCPU / 4GB 記憶體的普通筆記型電腦或小 VPS 就夠，不需要 GPU。
2.2 核心工作流程
DramaClaw 的流水線分為 4 個大階段：Ingest → Plan → Produce → Deliver。
具體拆解：
- 小說解析 & 故事圖譜 — 把原稿解析成可查詢的角色、關係、時間線圖譜
- 資產管理 & 身份一致性 — 統一管理角色、場景、道具、聲音，跨集保持角色形象穩定
- 分集規劃 & 敘事節奏 — 自動章節切分、節拍規劃、多集弧線設計
- 腳本生成 — 多種模式（自適應、逐字、分階段），帶審核/修復迴圈
- 分鏡 & 首幀 — 基於節拍的圖像生成，支援線稿草圖系統
- 配音合成 — 情感感知語音合成，可切換不同供應商
- 影片合成 & 匯出 — 組裝分集，匯出影片 + 字幕檔案 + 完整資產包
最讓我驚喜的是 Freezone（無限畫布）——一個節點式可視化工作台，你可以把專案資產拖進去自由生成圖片/影片/音訊，滿意的結果可以一鍵推回主線。主線流水線和畫布探索雙軌並行，這在同類工具中是獨一份的。
2.3 支援的模型
DramaClaw 走的是模型中断路線：
| 階段 | 接入方式 |
|---|---|
| 文字/LLM | OpenAI 相容閘道 |
| 圖像 | gpt-image · nano-banana |
| 影片 | Seedance 1.0/1.5/2.0 · happyhorse |
| 配音 | IndexTTS2 |
| 故事圖譜 | Cognee |
你可以用官方金鑰一鍵接入，也可以自帶閘道（BYO）接入本機模型。
三、MicroDrama AI 實測：輕量級微短劇生成
3.1 安裝部署
MicroDrama AI 走的是輕量路線，Python + Next.js 技術棧：
# 複製儲存庫
git clone https://github.com/Anil-matcha/Open-AI-Micro-Drama-Generator.git
cd Open-AI-Micro-Drama-Generator
# 安裝後端依賴
pip install -r requirements.txt
# 安裝前端
cd frontend && npm install
# 設定 MuAPI Key
export MUAPI_KEY=your_key_here
# 啟動
python main.py只需要一個 MuAPI API Key，整個流水線就能跑起來。
3.2 流水線架構
MicroDrama AI 的架構非常清晰——4 個 AI Agent 接力：
創意/劇本 → 編劇 Agent → 角色提取 Agent → 分鏡師 Agent → MuAPI 工具 → 最終影片完整流水線分 8 步：
| 步驟 | 階段 | 工具 | 輸出 |
|---|---|---|---|
| 1 | 故事開發 | Screenwriter LLM | 故事大綱 |
| 2 | 角色提取 | CharacterExtractor LLM | 角色視覺特徵描述 |
| 3 | 場景腳本 | Screenwriter LLM | 2-4 個場景腳本 |
| 4 | 角色肖像 | flux-dev-image (T2I) | 每個角色的參考肖像 |
| 5 | 分鏡設計 | StoryboardArtist LLM | 每場景 3-5 個鏡頭 |
| 6 | 首幀生成 | flux-kontext-dev-i2i (I2I) | 每個鏡頭的首幀 |
| 7 | 影片生成 | kling-v2.1-standard-i2v (I2V) | 5 秒影片片段 |
| 8 | 拼接合成 | moviepy | 最終 MP4 |
3.3 兩種模式
- Idea to Video：輸入一句話創意，全自動跑完 8 步
- Script to Video：輸入已有劇本，跳過前 3 步直接從角色提取開始
四、與傳統影片製作對比
| 維度 | 傳統短劇製作 | AI 自動生產線 |
|---|---|---|
| 團隊規模 | 5-20 人（編導攝剪配） | 1 人 |
| 單集耗時 | 1-7 天 | 10-30 分鐘 |
| 單集成備 | 數千-數萬元 | API 呼叫費幾元-幾十元 |
| 角色一致性 | 靠演員 | 靠 AI 參考圖保持 |
| 修改成本 | 高（需重拍） | 低（改參數重新生成） |
| 產量上限 | 受團隊產能限制 | 理論無限並行 |
一句話總結：以前拍短劇是勞動密集型產業，現在變成了算力密集型任務。
五、實際使用場景
5.1 自媒體短劇
最適合的場景。一個人就能批量生產直式短劇，發到抖音、快手、YouTube Shorts。DramaClaw 已經用它生產了《歸靈司》《魯班》《天命不可欺》等多部完整短劇，其中《天命不可欺》做到了 58 集。
5.2 電商產品影片
DramaClaw 的流水線不只做短劇——角色、資產、腳本、分鏡、配音、合成這條鏈路同樣適用於電商產品影片。
5.3 教育內容
把知識點的講解腳本丟進去，自動生成帶角色解說的教學影片。比純 PPT 錄屏有趣得多。
5.4 互動敘事遊戲
DramaClaw 明確提到了乙女遊戲（romance game）場景——多分支劇情、角色立繪、配音，這些短劇生產線的核心能力正好是互動敘事遊戲需要的。
六、生成品質評估與侷限性
6.1 當前品質水準
說實話，AI 短劇的畫面品質還沒到以假亂真的地步：
- 角色一致性：同一角色在不同鏡頭間會有細微差異，但比半年前好太多
- 動作流暢度：5 秒片段內動作基本連貫，長鏡頭容易穿幫
- 表情細膩度：還做不到電影級別的微表情
- 場景複雜度：簡單場景效果好，複雜場景容易崩
6.2 主要侷限
- 模型依賴：生成品質高度依賴底層模型
- API 成本：大量圖像和影片生成呼叫，API 費用不低
- 創意天花板：AI 生成的劇情偏套路化
- 可控性：想精確控制某個鏡頭的細節還比較困難
- 版權風險：AI 生成內容的版權歸屬仍有爭議
七、與其他 AI 影片工具對比
| 工具 | 定位 | 自動化程度 | 開源 | 自託管 |
|---|---|---|---|---|
| DramaClaw | 短劇生產線 | 全流程自動 | ✅ | ✅ |
| MicroDrama AI | 微短劇生成 | 全流程自動 | ✅ | ✅ |
| Runway Gen-4.5 | 通用影片生成 | 單鏡頭生成 | ❌ | ❌ |
| Pika 2.5 | 特效影片 | 單鏡頭生成 | ❌ | ❌ |
| Kling AI 3 | 通用影片生成 | 單鏡頭生成 | ❌ | ❌ |
| Sora | 通用影片生成 | 單鏡頭生成 | ❌ | ❌ |
| InVideo AI | 行銷影片 | 半自動 | ❌ | ❌ |
八、本機部署實戰
8.1 DramaClaw 部署要點
# 最低配置：Docker + 2 vCPU + 4GB RAM
# 建議配置：4 vCPU + 8GB RAM + 50GB SSD
# 完全本機化：docker compose -f docker-compose.selfhosted.yml up8.2 MicroDrama AI 部署要點
# Python 3.10+ / Node.js 18+，無需 GPU
# export MUAPI_KEY=your_key九、總結評價
DramaClaw
優點：真正的工業化生產線，功能完整度最高；資產管理、角色一致性、多集連貫性做得好；無限畫布 + 主線雙軌工作流是亮點；Docker 部署簡單，不需要本機 GPU。 缺點：Elastic License 2.0 不允許作為託管服務轉售；模型呼叫費用需要自己控制；學習曲線比輕量工具陡。
MicroDrama AI
優點：MIT 開源，完全自由；架構清晰，4 個 Agent 分工明確；一個 API Key 搞定全部；適合快速驗證創意。 缺點：功能相對簡單，只適合單集短影片；沒有資產管理和多集連貫性；依賴第三方 MuAPI 服務。
誰該用？
- 想做系列短劇的創作者 → DramaClaw
- 想快速驗證一個創意的自媒體人 → MicroDrama AI
- 想二次開發的工程師 → 兩個都可以，MicroDrama AI 的 MIT 授權更寬鬆
- 電商/教育/行銷團隊 → DramaClaw 的流水線更適合規模化生產
AI 短劇自動生產線才剛剛開始。隨著影片生成模型（Seedance、Kling、Sora）的持續進化，這些流水線的產出品質會越來越好。也許用不了多久，一個人 + 一條流水線 = 一個短劇工作室就不再是誇張的說法了。
希望這篇部落格文章對您有所幫助！
常見問題（FAQ）
Q1：DramaClaw 和 MicroDrama AI 需要 GPU 嗎？
A：標準部署都不需要本機 GPU。DramaClaw 透過遠端 OpenAI 相容閘道執行模型推理，本機只需 2 vCPU / 4GB RAM。MicroDrama AI 透過 MuAPI 呼叫雲端模型，普通電腦就能跑。只有 DramaClaw 的可選 world 功能需要 GPU + CUDA。
Q2：生成的短劇品質能達到商用水準嗎？ A：目前畫面品質介於「能用」和「驚豔」之間。適合自媒體、電商、教育等對畫面要求不是極致的場景。如果追求極致畫質，建議用 DramaClaw 的無限畫布手動調整關鍵鏡頭。
Q3：生成一集 3 分鐘的短劇大概需要多少 API 費用？ A：取決於使用的模型。用官方閘道金鑰，一集 3 分鐘短劇（約 30-40 個鏡頭）的 API 費用大約在 10-50 元人民幣。
Q4：可以用中文劇本生成中文配音的短劇嗎？ A：可以。DramaClaw 支援 IndexTTS2 配音合成，支援中文。MicroDrama AI 透過 MuAPI 接入的模型也支援中文。
Q5：這兩個專案能用於商業專案嗎？ A：MicroDrama AI 使用 MIT 授權，完全自由商用。DramaClaw 使用 Elastic License 2.0，允許商用，但不能將其作為託管服務轉售。自己用 DramaClaw 生成短劇去變現是完全沒問題的。
