紅果上那種 AI 短劇，現在可以用一段提示詞直接生成。我用 VideoGen Model 1 寫了一段英文逐場分鏡，生出一支 5 分鐘、有中文對白的紅果短劇風成片，中間沒有另外配音、畫分鏡或剪輯。成片能直接完成七成以上的工作，剩下要靠剪輯修掉幾幕 AI 不合理的鏡頭。
這篇文章會放上未剪輯的原片，整理角色、畫面中文字、對白三項實測結果，以及讓 AI 不亂加戲的提示詞寫法。
AI 短劇是怎麼做出來的
現在搜「AI 短劇製作」，排在前面的教學幾乎都在教同一套流程：先寫劇本，再一格一格生成畫面，最後配音、剪輯。每一步用的工具都不一樣，做一支短劇要在四五個工具之間來回搬檔案。
常見的四步製作流程
| 步驟 | 常見做法 | 最花時間的地方 |
|---|---|---|
| 1. 劇本 | 用聊天 AI 寫大綱和對白 | 要改到每集都有反轉 |
| 2. 分鏡圖 | 用 AI 繪圖一格一格生成角色和場景 | 同一個角色每張臉長得不一樣 |
| 3. 畫面動起來 | 把分鏡圖丟進 AI 影片生成工具，每次生幾秒 | 一支短劇要生幾十段 |
| 4. 配音與剪輯 | AI 配音、對嘴，再用剪輯軟體接起來 | 嘴型和聲音對不上 |
這套流程的好處是每一步都能換掉重來，缺點是很花工，角色臉不一樣就要回到第二步重生分鏡圖。
AI 漫劇和真人 AI 短劇的差別
紅果是字節跳動旗下的免費短劇 app，上面的 AI 作品大致分成兩種。AI 漫劇是漫畫或動畫風格，很多是靜態圖加一點動態效果和配音；真人 AI 短劇（也有人叫 AI 仿真人劇）是用 AI 生成看起來像真人演員的畫面。
真人風比較難做，因為觀眾對真人的臉很敏感，五官差一點就會發現不是同一個人。我這次主片寫的就是真人風。
VideoGen Model 1 是什麼
一段提示詞生成 10 分鐘影片
VideoGen 是 Y Combinator 投資的美國 AI 影片公司，2026 年 10 月 20 日發表 Model 1。官方說法是輸入一段文字提示詞，或最多 16 張參考圖，就能生成最長 10 分鐘、多鏡頭、有聲音的影片。這等於把上面那張表的前三步合成一步，配音和對嘴也一起做掉。
我以前用 AI 做影片，要先做關鍵幀（指定一段影片開頭和結尾長什麼樣子的圖），再一段一段慢慢調，一次只能生 5 秒左右。這次主片只用一段提示詞，就直接生出一支 5 分鐘、有分鏡、有對白、有劇情反轉的短劇，這是我覺得最驚艷的地方。
底層是 MiniMax H3 模型
發表隔天，VideoGen 的 David Grossman 和執行長 Anton Koenig 在 arXiv 發了一篇論文，說明 Model 1 怎麼做出來。論文寫明 Model 1 是拿中國 AI 公司 MiniMax 的 H3 影片模型，再做後訓練的版本。
使用者輸入的短提示詞不會直接拿去生成。系統會先把它改寫成一格一格標好時間的分鏡，補上場景、動作、鏡頭和聲音，長度控制在 320 個英文單字以內，再交給模型。
論文測了什麼
論文的實驗是在比：改寫提示詞，到底有沒有讓影片變好。
- 測法：30 組提示詞，每組做三個版本，分別是原始、只整理格式、改寫擴充。三個版本用同一個模型、同樣的設定生成。
- 評分：用兩個 AI 評審（VA-Judger、Gemini 3.8 Flash），從五個面向各打 1–10 分。
- 結果：改寫擴充版的總分比只整理格式的高。VA-Judger 給的差距是 +0.63 分，Gemini 只差 +0.15 分，作者自己也說這個差距還不確定。
- 差在哪：分數拉開最多的是「有沒有照提示詞演」，VA-Judger 多 0.97 分。畫質本身幾乎沒差。
白話講，改寫器幫的主要是「照你的意思演」，畫面好不好看差不多。
論文沒測的地方
這篇只測了 30 組提示詞，作者是自家公司的人，評分也是交給 AI。論文沒有測長片、中文，也沒有測多角色同場的戲。這三件剛好是做紅果短劇最需要的，也是我自己實測的原因：我的主片是 5 分鐘、中文對白、四個角色。
我用 VideoGen 生了兩支 AI 短劇
我用 Model 1 生了兩支短片：60 秒的短測，和 5 分鐘的主片。先講結論，Model 1 的優缺點整理如下：
| 面向 | 優點 | 缺點 |
|---|---|---|
| 劇情 | 照逐場時間碼走完，沒有自己加戲 | 要自己寫好逐場分鏡，寫太短模型會自己補劇情 |
| 角色 | 服裝 5 分鐘都沒變，主要角色從頭到尾認得出來 | 新娘後半段的特寫看起來變老，路人好幾個長得一樣 |
| 畫面 | 會自己分鏡，光線和表情有電影感 | 人一多就容易穿幫，例如多出好幾台投影機、圓桌變成長桌 |
| 中文字 | 投影幕上的大字聊天泡泡寫得對 | 小字會變假字，後段的泡泡變空白 |
| 對白 | 中文台詞照劇本唸，時間點也對得上 | 中間多出幾句劇本沒有的台詞 |
| 聲音 | 嘴型和台詞對得準，配樂有臨場感 | 婆婆的聲音太年輕，不像五十多歲 |
| 製作時間 | 一段提示詞直接生成 5 分鐘成片 | 排隊等了將近兩天 |
整體算下來，它能直接完成七成以上的工作，剩下的要靠剪輯。兩支片的提示詞和原片放在下面：
| 影片 | 提示詞 | 長度 | 結果 |
|---|---|---|---|
| 短測 | 三句英文，附一張 2D 角色參考圖 | 60 秒 | 模型自己加了一條感情線 |
| 主片 | 約 320 個英文單字的逐場分鏡 | 5 分鐘 | 照劇本走完，有幾幕明顯不合理 |
短測：只寫三句的短提示詞
論文裡測試用的原始提示詞，平均只有 15 個英文單字。短測我照這個用法，只寫三句英文：主角前一晚睡不著，隔天早上走進教室上課，再附一張 2D 角色參考圖。我送出的提示詞是英文，下面是中文翻譯，人名和個人細節已拿掉：
提示詞（中文翻譯）
生成出來的 60 秒原片：
先看幾格畫面，日系 2D 的畫風和主角的長相前後都一致：
主角的髮型和穿著有照參考圖。但影片開頭多了一段便利商店的戲：女店員胸前名牌寫「小雨」，跟主角聊了快 30 秒，最後她還坐進教室當學員。這些都不在我的提示詞裡。
主片：5 分鐘《婚禮上的投影片》
短測讓我知道，提示詞太短，模型會自己補劇情。主片我改成英文寫逐場分鏡、中文寫對白，劇本照紅果短劇最常見的套路：婚禮上被婆婆羞辱的新娘，靠一份投影片當場翻盤。
場景只有一個宴會廳，角色只有新娘、新郎、婆婆、伴娘四個人，加上最後一分鐘出場的飯店經理。這支沒有上傳參考圖，角色長相全靠提示詞裡的文字描述。我送出的提示詞是英文，下面是中文翻譯，引號裡的中文對白是原文：
提示詞（中文翻譯）
11 月 9 日下午送出，11 月 11 日早上才拿到成片：
5 分鐘紅果短劇實測結果
主片是 720p 直式影片，畫面比例跟手機上滑的紅果短劇一樣。直式是我在提示詞第一句指定的：開頭寫了「vertical micro-drama」（直式微短劇），模型就照這個格式出片。
先看幾格成片的畫面，光線、服裝和表情都有電影感：
角色是不是同一張臉
服裝整支都沒跑掉：婆婆的紅色旗袍和珍珠項鍊、新郎的深藍西裝和胸花、伴娘的粉紅禮服加蝴蝶結髮飾，5 分鐘裡每一格都一樣。宴會廳的水晶燈和金色牆面也一直都在，只有最後一分鐘的桌子變了樣。
臉就沒那麼穩。婆婆和新郎從頭到尾認得出來，新娘在 3 分 20 秒左右那幾個特寫，五官看起來比前面成熟了好幾歲。真人風的 AI 短劇，臉的一致性是最容易被觀眾抓到的地方。
投影幕中文字讀不讀得出來
劇情轉折靠投影幕上的一則聊天訊息，這句我在提示詞裡用中文引號寫死：「婚禮辦完，她爸的房子就是我們的了。」成片裡這句字讀得出來，綠色對話泡泡的樣子也很像真的聊天軟體。
我在提示詞裡要求「large, simple chat bubbles」，聊天泡泡做得夠大，字就寫得對。
照劇本走的地方
5 分鐘的劇情順序完全照時間碼走，沒有出現短測那種多出來的角色或支線：
- 開場婆婆拿麥克風羞辱新娘
- 新郎上台播放愛情回憶投影片，畫面是櫻花樹下的婚紗照
- 投影幕切成聊天截圖，全場愣住
- 新郎衝去拔投影機的線
- 新娘站起來承認投影片是她做的
- 飯店經理走過來叫新娘「董事長」
- 宴會廳大門打開，逆光走進一個人
提示詞裡的禁止事項我寫了一整句：不要感情支線、不要回憶片段、不要換場景、不要加角色。這次模型全部遵守，跟短測只寫三句、結果自己加了便利商店店員，差別很明顯。
明顯不合理的地方
整體照劇本走，但仔細看有不少 AI 才會出現的不合理：
- 頭像放錯人：劇本寫的是新郎和伴娘的對話，投影幕上的頭像卻是婆婆和伴娘。
- 聊天泡泡變空白：同一段聊天畫面後面再出現時，綠色泡泡裡沒有字。
- 新郎表情不對：訊息剛跳出來那幾秒，新郎還站在台上笑。
- 電腦螢幕和機身方向相反：有一幕電腦螢幕朝著鏡頭，機身卻朝著使用的人，現實中不可能這樣擺。
- 遠景人太擠：宴會廳的遠景常常擠滿人，桌子和賓客塞得比真的婚宴密。
- 路人長得一樣：伴娘身後站的幾個男賓客，幾乎是同一張臉。
- 投影機變好幾台：3:45 之後好幾張桌上各放一台投影機，劇本只有一台。
- 圓桌變長桌：最後一分鐘，宴會廳的圓桌整排換成了長桌。
這些都是「同一個東西在不同鏡頭要一致」的問題，模型一個鏡頭一個鏡頭生，前面的細節不一定帶得到後面。這些要靠剪輯修掉，所以我說它能完成七成，不是十成。
中文對白聽起來如何
整支聽下來，嘴型跟台詞對得很準，每句話都唸得完整，配樂也很有婚宴現場的臨場感。
比較出戲的是婆婆的聲音。劇本寫她五十多歲、說話尖酸，成片裡的聲音卻聽起來太年輕，不像會在婚禮上嗆媳婦的長輩。
台詞準不準，我另外用語音轉文字對過一次：劇本裡的台詞幾乎一字不差，出現的時間也跟提示詞寫的差不多，只有中間多出幾句劇本沒有的台詞。
想每週看到 AI 工具更新整理和我的短評，可以訂閱電子報。
AI 短劇提示詞怎麼寫才不亂加戲
兩支影片比下來，AI 短劇生成的品質大部分取決於提示詞寫得多細，主片跟短測的差別就在下面四個寫法。
一句話會被模型自己補劇情
VideoGen 的論文寫到，測試用的原始提示詞平均 15 個單字，系統會改寫成平均 237 個單字的分鏡，補上場景、動作、鏡頭運動和聲音。你沒寫的部分，改寫器會自己補。
短測的便利商店店員，很可能就是這樣來的。我只寫了「前一晚睡不著」，改寫器替這個晚上補了一場戲。想要模型照你的劇本走，就要自己寫到跟改寫後差不多的長度。我主片寫了約 320 個單字，已經比論文裡改寫後的平均還長。
📖 延伸閱讀：AI 幻覺跟 AI 說謊差在哪？Bengio 解釋 AI 為什麼會作弊
照時間碼寫逐場分鏡
主片的提示詞我切成 6 段，每段前面標時間，例如「[1:15–2:00]」，後面寫這段誰做什麼、說什麼、鏡頭怎麼拍。實際寫法長這樣：
[1:15–2:00] The screen suddenly switches to a phone chat between GROOM and BRIDESMAID, shown as large, simple chat bubbles: 「婚禮辦完，她爸的房子就是我們的了。」 Close-ups: GROOM frozen, BRIDESMAID pale, guests gasping.
標了時間碼，5 分鐘的節奏就不會前鬆後緊。成片裡每段劇情都落在我標的時間附近，最多差十幾秒。
把禁止事項寫清楚
角色清單後面我加了一句「No romance subplot, no flashbacks, no other locations, no extra characters.」，意思是不要感情線、不要回憶、不要換場景、不要加角色。這句就是針對短測加的，主片也真的沒再出現多餘的人。
角色本身也要寫死外觀：年齡、髮型、衣服顏色、配件。我寫了婆婆「紅色旗袍、珍珠項鍊」，5 分鐘每一格都是這套打扮。
中文對白用引號框住
提示詞的描述用英文寫，對白直接用中文，前後加上「」。開頭再寫一句「All dialogue in Taiwanese Mandarin, spoken exactly as written」，要求照字唸、用台灣華語。語音轉文字的結果顯示，引號裡的台詞幾乎一字不差。
📖 延伸閱讀：AI 提示詞怎麼寫？5 個技巧＋6 個萬用範本
VideoGen 怎麼註冊和申請額度
這篇是 VideoGen 主動聯繫，提供免費測試額度後寫的評測。內容都是我自己實測的結果。目前 Model 1 要另外申請測試額度，官方還沒公布正式價格。
註冊和申請測試額度
- 到 VideoGen 官網，用 Google 帳號註冊，預設是免費方案。
- 進到 Model 1 頁面，按「Request early access」申請測試額度。
- 表單會問你打算怎麼用 Model 1，也要附上過去的作品連結。我選的是「我要寫 Model 1 的評測」，附了部落格文章和 Threads。
- 官方逐案審核，不保證會過。我 11 月 4 日送出，隔天就收到核准信。
我拿到的額度是：每小時最多送 3 次，帳號總共能生 10 分鐘的影片。
後台怎麼生成影片
Model 1 的後台只有一個畫面：
- 剩餘額度：上方顯示這小時還能送幾次、帳號還剩幾分鐘。截圖時我還剩 3 分鐘。
- 提示詞：一個文字框，最多可以貼 20,000 字。
- 秒數：可以填 4 到 600，也就是最長 10 分鐘。
- 參考圖：可以上傳角色或場景的圖，官方說最多 16 張。
- 生成結果：狀態會從讀取中、排隊中變成完成，完成後可以直接播放、下載 mp4。我拿到的是 720p 的檔案。
每次生成都進位扣整分鐘
扣額度是以分鐘為單位，而且無條件進位。填 30 秒，照樣扣掉 1 分鐘。額度少的話，短測直接填 60 秒，不要填 30 秒，扣的一樣多，能看到的內容多一倍。
長片要排隊，等了快兩天
主片 11 月 9 日下午送出，隔天後台狀態寫「Delayed」，頁面最上面也公告測試需求太多要排隊，11 月 11 日早上才完成。同一個帳號一次只能跑一支，前一支沒好，下一支不能送。
適合誰、不適合誰
| 你的需求 | 適不適合 | 原因 |
|---|---|---|
| 做劇情短片打樣，例如先生一支給客戶看故事方向 | 適合 | 一段提示詞就能看到整支片的節奏和反轉，不用先畫分鏡 |
| 已經會寫分鏡，想測短劇劇本 | 適合 | 提示詞寫得越細，成片越照劇本走 |
| 直接上架成品 | 要再剪輯 | 大約能完成七成，頭像放錯、多出好幾台投影機這類鏡頭，還是要剪掉或重新生成 |
| 只打一句話就想拿到好片 | 不適合 | 提示詞太短，模型會自己補劇情，我的短測就多了一段便利商店的戲 |
常見問題 FAQ
Q1：AI 短劇怎麼做？
AI 短劇有兩種做法。第一種是分步驟：用聊天 AI 寫劇本、AI 繪圖畫分鏡、影片生成工具讓畫面動起來，最後配音剪輯，每步可以換工具重做，但很花時間。第二種是一鍵生成：像 VideoGen Model 1 這類工具，一段提示詞直接出有對白的多鏡頭成片。一鍵生成的關鍵是提示詞要寫成逐場分鏡，寫太短模型會自己補劇情。
Q2：AI 生成一支短劇要等多久？
看工具和排隊狀況。我用 VideoGen 生 5 分鐘的主片，11 月 9 日下午送出，11 月 11 日早上才完成，等了將近兩天，大部分時間在排隊。60 秒的短片比較快，但也不是幾分鐘就好。測試期間需求大，每個帳號一次只能跑一支，建議先送短片確認方向，再送長片。
Q3：VideoGen 能講中文對白嗎？
可以。我把中文對白用引號寫在英文提示詞裡，語音轉文字的結果顯示，劇本台詞幾乎照字唸出來，出現時間也跟時間碼對得上。畫面上的中文字要寫大一點：投影幕上的大字正確，對話框、招牌這類小字常常變成讀不出來的假字。
Q4：VideoGen 要付費嗎？
VideoGen 的帳號可以免費註冊，但 Model 1 目前要另外申請測試額度，官方逐案審核，還沒公布正式價格。我的申請 11 月 5 日核准，拿到每小時最多 3 次、帳號總共 10 分鐘的額度。要注意每次生成會無條件進位扣整分鐘，30 秒的影片也扣 1 分鐘。
Q5：AI 短劇的角色能用自己的照片嗎？
可以上傳參考圖，官方說最多 16 張。照片可以先用 AI 轉成日系 2D 的角色三視圖，再當參考圖上傳。我短測用的就是這種三視圖，主角的髮型和穿著都有照參考圖。真人風要特別注意臉的一致性，我的主片沒用參考圖，新娘的臉在後半段就變得比較成熟。
總結
整體來說我非常驚艷：VideoGen 會自己分鏡、自己把劇情演出來，人物一致性也很高，主要角色從頭到尾認得出來，只有新娘幾個特寫看起來老了幾歲。有幾幕會出現明顯的 AI 不合理，還是要再剪輯，但已經能直接完成七成以上的工作。AI 短劇能不能照你的劇本走，看的是提示詞有沒有寫到逐場分鏡和禁止事項，只打一句話，模型就會自己寫劇情。
