如何利用 Muse 制作一部 3 分钟一集的漫剧
✨ 一句话导读：用 Muse 做 3 分钟一集的漫剧：18 个 10 秒分镜，资产先行、一镜一确认，原生对白做不出来就改镜头设计——导演意图得给模型能力让路。
转载自 X @jarvis11x（Jarvis｜AI 商业实验室）2026 年 9 月 28 日发布的推文串。转载时去掉了评论区与页面杂项，正文完整保留。
一、Muse 到底是个啥
Muse 最近很火，但很多人以为它就是个 AI 助手，其实不是，这里我科普下：
Muse 是 Meta 旗下的产品，背后是一整个 Muse 模型家族——负责对话和推理的 Muse Spark、负责生图的 Muse Image、负责视频生成的 Muse Video。
而且它跟普通聊天机器人有个本质区别：每个用户都有一台专属的云电脑，Muse 在上面替你干活——写代码、跑脚本、做视频、管文件，是个能动手执行的智能体，不是个只会动嘴的问答机。
搞清楚这个，就明白为啥可以用 Muse 的视频生成能力，一集一集地生产漫剧。
二、X 上一个 10 秒视频让我入了坑
前几天在 X 上刷到有人用 Muse 生成的视频，质量看着还行。我当时第一反应是：它跟 Seedance 比能力如何？于是我把自己在 Seedance 上用的同一套提示词拿过来，在 Muse 这里试了一下——效果还可以，画面、运镜、氛围都在线，大家也可以感受下。
提示词：
2005 年盛夏的台湾校园青春偶像剧。两名刚满 18 岁的高中生情侣放学后骑自行车回家。男生穿白色短袖校服衬衫、深蓝长裤和帆布鞋，女生穿白色短袖校服、深蓝百褶裙和白色帆布鞋，两人背着略显旧的双肩书包，各骑一辆银色复古自行车。
场景是校园外的林荫小路，路旁有低矮民居、旧式中文招牌、电线杆和盛开的凤凰木。阳光穿过树叶形成斑驳光影，空气里带着盛夏午后的明亮与潮湿感。整体呈现 2005 年台湾青春偶像剧风格，清新、浪漫、青涩，带有轻微柔焦、高光泛白、低对比暖色和复古电视画面质感。
放学铃声刚结束，两人骑着自行车从校园门口并肩驶出。男生稍微加速后回头看向女生，嘴角带着克制的笑意；女生迎着风眯起眼睛，头发和裙摆轻轻摆动。侧面中远景平稳跟拍，树影快速掠过车轮与校服，远处传来蝉鸣和自行车链条转动声。
女生轻轻按响车铃，笑着对男生说："等我一下啦。"男生放慢速度，两人的自行车重新并排。镜头切到正面中景，缓慢向后移动，保持两人始终位于画面中央。女生低头忍住笑意，随后抬眼看向男生；男生短暂移开视线，耳朵微微泛红。两人的动作自然、克制，带有初恋般的青涩感。
两人骑进凤凰木覆盖的长坡，夕阳从道路尽头照来。女生向前伸出一只手感受迎面的风，男生转头看她，两人同时笑起来。镜头切到背后远景并缓慢拉远，两辆自行车并肩驶向金色夕阳，树叶被风吹落，最后定格在两人的背影和被阳光拉长的影子上。
4:3 复古电视偶像剧构图，2005 年台湾青春剧质感，夏日暖黄色自然光，柔和逆光，轻微高光溢出与胶片颗粒，色彩清新但不过度饱和。背景音乐使用轻快克制的木吉他与钢琴旋律，融合蝉鸣、风吹树叶、自行车铃声和链条转动声；对白清晰自然，音乐不遮盖人声。
全程只保持同一对 18 岁情侣作为主要人物，面部、发型、校服、书包和自行车前后一致；骑行动作符合真实物理规律，手脚结构正常，车轮转动和人物重心自然；不出现智能手机、现代电动车、现代汽车、LED 广告牌或其他明显晚于 2005 年的物品；无字幕、无水印、无多余文字；人物面部稳定，无变形、闪烁、穿模或角色数量变化。
（原推附视频：Seedance 2.0 生成效果，0:04 / 0:15；Muse Video 生成效果，0:10 / 0:10）
但 Muse 的视频模型一次就生成约 10 秒，时长不可调。想做长视频，只有一条路：一段一段生成，再拼接起来。
我跟 Muse 沟通，它说它可以直接拼接出片，这样连剪辑都省了。
三、能不能做成 3 分钟一集？
一个 10 秒镜头和一部 3 分钟一集的漫剧之间，差的不是技术，是方法。
3 分钟 = 180 秒，按每镜 10 秒拆，一集就是 18 个分镜。18 个镜头怎么保证是同一个人、同一个场景、同一个故事？人物不能这一镜一个样，剧情不能断，台词不能乱——这才是真正的难题。
刚好我前段时间开发了一个漫剧创作出海的工具，我就结合我这个产品中漫剧制作六部方法论：
剧本 → 分镜表 → 资产（人物/场景/道具）→ 锁定资产 → 逐镜生成 → 拼接
（原推附图：自创漫剧创作工作台）
这套工作流 Muse 承包拆分镜、写提示词、生成资产、质检、拼接，我只干两件事：拍板，审片。规矩是"一镜一确认"——生成一条，我看过点头，再做下一条。
基本还原了我之前开放的这个产品的核心方法论。
四、栽在了中文配音上
于是我把漫剧工作台现有的《长安异闻》剧本发给它，让它去实测效果。
流程跑起来后，第一个大坑出现在中文题材上。Muse 的视频模型在配音和文字这两块很薄弱，我结结实实撞了两次：
第一次，"边跑边喊"全军覆没。《长安异闻》里我要一个镜头：阿七边跑边喊"让一让"，纯背影。第一轮三版全是哑巴，一句台词没有；第二轮三版有声音了，但每到喊话那一秒，阿七必转头对着镜头喊。我写了三种不同强度的"不许转头"，全被击穿。最后我拍板：台词取消，用最早那版的第 4–10 秒，纯奔跑。
第二次，"沈书吏"念成"行速力"。中文对白的发音是模型的系统性缺陷，重拍解决不了。后期配音我也试了，TTS 的台湾口音被我自己否了——"还是老外味"。
这个过程我起码调整了有 3 个小时，最后实在不想抽卡了，我就把这个半成品发到了 X，很快就有了大量的曝光，大家也可以感受下效果：
（原推附视频：《长安异闻之无主宫灯》01，0:03 / 2:50）
上面这个问题让我认清现实：做漫剧不是"实现导演意图"，而是"在模型的可达域内找最优解"，导演意图得给模型能力让路。
五、让 Muse 去啃 Seedance 2.5 的官方文档
既然拼的是提示词，那我就把提示词这件事做到极致。
我找来 Seedance 2.5 的官方提示词文档，让 Muse 逐字学习、总结 prompt 技巧；又对照了 Higgsfield 开源 AI 长片《Hell Grind》的方法论（人家用 Seedance 做了 95 分钟，全套 prompt 开源）。两边校准完，几条关键结论直接改了我的打法：
- 资产先行：Higgsfield 的原话——"不锁定全部资产，一个镜头也不生成"。人物描述词一旦冻结，每个分镜提示词里一字不许改，"模型没有记忆，少描述一句，下一镜他就换脸换夹克"。
- 三视图人物锁被官方劝退：我之前用三视图锁人物，官方文档明确说不要——模型会把同一角色的不同角度认成不同的人。改成"面部特写＋全身照"。
- 英文写描述，中文说台词：
Aqi says in Mandarin {让一让，让一让}，人名加拼音注音，专治发音跑偏。 - 否定约束只对字幕和音频有效，画面上想"不要"什么，得用肯定式表达。
- 情绪不写抽象词：不写"悲伤"，写"低头、肩膀轻颤、手指无意识攥衣角"。
- 一镜只许一种运镜，复杂动作必须放开场。
六、最后跑通的流程长这样
融合 Seedance 提示词技巧和我的实战教训，现在的标准流程是：
| 步骤 | Muse 干什么 | 我干什么 | |---|---|---| | 剧本 → 分镜表 | 拆成 18 镜，标景别、运镜、动作、对白落点 | 审故事，锁定 | | 资产清单 | 从分镜表反推人物/场景/道具，写生成提示词 | — | | 生成资产 | 生成＋同框测试 | 验收，锁定 | | 逐镜提示词 | 英文描述＋中文台词，资产描述逐字复用 | — | | 逐镜生成 | 生成 → 质检（逐秒验帧/剧本对照/台词试听） | 逐镜确认 | | 拼接交付 | 拼接、调色、每条首尾各剪半秒 | 终审 |
两条红线：
- 一镜 10–15 次迭代不收敛就简化镜头，不许烧生成次数；
- 原生对白做不出来就改镜头设计，永远不走后期配音。
实战数字：一个分镜平均 3–4 次生成换 1 条可用，一集 18 镜，50–70 次生成是常态。慢，但是可控。
七、你也可以照着来
分三层，对号入座，别跳级。
第一层：先玩转 10 秒。 别一上来就想做剧。先让 Muse 给你生成一个 10 秒的镜头：一个人、一个动作、一种运镜、一句台词，全写进提示词里。你会立刻碰到真实的问题——人物长得对不对、台词出没出声、运镜飘不飘。把这一个镜头玩明白，提示词的手感就有了。Seedance 的官方文档这时候再去读，每句话你都看得懂。
第二层：拿流程跑通一集。 找个 3 分钟的小故事，走完整整六步：分镜表 → 资产 → 锁定 → 逐镜生成 → 拼接。重点不是成片有多精美，是把"资产先行""一镜一确认""一次改一行"这三条纪律练成肌肉记忆。第一集一定会翻车，翻车的记录就是你最值钱的东西——我到现在还留着每次失败的提示词版本。
第三层：跑通一集，再谈系列化。 一集跑通之后，真正的挑战才来：人物跨集一致、风格统一、生产速度。这时候再去看 Higgsfield 的开源项目，人家 95 分钟是怎么管资产、怎么写 tag 字典、怎么做生产日志的。路是一样的，只是规模变大。
一句话：10 秒练手感，一集练流程，系列化练管理。别反过来。
Muse 目前的活动诚意很足，一个账号 310 亿 token，用来做漫剧练手也不错。我前后大概生成了 100 多个 10s 的视频，跑完周额度送的 token 就花了 1 亿。还没注册的填这个邀请码：ANS6U6
我是 Jarvis，正在用 AI 做一人公司。这套 Muse 漫剧方法论目前跑通了两部剧，SOP 和踩坑记录都在持续更新。