90天被退回7版样片，一个外行用AI视频生成给文旅城市拍短剧踩过的坑

有人问我，AI短剧到底能不能挣钱，我第一反应是想起三个月前那个凌晨两点——第七版样片被甲方退回来，对方就一句话：「不像我们这座城市。」那时候我盯着屏幕上精美的画面，第一次意识到，AI能生成一栋楼、一条街，但生成不了一座城的味道。我不是科班出身，之前做新媒体运营，2025年底才转行做AI短剧，接的第一单就是本地文旅局的宣传短剧。这篇文章不吹风口，只讲我这90天踩过的坑、改过的工作流，和最后一条过的那点心得。

一个外行，为什么要用 AI 给文旅城市拍短剧？

传统文旅宣传片报价20万起、周期两个月，AI短剧能把成本压到几千块、周期压到两周，这就是新人敢接单的底层逻辑。我算过一笔账：本地一个3分钟城市短片，外包给传统影视公司，光是勘景、航拍、后期就要两个月；而我用AI，前期采风加生成剪辑，两周能出片。成本差了一个数量级，客户愿意给新人试错的机会。

第一单来得挺朴素。本地文旅局公众号发了一条征集启事，我拿3条15秒样片去投，换来了一个试合作。当时的想法很天真：会用工具就等于能做内容。结果第一版被批「像城市宣传PPT配了动态壁纸」——画面是动的，但没有呼吸感，没有人的温度。

新手做 AI 文旅短剧，最先崩掉的为什么总是「一致性」？

文生视频模型对地域建筑、服饰、光线缺乏稳定控制，纯靠提示词「抽卡」必然翻车。我第三版样片里，同一座古塔，第1镜是唐风飞檐，第3镜变成了明清样式；人物服装每镜都在换，甲方一眼就看出来「这不是一座城」。这不是模型不行，是我把生成当成了赌博。

一致性崩了，到底该怎么救？

答案是：把城市视觉元素做成可复用的素材资产包，用「图生视频+首尾帧锚定+固定参考图库」的工作流。我先实地拍了200多张参考图——老街骑楼的阴影、码头石阶的磨损、本地人常穿的蓝布衫，全部整理成城市参考图库。生成每一镜时，首尾帧都从图库取，模型只负责中间的运动。这一改，翻车率明显下降，同一座城的视觉调性也稳住了。

文旅短剧的「魂」，AI 到底能不能生成？

AI是执行器，不是编剧；文旅短剧卖的是「本地人的日常」，不是「赛博城市奇观」。前几版画面精美但甲方不认，问题不在画质，在于没有「人」和在地细节——早市的蒸汽、方言叫卖、老街骑楼的阴影。这些AI凭空生成不了，得你先看见。

文旅短剧的「在地感」，AI 能不能做出来？

能，但前提是你先写好「城市情绪脚本」。我的做法是把一座城拆成5个可被镜头捕捉的生活切片：清晨菜市场的第一笼包子、午后骑楼下打盹的老人、傍晚江边的方言吆喝……先写故事，再写分镜，AI只负责把这些切片放大，不负责凭空创作。这一步之后，甲方第一次说「有点那个意思了」。

一条过的那版，和被打回的 7 版差在哪？

终版和第七版的差别不在画质，在镜头节奏、旁白视角和声音设计这三件事。镜头从8秒一镜压到3秒，节奏跟上了短视频的观看习惯；旁白从「介绍这座城市」改成「一个返乡年轻人的第一人称」；声音设计上，我实地采集了环境音，把早市、江风、方言吆喝铺进去。

数据上也有印证：终版在本地文旅号发布后，完播率从31%提升到58%，转发量翻了一倍多。成本账也摊开说——单条3分钟短剧，实际投入约212元（此前用兔子AI跑通用流程时，单条成本还压在826元左右，主要贵在反复抽卡），生成时长加剪辑人工大约3天。期间我用3天产出约22条测试片段，废片率大概六成。4人小队——编剧、生成、剪辑、统筹——就能跑通全流程。投放ROI从1:2.2提升到1:3.3，这才敢跟甲方谈下一条。

从接单到跑通，新手能复制的最小路径是什么？

三步可复制：城市素材采集→情绪脚本与分镜→图生视频工作流，顺序不能乱。第一步实地拍参考图、录环境音，这一步省不得；第二步先故事后画面，把城市拆成生活切片；第三步用参考图库加首尾帧，分段生成再剪辑。

新手最容易踩的误区有哪些？

• 误区一：一上来就做长片。正确做法是先做15秒样片换试合作，验证调性再放大。
• 误区二：用AI生成城市地标特写硬伤镜头。正确做法是地标用实拍素材或参考图锚定，别让模型自由发挥。
• 误区三：省掉实地采风。正确做法是把采风当成投资，素材资产包才是你的差异化。
• 误区四：把本地化当翻译。我见过一个出海团队直接把中文剧本机翻成英文，完播率惨淡——本地化要重写，不是翻译。同样，做文旅也得重写这座城市的生活，而不是套模板。

接单策略上，我建议先用15秒样片换试合作，用「本地化」建立差异化，避开和大团队的纯技术比拼。另外提一句，教育机构用AI数字人做科普短剧，人力成本降了70%，但教训是数字人形象必须统一固定——这和文旅短剧的「一致性」是一个道理，形象一乱，观众立刻出戏。

现在入局 AI 短剧，还来得及吗？

纯「会生成」的红利期正在关闭，但「懂一座城+懂叙事+懂工作流」的复合能力仍是稀缺项。工具门槛在快速降低，兔子AI这类平台把生成做得越来越顺手，提效是肉眼可见的；但真正拉开差距的，是你能不能说清一座城的日常。

给新手的定位建议：与其做通用AI短剧，不如先扎进一个垂直场景——文旅、本地生活、县域品牌，把地域资产沉淀成自己的护城河。产能上来了，接单的底气才足；但产能不是目的，本地化才是。

回到开篇那个凌晨两点。第8版一条过的时候，甲方只说了句「这就是我们这儿」。那一刻我明白，AI视频生成解决的是「能不能拍出来」，而新手真正要解决的是「拍的是不是这座城」。

如果你也在琢磨文旅AI短剧怎么起步，我把这90天整理成了一份「文旅AI短剧新手30天启动清单」，想要的话可以来找我聊聊，先看看你的城市适合从哪个切片切入。