项目背景
行业痛点
- 漫剧/短视频内容生产成本高、周期长（脚本→分镜→美术→动画→配音）
- 初创漫剧企业/教育机构缺乏专业动漫制作能力，但有高频轻量级视频需求（如营销广告、儿童英语启蒙）
- 现有AIGC工具链割裂，依赖人工，缺乏“一致性控制”与“用户干预闭环”
项目定位
打造一个 端到端、可交互、风格一致 的漫剧生成智能体 Demo，支持：
- 输入一句话创意 → 输出 30s–60s 动漫短剧（含画面+配音+字幕）
- 用户在关键节点（角色、场景、分镜）可人工确认或抽卡重新生成
- 支持两种典型场景：营销广告 + 少儿旁白科普课程（磨耳朵学英语场景）
业务价值
- 验证 Agentic Workflow 在多模态内容生成中的可行性，体现Qoder智能体模式的强大，帮忙推广Qoder。
- 构建基于Qwen + Wan + 百炼的通义全家桶 AIGC 工具链，证明在漫剧赛道，通义能对标即梦、可灵、Vidu、Sora等友商。在细节能力上正视差距，推进产品迭代改进。
- 协助没有智能体搭建经验的漫剧赛道初创公司进行工程化搭建，弥补在漫剧工具链上跟友商的差距，为后续 SaaS 化或嵌入营销/教育平台提供技术原型。
需求分析与功能定义
系统架构
功能模块
模块名称 | 输入 | 输出 | 是否可交互 | 技术实现 |
创意解析器 | 用户创意（文本） | 结构化剧本（JSON） | 否 | Qwen-Max |
角色生成器 | 剧本人物描述 | 多组角色立绘（PNG） | 是（抽卡×3） | Wan 2.5-t2i-preview |
场景生成器 | 剧本场景描述 | 多组背景图（PNG） | 是（抽卡×3） | Wan 2.5-t2i-preview |
分镜绘制器 | (角色+场景+分镜文本) | 分镜首帧图 | 是（逐镜确认） | Wan 2.2-i2i-flash |
视频生成器 | 首帧 + 剧本动作描述 | 3–10s 视频片段（MP4） | 否（自动） | Wan 2.5-i2v-preview |
合成引擎 | 视频片段 + 音频 + 字幕 | 最终成片（MP4） | 否 | FFmpeg + 自定义合成逻辑 |
需求约束
- 一致性保障：同一角色/场景在不同分镜中保持视觉一致（通过ID绑定+特征缓存）。
- 生成速度：全流程 ≤ 10 分钟（Demo 可接受，非实时）。
- 可控性：每个“抽卡”环节提供 ≥3 选项，支持重试。
- 合规性：不生成真人肖像，角色为动漫风格。
交互流程
- 创意输入：一句话描述想生成的内容。
- 剧本生成：根据输入的创意自动拆解角色/场景/分镜。基于创意进行剧本的扩写，分镜的要素按JSON格式输出，包括角色，场景，构图，光线，角色动作，情绪，时长（每个片段3-10s），音效，配音描述（用于控制音色一致性）。
- 角色生成：百炼调用Wan2.5-t2i-preview生成角色图，一次三张，可以抽卡重新生成，时间大概20s。
- 场景生成：同上生成场景图，都是为了控制分镜主体一致性。
- 分镜生成：使用Wan2.2-i2i-flash参考角色图和场景图，结合详细分镜描述按顺序生成每个分镜的首帧，每张大概30s。
- 视频生成：确认好分镜图后，使用Wan2.5-i2v-preview结合剧本描述和台词同步生成视频和相应的配音，音画同步，并且自动完成剪辑拼接，整个过程3~5min。视频时长根据分镜多少决定，一般20s~1min。
效果演示
单角色讲解场景
- 动漫小狗早晨刷牙
小狗早晨刷牙
双角色对话场景
- 3D小鱼海底购物
小鱼购物
- Q版日常打招呼
Q版日常打招呼
搭建工具
全程使用 Qoder自然语言生成+百炼API调用
1.使用Qoder Quest模式生成初版，把需求和大致思路像老板一样指派任务给agent，他会自主先生成产品需求设计，规划待办，再进行执行。
2.需要向他提供自己百炼API-Key。
3.在生成完初版项目之后，使用智能体模式进行精调。最好使用极致模式，性能最好但消耗多。
4.明确使用的模型具体名称，不然会出现调用失败。提供明确的名称后会智能体会自行查阅网页找到合适的接口格式。
目前问题
配音直接使用Wan2.5视频同步生成，好处是可以同步生成环境音效。为了保证音色一致性目前的解决方案是使用提示词约束，但效果不太好，后续考虑用TTS模型单独配音再合成。
多角色，多场景的分镜图合成还是控制的不够精细，目前最好的情况还是单场景单一角色的介绍，如果在复杂性高的多角色交互，场景切换的任务下还需要优化。
Qoder目前仅能个人开通PRO版，Credit有限，跑这样一个 Demo大概就花了一半的用量，希望可以尽快开通企业版内部使用。
