AI制作COC跑团预告PV全流程：从立绘到配音

这次我们来看的不是一个新模型，也不是某个开源框架，而是一个很具体的创作需求：COC跑团做预告PV。最近社团内部要发一条《奈亚的面具：序章》的跑团预告，标题也拟好了，叫“我们团真的太有特‘色’了”。这里的“色”可以理解成视觉色彩，也可以理解成角色个性和团的整体风格非常鲜明。问题在于，团队里没有人会画画，也没有人会剪复杂的动态视频。所以这件事的终点很明确：在不依赖专业美术和影视团队的条件下，把一页半的角色设定和跑团梗概，变成一条能发出去的预告片。

这条PV的制作链路，本质上是一条AI工具流水线，涉及角色立绘生成、图生视频、TTS配音、字幕压制和剪辑合成。整个过程没有什么高不可攀的门槛，最常见的组合方式是“Stable Diffusion系本地部署 + TTS语音合成 + 剪辑软件”，大部分工具都能在消费级显卡上跑，部分环节甚至可以直接用CPU推理完成。本文会把这条流水线拆开，从素材准备、模型选择、批量出图、动态化、配音到最终发布检查，全部过一遍。适合跑团主持人、玩家社群的内容运营，以及所有想在低成本条件下做TRPG宣传素材的技术型玩家。

另外提醒一句：从制作到发布，要特别注意“奈亚的面具”这个模组本身的版权边界。模组文本、官方美术图、NPC设定都属于原作者和发行方。粉丝向非商业PV可以做，但不能把整本模组内容搬上来，更不能拿去做收费或引流变现。下面的所有操作都默认是“自用素材 + 原创美术 + 非商业发布”的范围。

1. 核心能力速览

先给出这条预告PV制作流水线的全貌，后面每一道工序都会单独展开。

从整个流程看，最卡硬件的环节是本地图像生成和视频生成。如果团队没有现成显卡，也可以全部改用在线平台，代价是排队、限额和费用。更稳妥的做法是：立绘和视频走在线方案，配音和剪辑走本地方案，两边都尽量保留接口化批处理能力。

2. 适用场景与使用边界

2.1 这套流程适合谁

首先是TRPG玩家社群。无论你是GM想给新团做个预告，还是某个跑团节目组需要季播宣传物料，这套流程都能在1到2天内出一条60秒左右的完整PV。它不需要你会画画，也不需要你懂分镜，关键是能把“角色特征”“团风”“模组氛围”翻译成提示词和镜头描述。

其次是做AI内容生产测试的人。跑团PV是一个很典型的“多模态组合任务”，涉及图、文、声、画，而且需要批量处理。它比单纯生成一张图有意思得多，也比单纯跑一个TTS更能验证工具链的稳定性。你可以把它当成一次小规模的AI内容流水线实战。

2.2 不适合什么场景

如果目标是做一条“完全手绘风格、讲究精确分镜、达到商业动画水准”的预告，那这套AI辅助流程不适合。AI生成的角色一致性仍然需要花时间和参考图做约束，很难像专业美术那样随时调整角度、表情和动作。如果想用真实跑团录像剪辑，那也不属于本文讨论范围，本文讲的是“以AI生成立绘/动态素材为核心”的预告PV路线。

2.3 版权、肖像和隐私边界

这是最容易踩坑的部分。

• 模组版权：“奈亚的面具”是Chaosium出版的经典战役模组，国内玩家讨论和二创很常见，但发布预告PV时，不应直接搬运模组原文、官方地图、官方立绘。正确做法是：只使用模组名称和大致氛围，台词由玩家原创。
• 角色版权：如果角色是某位玩家的原创PC，做成PV前最好和玩家确认授权。
• 声音授权：如果打算克隆某位主持人的音色来做旁白，必须获得对方明确同意。不建议使用陌生人的音色素材。
• AI内容标识：多数视频平台要求AI生成内容进行标识，发布前要按平台规则勾选或说明。
• 肖像权：不要用真人照片直接作为角色的底图。

3. 素材准备与前置条件

3.1 从跑团文档中提炼PV脚本

先准备一份可以“被消费”的文本素材。通常包括：

• 跑团结团动机，也就是这一团为什么组起来。
• 每个PC的角色卡摘要，包括职业、外貌特征、标志性道具、口头禅。
• 模组序章的关键事件清单，比如“调查员收到一封神秘邀请函”。
• 团里的名场面或梗，比如某位PC的经典失败动作。

建议把这些内容整理成一个纯文本文件，每行对应PV里的一句或一段文案，方便后续TTS批量处理。如果文案比较口语化，也可以先丢给本地大语言模型润色，但最终要经过人工确认，不要拿第一版就直接配音。

3.2 角色立绘与场景素材

预告PV最常见的形式是“角色立绘 + 场景背景 + 少量动态效果 + 字幕台词”。所以需要准备：

• 每个PC的半身立绘，建议统一比例，比如2:3或者9:16。
• 场景背景，如旧日支配者的祭坛、昏暗的旅店、迷雾中的街道。
• 道具特写，比如发光的面具、泛黄的书信、老式打字机。

如果按传统工作流，这些东西需要请画师。走AI路线时，它们的生成成本会大幅降低，但整理成本依然存在，所以建议建一个清晰的素材目录。

3.3 音频素材

音频分两类。一类是TTS生成的干音，也就是角色台词。另一类是环境音和BGM，比如钟声、风声、打字机声、古典悬疑配乐。BGM可以去免费音效网站找，注意查看授权条款，不要拿商业配乐库的曲目直接做公开视频。

3.4 本地工具链检查清单

在开始操作前，按下面清单检查环境。

如果只是用在线工具，那只需要浏览器和足够的网络带宽。但本地部署能更好地解决隐私和批量成本问题。

4. 技术选型：不同团怎么办

不用一开始就把所有工具都装上。建议先想清楚团队条件和目标效果，再决定技术路线。

4.1 零基础路线：在线AI生成 + 剪辑软件

如果你没有显卡，也不打算学复杂部署，那就用在线AI绘画和在线图生视频。典型链路是：

在线绘画生成角色立绘 -> 图生视频工具让立绘产生轻微动态 -> 在线TTS生成旁白 -> 剪映合成字幕和BGM

这条路线优点是没有安装成本，缺点是排队、限额、以及角色一致性可能不如本地可控。对于一条60秒的粉丝向PV来说完全够用。

4.2 本地图像生成：Stable Diffusion 系

如果手头有8G显存以上的NVIDIA显卡，推荐在本地跑Stable Diffusion WebUI或ComfyUI。这样做的直接好处是可以批量出图、接入角色参考图、反复调整提示词而不产生额外费用。

启动本地WebUI的思路如下，具体命令以你下载的整合包或官方仓库说明为准：

# 假设已经把项目克隆到本地 cd stable-diffusion-webui python launch.py --xformers --api

其中--api参数会开启API服务，方便后面脚本批量调用。端口默认是7860，浏览器访问http://127.0.0.1:7860即可打开Web界面。

4.3 动态化：图生视频 / AnimateDiff

本地图生视频方案主要有两类。一类是ComfyUI里的AnimateDiff等节点，可以用一张立绘生成一小段几秒钟的动态镜头；另一类是独立的视频生成模型或者在线视频生成服务。

从使用成本看，在线图生视频更容易上手，但要控制单次生成时长，通常几秒钟一个镜头。本地AnimateDiff对显存要求比较高，建议第一次先用小分辨率测试。

4.4 配音：TTS 与音色克隆

配音是整条PV里最能出效果的一环。跑团预告PV通常需要一个沉稳的旁白声，再加上角色台词可以切换不同音色。比较稳妥的做法是：

• 旁白用普通的开源TTS，做低音调处理。
• 每个NPC的台词单独生成，再在剪辑软件里做EQ和混响。
• 如果团队中有声音表现力强的成员，直接录音比任何TTS都好，不要为了用AI而用AI。

4.5 剪辑合成

最后用剪映或Pr把所有素材拼起来。剪映对字幕导入比较友好，可以先把TTS生成的文本转成字幕文件，再批量调整时间轴。这里推荐的做法是：先确定配音轨，再根据配音节奏摆放画面，而不是先摆画面再配音。

5. 角色立绘批量生成与一致性控制

做跑团预告PV时，最影响观感的是角色形象不一致。同一个PC，上一秒金色短发，下一秒变成棕色卷发，整个预告就毁了。所以立绘生成要分两步：先固定角色设定，再批量出不同动作和表情。

5.1 写角色提示词

提示词里要包含这几类信息：

• 角色外貌：发型、发色、眼睛颜色、服饰。
• 世界观基调：COC风格、旧日报纸、昏暗烛光、洛氏恐怖。
• 角色状态：严肃、紧张、恐惧、冷静。
• 画面控制：半身像、统一背景色、高质量插画。

下面是一个通用模板：

masterpiece, best quality, 1girl, golden short hair, blue eyes, suit, holding a letter, investigator, 1920s attire, dark room, candlelight, horror atmosphere, upper body portrait, looking at viewer, tense expression Negative prompt: lowres, bad anatomy, bad hands, extra fingers, watermark, text

实际写提示词时，可以按角色卡替换描述。注意跑团PV不需要特别复杂的物理逻辑，重点是角色气质和氛围统一。

5.2 用API批量出图

在WebUI搭建好之后，可以不需要手动一张张点生成，直接调用API。以WebUI常见接口为例，批量脚本大致长这样：

python generate_characters.py --input characters.json --output ./outputs

对应Python脚本的调用逻辑可以写成：

import json import requests # 提示：接口路径和参数以当前WebUI版本为准 api_url = "http://127.0.0.1:7860/sdapi/v1/txt2img" with open("characters.json", "r", encoding="utf-8") as f: characters = json.load(f) for char in characters: payload = { "prompt": char["prompt"], "negative_prompt": "lowres, bad anatomy, extra fingers, watermark", "width": 768, "height": 1024, "steps": 25, "batch_size": 4, "cfg_scale": 7 } resp = requests.post(api_url, json=payload, timeout=600) data = resp.json() for idx, img_b64 in enumerate(data["images"]): img_data = base64.b64decode(img_b64) filepath = f"{char['name']}_{idx}.png" with open(filepath, "wb") as f: f.write(img_data) print(f"已生成: {filepath}")

注意：base64模块要先导入，时间超时要结合本机推理速度调整。批量出图时不要一次开太多任务，不然显存会直接打满。

5.3 保持角色一致性

常用的方法有两种。一是“参考底图+图生图”，把第一张最满意的角色图作为底图，后续用低重绘幅度生成不同表情。二是在ComfyUI里挂ControlNet或角色参考模型，通过参考图约束人物特征。这两种方案都需要自己跑一下才能找到合适的参数，没有固定的万能值。

5.4 素材目录管理

推荐这样规划目录：

pv_project/ ├── scripts/ # 批量生成脚本 ├── characters/ # 每个角色一个子目录 │ ├── alice/ │ ├── bob/ │ └── keeper/ ├── scenes/ # 场景背景和道具图 ├── audio/ │ ├── tts/ # 干音 │ └── bgm/ # 配乐 ├── video_clips/ # 图生视频小片段 └── output/ # 最终成片

命名建议用“角色名_动作_序号”这种格式，避免最后剪辑时找不到素材。

6. 把立绘变成动态素材

预告PV全部用静态图会显得比较平。大多数人会选择让立绘在画面中有轻微浮动、眨眼、扭头、镜头推拉等效果。

6.1 生成动态素材的几种方式

对跑团PV来说，不需要每个角色都有一大段动态。建议只做三个部分：开场角色特写、谜之面具道具特写、结束时所有角色的快速剪影闪过。每段3到5秒就够了。

6.2 图生视频提示词模板

在线图生视频一般会要求输入一个动作描述，不要写太复杂，一个动作对应一段视频。参考方向：

a person slowly turning head, candlelight flickering, subtle smoke

a golden mask on a desk, light reflections, slow zoom in

生成后先预览几遍，画面崩坏就直接删掉重来，不要硬留。本地模型生成视频时，分辨率、步数和帧数都会明显影响显存占用，先用小尺寸测试，再按实际效果放大。

6.3 画面节奏

预告PV节奏建议是“悬念引入 -> 角色出场 -> 冲突预告 -> 主题口号”。拿“奈亚的面具”举例：

• 开场：黑屏字幕，背景是打字机声音。出现“1925年，纽约”字样。
• 角色出场：每个调查员依次出现，每人一句性格介绍。
• 冲突预告：画面切到面具道具，旁白说“有些东西，不该被看见”。
• 结尾：快切所有角色，停在标题“奈亚的面具：序章”。

这段分镜不需要特别专业，但足够让观众了解团队风格。

7. 配音与音频处理

7.1 TTS文本准备

每个角色的台词建议单独存成文本文件，并按“角色名_集数_序号”命名。不要把所有台词挤在一个txt里，否则后面批量处理TTS时很难定位。

台词要写清楚停顿和语气。大多数TTS对逗号、句号、省略号比较敏感，可以预先把长句断开。比如：

夜色降临。黑暗里的低语，从未停止。 你收到了一封没有署名的邀请函。 ——那上面，印着一张金色的面具。

7.2 多角色音色

开源TTS模型很多，比如ChatTTS、CosyVoice、GPT-SoVITS等。它们对音色控制、多音字和长文本的支持各有不同，具体用哪个要看项目文档。可以先给旁白和NPC各生成一段测试音频，听一下语气是否符合预期。

如果选音色克隆方案，必须满足两个前提：采样素材来自本团队成员或已获授权，并且只在本项目内使用。不要拿网上找到的配音博主素材来做克隆。

7.3 批量生成干音

假设你本地或云端有一个TTS服务，可以用脚本批量提交文本。注意：这不是某个特定项目的固定接口，只是通用示例，实际要以你部署的TTS服务文档为准。

import requests tts_url = "http://127.0.0.1:9880/tts" lines = [ ("keeper_01", "夜色降临，黑暗里的低语从未停止。"), ("alice_01", "我总觉得这封信来路不明。"), ("bob_01", "面具？又是面具。"), ] for name, text in lines: payload = {"text": text, "speaker": "keeper" if name.startswith("keeper") else "npc"} resp = requests.post(tts_url, json=payload, timeout=120) if resp.status_code == 200: with open(f"audio/tts/{name}.wav", "wb") as f: f.write(resp.content) print(f"完成: {name}") else: print(f"失败: {name}, {resp.status_code}")

命令行下也可以用ffmpeg对生成的干音做响度统一、静音裁剪和格式转换：

ffmpeg -i input.wav -af "silenceremove=start_periods=1:start_threshold=-50dB, loudnorm=I=-16:LRA=11:TP=-1.5" -ar 44100 output.wav

7.4 音频后期

TTS干音往往比较平。剪辑软件里可以给旁白加一点混响、压低背景音乐、提升人声频段。跑团PV的音频目标是“听得清楚、气氛吓人”，不需要搞太复杂。

8. 接口 API 与批量任务设计

这条流水线最大的工程价值，是可以把立绘生成、TTS、字幕导出都脚本化。哪怕这一版只做一条PV，也建议先搭一套半自动脚本，方便后续更新。

8.1 建立素材清单配置文件

把角色、台词、场景、输出路径集中到一个 JSON 文件里。这样做的好处是：渲染完发现某个角色立绘不好看，只需要改配置，不需要改代码。

{ "project": "masks_of_nyarlathotep", "characters": [ { "name": "alice", "prompt": "investigator woman, 1920s dress, golden hair, tense", "negative_prompt": "lowres, watermark", "images": 4 } ], "tts": { "url": "http://127.0.0.1:9880/tts", "speaker": "narrator" }, "output": "./output" }

8.2 任务队列与失败重试

批量生成素材时，最常见的失败原因是显存不足和网络超时。建议在脚本里加入日志与重试机制：

import time def generate_with_retry(payload, max_retry=3): for attempt in range(max_retry): try: resp = requests.post(api_url, json=payload, timeout=600) if resp.status_code == 200: return resp.json() except Exception as e: print(f"第{attempt + 1}次失败: {e}") time.sleep(10) return None

失败的任务可以统一写入fail.log，不要直接覆盖已生成的文件。对于一条PV来说，素材量不算大，但如果你是多视频系列，这套队列能省下大量盯工时间。

8.3 字幕导出

TTS文本本身就是字幕内容。如果TTS每句台词对应一个音频片段，就可以把台词文本按时间轴排列生成SRT字幕。手动在剪映里拖时间轴也可以，但长视频更建议用脚本先排好。

9. 资源占用与性能观察

本地跑这套流程时，需要重点观察三个时间段：立绘生成时、视频生成时、视频压制时。

9.1 显存占用

具体数字要结合模型和分辨率，没法给出一个固定值。但可以给出观察方法：

• 打开任务管理器或nvidia-smi，查看GPU显存占用。
• 立绘生成时，如果分辨率从512x768提升到768x1024，显存占用可能翻倍。
• 视频生成阶段通常比单张图片高很多，建议先在低分辨率下测试。
• 如果出现“CUDA out of memory”，优先降低分辨率、降低批次、减少视频帧数。

使用nvidia-smi观察：

nvidia-smi -l 2

这条命令每2秒刷新一次显存信息，可以看到进程占用情况。

9.2 CPU推理和GPU推理的差异

TTS和一些小模型用CPU推理是可以接受的，但立绘和视频生成用CPU会很慢。如果显卡不支持CUDA，又不想在线服务，那只能降低分辨率、减少步数，并做好“一张图等几分钟”的心理准备。更合理的策略是：图像和视频交给在线平台或远程GPU，TTS和字幕留在本地。

9.3 降低显存占用的几个技巧

• 关掉其他占用显存的程序。
• 图像模型打开--medvram或--lowvram启动参数（以具体项目文档为准）。
• 降低batch size，一次生成1张而不是4张。
• 视频生成时缩短帧数，比如只用8到12帧。
• 把部分在线工具作为备用方案，本地不够就跑在线。

10. 常见问题与排查方法

11. 最佳实践与发布检查

最后整理几条对跑团预告PV最实用的建议。

第一，发布前一定要把“模组原文和AI生成长文”分开。预告PV的台词不要直接大段引用《奈亚的面具》原文，而是在模组氛围基础上写原创口播稿。标题保留“奈亚的面具：序章”用于表明粉丝向创作，不影响原创内容判断。

第二，AI生成内容不要拿来直接冒充真人或官方创作。角色立绘如果用真人照片做底图，必须得到照片本人同意。配音如果用真人音色克隆，同样要授权，最好在视频简介里说明部分内容由AI生成。

第三，批量脚本要保留。做PV不是一次性的活，跑团系列可能会出第二集、第三集。把角色提示词、台词文本、素材目录全部整理好，下一期只需要替换文案和微调提示词，产出速度会快很多。

第四，每次发布前做一份效果复核清单：

• 角色名字是否和人物对得上。
• 字幕是否有错别字和敏感词。
• NPC台词语气是否符合人设。
• 音频里是否有爆音或环境噪音。
• 是否加了模组原作者和粉丝向声明。
• 是否按平台要求标记AI辅助生成内容。
• BGM和音效是否具备商用授权。

这条PV能做出来的本质，是把跑团过程中的角色魅力和团队氛围转成可传播的影像。工具只是辅助，真正让观众觉得“这团真有特色”的，还是剧本里那些只有你们团才有的名场面。下次再有人问“没有美术怎么做跑团PV”，直接把这篇流程丢过去，照着跑一遍就好。