AI 一站式短剧/漫剧生成平台
Industrial AI Motion Comic & Video Workbench

AI 漫剧工场 是一个面向短剧、漫剧、动态漫画与影视分镜创作者的 AI 生产工作台，目标是把故事创意快速转化为可预览、可导出、可继续剪辑的视觉资产与视频片段。

项目采用 Script-to-Asset-to-Keyframe 工作流：先完成剧情与分镜，再生成角色/场景资产，随后在 AI工作台中制作关键帧与视频，最后统一预览和导出。

普通电脑安装文件支持windows

Windows : 安装文件https://github.com/yuanzhongqiao/deep-printfilm/archive/refs/tags/PrintFilmPro-V-0.8.03.zip

传统 Text-to-Video 往往难以稳定控制角色、构图和镜头起止画面。AI 漫剧工场引入动画与影视制作中的关键帧思路：

1. 先画后动：先生成镜头的起始帧与结束帧。
2. 插值生成：通过视频模型在关键帧之间生成运动过渡。
3. 资产约束：画面生成会参考角色定妆、服装变体和场景概念图，提升角色一致性与场景连续性。
4. 流程化生产：每个阶段都围绕同一个项目状态推进，减少反复复制提示词和手工整理资产的成本。

剧情创作阶段用于把故事、小说片段或短剧创意整理为可生产的结构化内容。

• 智能剧本拆解：输入故事大纲或正文，AI 自动生成剧本结构、角色、场景和分镜。
• 分镜规划：按目标时长和节奏生成镜头列表，包含动作、台词、画面提示词等信息。
• 视觉化翻译：将文字描述转为更适合图像生成模型使用的画面提示词。
• 手动编辑：支持编辑角色描述、场景描述、镜头动作、台词和分镜画面提示词。
• 项目配置：支持目标时长、语言、模型和视觉风格等基础参数。

场景角色阶段用于沉淀后续画面生成需要使用的核心视觉资产。

• 角色定妆：为每个角色生成标准参考图。
• 服装变体：为角色维护多套造型，如日常、战斗、受伤、礼服等。
• 场景概念图：为故事中的关键场景生成环境参考图。
• 图片上传：支持手动上传角色、服装或场景图片作为参考资产。
• 批量生成：可以按角色或场景批量生成资产，减少重复操作。

AI工作台是关键帧与视频片段制作的核心区域。

• 镜头管理：以网格和工作台形式管理所有镜头。
• 关键帧生成：为镜头生成起始帧和结束帧，便于控制构图和动作变化。
• 上下文参考：生成时会结合当前场景、角色定妆和服装变体，提升连续性。
• 镜头拆分：支持将长镜头拆分为子镜头，细化动作节奏。
• 视频生成：支持基于关键帧的视频生成流程，并记录渲染日志与状态。

制片导出阶段用于集中预览、检查和下载项目成果。

• 时间轴预览：按镜头顺序查看已生成的视频片段。
• 视频播放：支持逐段预览镜头成片。
• 渲染日志：集中查看角色、场景、关键帧和视频生成记录。
• 资产下载：导出关键帧、视频片段和项目资产，便于进入后期剪辑流程。

资产管理用于集中查看和调整项目中的提示词资产。

• 角色提示词：查看与编辑角色、服装变体相关提示词。
• 场景提示词：查看与编辑场景描述和图像提示词。
• 关键帧提示词：查看与编辑镜头关键帧提示词。
• 视频提示词：查看和调整视频生成描述。
• 搜索与筛选：按角色、场景、镜头和状态快速定位资产。

• 前端框架：React 19 + TypeScript + Vite
• 界面样式：Tailwind CSS + 工业风深色界面
• 图标库：lucide-react
• 本地存储：IndexedDB，用于保存项目、角色、场景、镜头和生成记录
• AI 接口：GitCC API，兼容 OpenAI 风格接口
• 图片/视频资产：支持 Base64、远程 URL、关键帧图像与视频片段
• 桌面端：Electron + electron-builder
• 容器部署：Docker + Nginx

项目默认围绕 GitCC API 提供的文本、图像与视频模型组织工作流：

• 文本模型：用于剧本拆解、角色/场景分析、提示词改写和视频描述生成。
• 图像模型：用于角色定妆、服装变体、场景概念图和关键帧生成。
• 视频模型：用于根据提示词、起始帧或起止关键帧生成视频片段。

模型配置可以在应用内调整，适配不同上游模型名称、接口路径和参数。

• 项目数据主要保存在浏览器 IndexedDB 中。
• API Key 保存在本地配置中，用于调用 GitCC API。
• 应用不依赖自建业务后端，开发和桌面端会通过代理解决浏览器跨域问题。
• 若清理浏览器站点数据，项目内容也会被清除，请按需导出备份。

启动后访问终端输出的本地地址。Vite 开发环境会代理 /api-proxy 到 GitCC API，便于本地调试。

npm run build
npm run preview

docker-compose up -d --build
docker-compose logs -f
docker-compose down

默认通过 3005 端口访问。Compose 会生成 ai-manga-studio:latest 镜像、ai-manga-studio-app 容器和 ai-manga-studio-network 网络。Nginx 会托管前端静态文件，并代理 /api-proxy 到 GitCC API。

docker build -t ai-manga-studio .
docker run -d -p 3005:80 --name ai-manga-studio-app ai-manga-studio
docker logs -f ai-manga-studio-app
docker stop ai-manga-studio-app

npm run electron:dev
npm run electron:build
npm run electron:build:win

• electron:dev：先构建前端，再启动 Electron 窗口。
• electron:build：使用 electron-builder 生成桌面安装包。
• Windows 安装包会以 AI 漫剧工场 为产品名输出到 release/ 目录。
• 桌面端内建本地 HTTP 服务，托管前端并代理 /api-proxy 到 GitCC API。

1. 启动应用后，在模型配置中填写 GitCC API Key。
2. 进入 Phase 01「剧情创作」，输入故事创意并生成剧本和分镜。
3. 进入 Phase 02「场景角色」，生成角色定妆、服装变体和场景图。
4. 进入 Phase 03「AI工作台」，逐个生成关键帧和视频片段。
5. 进入 Phase 04「制片导出」，预览并下载关键帧、视频和项目资产。
6. 如需调整提示词，进入「资产管理」统一查看和编辑。

npm install
npm run dev
npm run build
npm run preview
npm run electron:dev
npm run electron:build
docker-compose up -d --build
docker-compose down

.
├── App.tsx
├── components/
│   ├── Dashboard.tsx
│   ├── Sidebar.tsx
│   ├── ModelConfig/
│   ├── Onboarding/
│   ├── StageScript/
│   ├── StageAssets/
│   ├── StageDirector/
│   ├── StageExport/
│   └── StagePrompts/
├── electron/
├── public/
├── services/
├── types/
├── types.ts
├── vite.config.ts
├── Dockerfile
├── docker-compose.yaml
└── nginx.conf

• 短剧和漫剧前期开发
• 动态漫画和分镜预演
• 角色与场景视觉设定
• AI视频片段批量生成
• 创意原型验证和资产整理

AI 视频最麻烦的地方，往往不是生成，而是前后接不上

传统的散装操作中，提示词的连贯性和资产管理全靠脑子记。上一秒主角穿西装，下一秒就变夹克，为了修这些 Bug，创作者只能在各个工具之间来回复制粘贴。

deep-printfilm 采用的是 Script-to-Asset-to-Keyframe（剧本-资产-关键帧）逻辑。在这个后台里，你可以先输入故事大纲拆成分镜，然后生成角色的基础定妆照和各套服装变体。最后在生成视频片段时，让模型尽量参考这些已经定好的视觉资产。

它就像一个 AI 视频生产流水线的车间主任，不亲自干活，但负责把你乱七八糟的提示词和素材分门别类管好，让每次调用模型时都有统一的参考图，尽量不让前后剧情脱节。

deep-printfilm 如何把剧本、角色和关键帧串起来

这个工具并没有试图搞个“一键出片”的噱头，而是把工作流切分得很清晰实在：

第一步先搞定文本（剧本和分镜节奏）；第二步确立视觉资产（角色、服装和环境概念图）；第三步才是真正的生成工作台。在这个核心操作区，所有的镜头都以网格形式管理。你可以为每个镜头生成起始关键帧，再基于关键帧去跑视频。

这种做法最大的好处，是把原本散落在 txt 记事本、图片文件夹和生成记录里的素材，集中到同一个项目里管理。

本地部署不等于完全离线，API 和数据备份要提前想清楚

目前该项目在GitHub上已有接近千星关注，并发布了正式的 Release 版本，属于近期关注度上升较快的新工具。

对于小白用户，开发者提供了基于 Electron 打包的 Windows 桌面端直接安装。但如果你本身有 Docker 部署经验，也可以把它跑在服务器、NAS 或本地开发环境里，它也完全支持 Docker 服务端部署或本地开发环境运行。

不过在部署和使用之前，有几件事需要提前确认：

API 依赖与费用限制：很多人看到“本地部署”会误以为它是免费离线的。实际上，它的文本、图像和视频生成重度依赖第三方 API（默认兼容 GitCC 或 OpenAI 格式）。跑模型是要花钱的，接口的稳定性、计费方式需要你自己去评估。

小心你的项目数据被清空：这个工具把所有的剧情、分镜资产全部存在本地浏览器的 IndexedDB 里。这意味着项目状态主要保存在本地，响应更直接；但生成文本、图像和视频时，相关提示词、图片参考和请求内容仍可能发送到第三方 API，不能简单理解成“完全不上云”，但千万不要随便清理浏览器缓存或站点数据，否则辛辛苦苦建的项目可能瞬间蒸发。

商业化与许可边界：如果你打算用它生成的受版权保护的小说或影视 IP 视频去跑商业流量，务必自行核对模型服务商的使用条款，避免版权坑。

适合折腾 AI 短剧的人，不适合一键出片幻想

如果你已经跑通过一两次 AI 视频流程，受够了频繁切换窗口的折磨，deep-printfilm 是一个思路很对、能帮你省下大量项目管理精力的提效工具。

但如果你是完全没接触过 API 调用的纯新手，指望下载安装后点个按钮就能吐出一部能赚钱的短剧，那它不适合你。真正的门槛永远不在于工作台的安装，而在于你如何写出好的提示词，以及搞定稳定且高性价比的模型接口。

建议普通用户可以先做个小范围试用，跑通一个几十秒的短片看看效果，再决定要不要把它作为主力的生产工具。

deep-printfilm帮你管的是流程，不是替你拍片

deep-printfilm 真正有用的地方，不是让 AI 突然变得更会拍视频，而是把原本散落的剧本、角色设定、场景参考、关键帧和视频片段放进同一个项目里。对已经折腾过 AI 视频的人来说，这种“把东西管清楚”的能力，反而比多一个生成按钮更实际。

如果你期待的是下载安装后自动生成一部完整短剧，它大概率会让你失望。但如果你已经有自己的剧本、角色设定和生成流程，只是受够了文件夹混乱、提示词散落和镜头前后接不上的问题，那它确实值得试一试。

项目主页与源码入口