AI 萌寵短劇怎麼做？拆解 14 萬讚〈小粉耳送外賣〉：73 秒剪 37 鏡，做成 12 鏡分鏡產生器

懶人包

• IG 帳號 pinkear.dada（小粉耳嗒嗒）在 2026-10-29 發的 AI 短片〈小粉耳嗒嗒送外賣〉，到 11-04 有 14.2 萬讚、225 則留言。
• 我把影片抓下來用 ffmpeg 切鏡：72.9 秒剪了 37 鏡，中位數 1.83 秒一鏡，最長的鏡頭也只有 4 秒。
• 劇情是七段節拍：價格鉤子、百杯大單、無對白的製作蒙太奇、兩次被擋、騎巨型倉鼠反轉、多送一顆草莓收尾。
• 主角兔子全片不開口，對白全由客人、外送員、警察、保安說，它只在最後一格有一行內心字卡。
• 我把這套節拍做成網頁版分鏡產生器：選動物、材質、職業，產出 12 鏡 48 秒的提示詞和 SRT 字幕，再用 ffmpeg 組成 1080×1920 的 animatic 樣片。真的 AI 畫面這次還沒生成。

這篇拆一支 AI 萌寵微短劇的結構，再把結構變成可以重複用的工具。工具已經上線：萌寵打工微短劇分鏡產生器，不用登入、不呼叫 API，打開就能用。

〈小粉耳送外賣〉在演什麼？

原始貼文是 IG 帳號 pinkear.dada 的 Reel，文案只有一行「VLOG｜小粉耳嗒嗒送外賣 #vlog #ai #療癒 #治癒」。我在 2026-11-04 讀到的數字是 142K likes、225 comments。

主角是一隻白色垂耳兔，材質看起來像羊毛氈。它在辦公大樓前擺攤賣酸奶，招牌寫「1.0元一杯」。場景是寫實的城市街景、真實光影、真人路人，只有兔子是毛氈質感。

故事線很短：

1. 西裝大叔嫌「這麼小一杯十塊？」，吃了一口才發現自己看錯，是一塊錢，跟兔子道歉。
2. 大叔訂一百杯，遞了張紙條：下午三點送到這裡。
3. 兔子掛上「暫停營業」，擠酸奶、擺草莓、裝進粉紅保冷袋。這段沒有對白。
4. 黃衣外送員想順手拿一杯，被警察攔下：「上周就有人報你順手拿攤位的東西」。
5. 兔子騎粉紅三輪車上路，被保安攔下：「小家伙」「先停下」。
6. 兔子坐在長椅邊垂著耳朵，接著騎上一隻巨型倉鼠，把保冷袋送進大樓。
7. 大叔打開保冷袋：「怎麼每杯都多送了一顆草莓」。最後一格是兔子特寫，字卡寫「多一顆才夠甜呀」。

72 秒剪了幾個鏡頭？

IG 擋掉了沒登入的 yt-dlp。我改從貼文的 embed 頁解析出 mp4 直鏈下載，檔案是 960×720、72.9 秒、有 AAC 音軌。下載後用 ffmpeg 的場景偵測找切點：

ffmpeg -i reel.mp4 -vf "select='gt(scene,0.3)',showinfo" -f null - 2>&1 \
  | grep -o 'pts_time:[0-9.]*' | cut -d: -f2 > cuts.txt

cuts.txt 有 36 個切點，也就是 37 個鏡頭。我把每鏡長度畫成長條圖，底色標出七段節拍：

場景偵測的門檻會影響切點數量。0.3 是我用的值，換成 0.4 可能少抓幾個溶接或快速搖鏡，所以 37 這個數字是「門檻 0.3 下的結果」，不是剪輯師的原始剪輯表。

為什麼兔子一句話都不說？

我用 faster-whisper small 模型跑了一次語音辨識，拿到 19 段簡體中文對白，再對照畫面上的燒入字幕。說話的人是大叔、外送員、警察和保安。兔子沒有任何一句台詞，唯一屬於它的文字是最後那行內心字卡。

這個安排有兩個實際好處。AI 影片要讓一個毛絨角色對嘴講話，嘴型很難做得自然；主角不開口，這個問題直接消失。觀眾也只能從耳朵、眼神、抱緊袋子的動作讀它的情緒，角色更像一個努力打工的小生命。

路人的對白則負責推劇情：價格誤會、下單、想白拿、被攔。台詞都很短，每句一到兩秒，剛好配上一兩個鏡頭。

七段節拍各自做什麼？

我把劇情按功能切成七段，時間是從畫面和切點對出來的近似值：

收尾那顆多送的草莓，在製作蒙太奇裡就拍過了。觀眾看兔子一杯一杯放草莓時不知道它多放了，到大叔開袋才知道。這是整支片唯一的伏筆。

怎麼把這套節拍變成分鏡產生器？

我做了一個單檔網頁，把七段節拍寫成模板，換掉角色和職業就能產出一份新劇本。輸入五個欄位：

• 角色中文名、英文名
• 動物（英文，給提示詞用）
• 材質：羊毛氈、絨毛玩偶、黏土
• 職業：豆花攤、便當外送、咖啡車

原片 37 鏡，產生器只出 12 鏡、總長 48 秒。理由是圖生影片工具一次生一段，鏡頭數越多，要生成、挑選的段數就越多。12 鏡把七段節拍都保留下來，鉤子 2 鏡、大單 1 鏡、製作蒙太奇 3 鏡、衝突一 2 鏡、衝突二 1 鏡、反轉 1 鏡、收尾 2 鏡。真的要剪成原片那種 2 秒一鏡的節奏，可以把一段生成的影片切成兩三個鏡頭用。

每一鏡的提示詞開頭都是同一段「角色鎖定描述」，這是產生器最核心的一段：

function characterLock(c) {
  const m = MATERIALS[c.material] || MATERIALS.felt;
  return `${c.nameEn}, a tiny ${c.animalEn} character made of ${m.en}, ${c.lookEn}, about 15 cm tall, same face and outfit in every shot`;
}

跨鏡頭維持同一個角色，是 AI 連續短片最難的部分。Kling 官方在 2026-10-16 的文章〈AI Videos That Went Viral〉講系列 vlog 時，建議保留參考圖，讓角色在後續集數維持可辨識。文字鎖定描述是第一層，實際生成時還要搭配同一張角色設定圖當參考。

我寫了一支 Node 測試，確認三個職業都產出 12 鏡、總長在 45 到 60 秒之間、每段提示詞都帶鎖定描述：

node test_storyboard.js

[ok] douhua: 12 shots, 48s, srt cues 8
[ok] bento: 12 shots, 48s, srt cues 8
[ok] coffee: 12 shots, 48s, srt cues 8
[ok] invalid job rejected

SRT 只有 8 條字幕，因為 12 鏡裡有 4 鏡是無對白的蒙太奇和反轉，這跟原片的安排一致。

animatic 樣片怎麼組？

沒有 AI 畫面之前，我先用 ffmpeg 把鏡頭表做成色卡版的動態分鏡。每鏡一張色卡，上面寫鏡號、鏡位和節拍，時間照鏡頭表排，最後燒進產生器輸出的 SRT：

ffmpeg -f lavfi -i "color=c=white:s=1080x1920:d=48:r=24" \
  -vf "drawbox=...:enable='between(t,0,4)',drawtext=...,subtitles=sample_douhua.srt" \
  -c:v libx264 -pix_fmt yuv420p animatic_douhua.mp4

上面的 ... 是每一鏡重複的 drawbox 和 drawtext 參數，實際濾鏡串是用 Node 依鏡頭表產生的。成品 ffprobe 讀到 48.0 秒、1080×1920：

這支 animatic 的用途是先檢查節奏和字幕長度。等每一鏡有了生成好的影片，把色卡換成影片片段，同一條 ffmpeg 管線可以直接燒字幕輸出。

我還沒做到的部分

這次沒有生成任何真的 AI 畫面。Codex 的生圖額度當天用完，手上的 OpenAI 和 Gemini API 金鑰也都回報無效，所以產生器的提示詞還沒有實際丟進可靈、即夢或 Veo 驗證。下面幾件事要等真的生成才知道：

• 角色鎖定描述加上參考圖，能不能讓毛氈材質在 12 鏡裡保持一致。
• 「寫實城市＋毛氈角色」的提示詞，生成工具會不會把背景也做成毛氈風。
• 產生器第 2 鏡要求畫面裡出現「10元」價格牌，生成工具畫中文字常出錯，這鏡可能要改成後製加字。

同樣「拆一支爆款短片、做成分鏡工具」的做法，我之前做過神獸題材：AI 神獸短片怎麼做：拆解 9.5 萬讚〈開明獸〉Reel。想看關鍵幀加圖生影片的實際流程，可以看 AI 賽博龐克 Reel 的 Seedance 關鍵幀工作流。

下一步可以怎麼做？

1. 打開分鏡產生器，選一個你自己的角色和職業，按「產生分鏡」。
2. 用角色鎖定描述先生一張角色設定圖（正面、側面、背面）。
3. 每一鏡用「設定圖＋該鏡提示詞」去生影片，只留最好的 2 到 4 秒。
4. 路人對白用 TTS 或真人錄音，主角保持不說話。
5. 照鏡頭表順序剪，按「下載 SRT」把字幕燒進去。