告别“人工缝合”：开源 AI 短剧工作流 Jellyfish 深度解析
在 AI 视频创作领域，生成单个片段并不难，真正的挑战在于如何维持故事的连贯性。目前的短剧创作模式大多依赖于“手动抽卡”：在文本模型中撰写剧本，在 Midjourney 中通过垫图尝试，最后将素材丢进视频模型等待结果。
创作痛点： 角色在不同镜头间频繁“变脸”（人物漂移），导致创作者不得不维护庞大的提示词表格，在各个工具间反复复制粘贴，将高效的 AI 创作变成了低效的“赛博打螺丝”。
Jellyfish 旨在打破这种割裂感。作为一个开源项目，它不开发底层模型，而是构建一套集成工作流，尝试将剧本创作、分镜设计、角色资产管理、视频生成与后期剪辑串联在同一套逻辑之下。
核心逻辑：如何解决人物漂移与流程割裂？
Jellyfish 的核心思路是将视频创作“积木化”，通过强化资产复用逻辑来降低随机性：
- 全局风格锚定： 在项目创建阶段锁定统一的风格与种子值，最大限度减少分镜间的视觉偏差。
- 双层资产库管理： 将预设的角色形象、关键装备存入资产库并打标签。后续调用时直接检索标签，无需重复编写冗长的 Prompt。
- 精细化分镜控制： 提供更直观的分镜编辑能力，例如支持为首尾关键帧独立设置提示词，提升画面转场的精准度。
适用环境与模型接入：
Jellyfish 不提供算力支持，用户需自备 API Key。其设计支持文本端对接 OpenAI、Claude 等模型，视频端则兼容 Kling、Runway、Luma 等主流服务。
Jellyfish 不提供算力支持，用户需自备 API Key。其设计支持文本端对接 OpenAI、Claude 等模型，视频端则兼容 Kling、Runway、Luma 等主流服务。
技术部署与避坑指南
对于希望通过源码部署的开发者，Jellyfish 的界面框架和模型管理模块已可运行，但在前后端联调阶段需注意以下细节：
关键步骤：同步前端接口
由于前端请求基于后端的 OpenAPI 规范自动生成，若启动后出现接口报错，请先确认后端在
由于前端请求基于后端的 OpenAPI 规范自动生成，若启动后出现接口报错，请先确认后端在
8000 端口正常运行，随后在前端目录下执行 pnpm run openapi:update 以更新类型文件。注意事项： 根据官方 Roadmap，核心的分镜渲染链路仍处于开发中，且目前没有提供一键部署包。该项目现阶段更适合技术团队研究架构方向，尚未达到商业生产环境的成熟度。
商业视角：流程优化的经济价值
在高阶视频模型计费昂贵的今天，依赖“盲试”的创作方式会导致极高的废片率，直接推高生产成本。
价值核心：成本控制
这类工作流工具的真正意义在于通过“编排”减少无效调用。如果参考图复用和分镜管理能顺利落地，将显著降低批量生产团队的试错成本。
这类工作流工具的真正意义在于通过“编排”减少无效调用。如果参考图复用和分镜管理能顺利落地，将显著降低批量生产团队的试错成本。
🚀 资源获取通道
免责声明： 本文介绍的 Jellyfish 项目仅供技术研究与架构探讨。该项目处于早期开发阶段，非成熟商业工具。使用时请遵守原作者开源协议，并确保调用的第三方 API（如 Kling、OpenAI 等）符合当地法律法规及服务条款。
正文完
