为什么传统视频工具做不好长篇连续短剧
在生成式视频技术爆发的背景下，大部分创作者仍被困在单镜头抽卡与碎片化生成的泥潭中。市面上多数工具仅能解决单次生图或短视频生成，但在面对具备强叙事连贯性的短剧时，角色脸部漂移、服化道前后割裂、镜头提示词难以追溯等痛点极为严重。面向短剧与微短剧制作的开源端到端工作空间 Jellyfish（AI Short Drama Studio）的推出，正是为了将割裂的生成环节整合成工业级流水线，系统化解决AI短剧在剧本结构化拆解、多镜头一致性维系以及批量生成编排中的核心工程难题。
Jellyfish 的定位并非普通的单一多模态生成外挂，而是一个以生产资产为核心的工作台（Production Workspace）。它将剧本分镜、候选资产、对白、镜头提示词与生成任务全部资产化与可复用化，让整个创作链路从灵感输入到母带导出形成闭环可追溯的数据流。
https://github.com/Forget-C/Jellyfish
Jellyfish与传统单镜头AI生成模式横向对比
为了帮助影视创作者、MCN 团队以及独立制作者看清工具底层差异，我们将 Jellyfish 的全流程工作流与传统散点式 AI 工具链进行了全方位参数对比：
核心考量维度Jellyfish 结构化短剧工作空间传统散点式生图/生视频工具组合资产一致性管理内置集中化角色、场景、道具与服化道共享实体模型依赖人工反复喂图与提示词工程，极易发生风格与面部漂移剧本到分镜链路AI 自动拆解章节为镜头，智能提取人物、道具及对白候选需人工手动复制分段并在外部文档做标记整理异步生成与调度统一全局异步任务中心，支持状态追踪、中途取消与断点恢复多网页并行生成，任务状态分散，难以监控单镜头耗时系统架构与扩展前后端分离，开放式 OpenAPI 驱动契约，支持自建模型管理封闭 SaaS 体系，无法灵活接入自定义私有部署模型网关成片协作交付镜头准备状态与生成状态解耦，支持团队分工审核确认缺乏预检流程，单次生成废片率高，协作成本昂贵
Jellyfish核心工作流的三大支柱
系统围绕现代剧组的实际编排逻辑，构建了高内聚的三个阶段流程：
一、AI剧本理解与镜头级候选拆解
工作流的第一步是以章节（Chapter）为单元载入剧本文案。内置的语言模型引擎能够深入解析剧情脉络，自动执行以下自动化动作：
剧本拆镜头：按叙事节奏切分为独立 Shot，并提取关键对白与情绪氛围；实体候选捕捉：自动识别并标记角色（Characters）、场景（Scenes）、道具（Props）与服装（Costumes）；智能核验与调优：在分镜前自动运行剧本一致性检查、台词精简与人物小传分析，将粗糙文学稿转化为工程可落地的镜头清单。
二、资产确权与镜头准备度工作流
在真正启动昂贵的生图与生视频任务前，Jellyfish 引入了严谨的准备确认环节。创作者可以对提取出的候选资产进行采纳、忽略或关联已有资产库中的经典形象，强制推行命名排重以最大化复用已有模型资产。只有当关键帧参考图、对白、提示词均被人工或算法标定就绪后，镜头才会流转至 Shot Ready 状态，从而避免了无效算力浪费。
三、镜头编排与全局统一异步任务中心
进入生成工作区后，系统支持关键帧管理、参考图挂载与镜头级视频提示词实时预览。无论是文本优化、单张关键帧渲染还是视频批处理，所有长周期计算均接入统一的全局异步任务体系。创作者可以在控制台直观查看任务进度、耗时与执行结果，并支持一键取消或上下文快速跳转回关联的镜头节点。
Docker Compose极速私有化部署实操
Jellyfish 提供了高度封装的容器化配置文件，底层依赖 MySQL、Redis 与 RustFS 存储，开发者只需几个步骤即可在本地或工作站拉起整套微服务：
第一步：配置运行环境变量
进入部署目录并根据示例模板生成生产环境配置：
cp deploy/compose/.env.example deploy/compose/.env
第二步：构建并启动容器集群
执行标准构建与编排命令：
docker compose –env-file deploy/compose/.env -f deploy/compose/docker-compose.yml up –build
服务启动后默认暴露以下端口与入口：
前端工作台 WebUI：访问 http://localhost:7788；后端核心服务与 OpenAPI 文档：访问 http://localhost:8000/docs；RustFS 对象存储服务：访问 http://localhost:9000；数据库与缓存：MySQL 监听 3306 端口，Redis 监听 6379 端口。
第三步：前端契约同步与本地二次开发
如需进行前后端深度定制，后端支持使用现代化管理工具 uv 进行依赖同步（uv sync && uv run uvicorn app.main:app –reload）；前端基于 pnpm 构建，修改后端数据模型后，仅需在前端目录执行 pnpm run openapi:update，即可通过 front/openapi.json 自动重新生成类型与客户端请求接口。
工业化落地的三大避坑准则
在运用此类 AI 工作台进行大规模短剧产出时，需要建立以下工程化心智：
先建资产库，后开分镜槽：切勿直接在空白镜头中无休止地临时生成新角色。先在资产中心将核心主角、反派与主场景的参考立绘定稿锁定，再通过镜头实体绑定进行引用，才能从根本上扼杀跳戏失真。区分「已就绪」与「正在生成」状态：严格遵循状态机规则。在批量下发生成任务前，务必对全章节镜头的提示词参数与画幅预设进行单镜头预检（Pre-check），防止大批量失败造成 API 账单激增。善用异步中心做故障隔离：长时间运行的文生视频请求受制于网络与上游 API 吞吐，如果偶发超时或丢包，直接在全局任务看板中执行单个重试，无需重置整个章节序列。
