很多人对"AI 做短片"的理解，还停在输入一句话、等模型吐出一段几秒钟的动画。真到要交付一条有真人出镜、有镜头语言、能连着讲完一件事的短片时，问题立刻暴露：人物脸在镜头切换之间对不上，光影前后不一致，配音和口型错位，素材拼起来像幻灯片。这门课针对的正是这道坎——它不是教你玩生成玩具，而是把 Azure 上的 AI 能力接进真人短片的实际制作流程里。

先看清自己缺的是哪一块

把"用 AI 做真人短片"拆开，能力缺口大致分布在四个位置，你可以对号入座：

平台侧：不熟悉 Azure AI 相关服务的调用方式，不知道怎么把语音、视觉、生成类能力串成一条管线，只能一个个孤立地试。
生成侧：会写提示词，但控制不住角色一致性——同一个主角在不同镜头里换了张脸，服装、发型、年龄跟着漂移。
制作侧：不懂分镜和剪辑节奏，生成的片段单独看还行，连起来就散，观众三秒就划走。
合规侧：真人肖像、声音克隆、素材版权这些边界不清楚，做出来的东西不敢用、不敢发。

这四块里，任何一块空着，成片质量就卡在"能看"而不是"能用"。课程的价值在于把这些环节放到同一条工作流里讲，而不是各讲各的。

真人短片和纯 AI 动画，难在哪

纯生成的动画片，观众对画面瑕疵的容忍度相对高；一旦涉及真人形象，标准立刻变得苛刻。人脸稍有畸变、眼神不对、说话时下颌运动不自然，观感就崩了。所以这门课的重点不是"生成得多炫"，而是"怎么把 AI 产出嵌进真人素材里还不违和"：口型与语音怎么对齐，换脸或换声之后怎么保持身份稳定，实拍镜头和生成镜头之间怎么统一色调与景别。这些是做过片子的人才会追问的细节，也是自学最容易绕不过去的地方。

另一层难点在连续性。一条两分钟的短片可能涉及十几个镜头，每个镜头的角色状态、服装、光线、场景都要能接上。这就要求你在动手前先把角色设定和分镜固定下来，再让 AI 去填内容，而不是边生成边想。课程里对这块的处理方式，值得重点看。

配套练习该怎么做才算数

光看演示不会形成手感。建议按下面的顺序推进，每一步都要求有可检查的产出：

先用一段 15 秒的单镜头练手：一句台词、一个真人形象，把语音生成、口型对齐、画面对齐跑通一遍，确认管线没有断点。
再做三镜头串联：同一角色、不同景别、不同场景，专门检验一致性。这一步最容易翻车，翻车的地方就是你要补的知识点。
最后做一条 60 到 90 秒的完整短片，带开场、推进、收尾，自己配字幕和音效。做完回看，逐帧找穿帮。

练习过程中把每次的参数、提示词、失败原因记下来。这套记录比课程本身更值钱，因为它对应的是你自己的项目类型。

学完之后，你应该能回答这些问题

给定一个短片脚本，你能判断哪些镜头适合用 AI 生成、哪些必须实拍，边界依据是什么？
角色在不同镜头间保持一致，你手上具体有哪几个可调的控制手段？
配音、口型、画面三者对不齐时，你的排查顺序是什么？
一条成片从素材到输出，中间有哪些环节是可以批量化的，哪些必须人工介入？
涉及真人形象和声音时，哪些做法有合规风险，替代方案是什么？

如果这几个问题你现在答不上来，说明缺口确实在这个位置上。带着问题去看，比从头顺着看效率高得多。