很多人第一次接触文生图，是把它当成"许愿机"：输入一句话，等几秒钟，拿一张好看的图。但要拿它去做漫剧、短剧或动画，你会发现很快就卡住——上一张图里的主角，下一张换个角度就变了脸；构图不听使唤；放大之后手指糊成一团。问题不在工具，而在于"能发朋友圈的单图"和"能进生产流程的插画"是两回事。
这篇文章面向零基础读者，讲清楚从零起步需要补哪些认知、走哪些步骤，以及哪些坑一踩就得返工。
一、先明确标准：什么叫"能用"的插画
一张图要进入漫剧或动画流程，通常要同时满足四点：
- 一致性：同一个角色跨越多张图，脸型、发型、服装、配色要保持稳定。
- 可控性：构图要服从分镜，机位、景别、人物朝向、画面留白都得按剧本走。
- 可用分辨率：放大后五官和手部不能崩，边缘要干净。
- 权利清晰：训练素材来源、生成过程记录、是否模仿特定IP或特定创作者风格，都要说得清。
零基础最容易忽略的是前两点，而它们恰恰是商用和自娱的分界线。
二、动手前的准备：把"感觉"翻译成语言
文生图的核心能力，其实是把你的审美拆成可复用的词。
做法一：建立风格锚点。 找三到五张风格统一的参考图（自己拍摄、已授权或公共领域素材），逐张写下它为什么好看：线稿粗细、上色方式、明暗对比、主色调、材质质感。这些词会组成你的风格描述块，之后每张图都带着它。
做法二：建立角色档案。 把主角的正面、侧面、背面各做一张基准图，记录身高比例、发色瞳色、服装分层（外套／内搭／配饰）、标志性细节。同时写一份提示词模板，固定不变的部分永远不动，只改动作和场景。
做法三：掌握提示词的结构。 大致顺序是：主体＋动作＋服装＋场景＋光线＋镜头＋风格＋画质描述。先写清"画什么"，再补"怎么画"。同时准备一组负面描述，用来压制多指、肢体错乱、水印、杂乱文字等问题。
三、一张分镜插画的标准流程
- 写分镜：一句话交代景别、机位、情绪和信息重点，例如"中景，略仰视，角色站在雨里抬头"。
- 批量出草图：降低精度、多出几张，只挑构图，不纠结细节。
- 收敛迭代：固定随机种子，微调描述的权重，用图生图保住已经满意的构图。
- 锁定结构：借助姿态、深度、线稿类的辅助控制手段，让人物动作和画面布局跟随分镜。
- 稳住角色：用参考图功能维持脸部与服装，局部重绘只改需要改的区域。
- 放大与修复：分块放大，针对手部、五官、金属和布料单独重绘。
- 整理归档：按人物、背景、前景分层，补齐线条、统一色调，导出便于后续动画的图层文件。
四、进入动画环节后的额外要求
静态图过关只是起点。要动起来，还需要：把会动的部分（人物、头发、飘带）和不动的部分（背景、道具）拆层；准备表情差分和口型差分，按镜头时间轴对齐；用骨骼或形变工具做补间，注意关节处的遮罩处理。很多短剧并不需要复杂动作，靠静帧配镜头推拉和节奏剪辑，也能把叙事撑住。
五、常见误区
- 指望一条描述解决所有问题，不愿拆步骤。
- 只追求单图好看，忽略角色跨图一致。
- 直接拿来源不明的素材做商用，或刻意模仿在世创作者的辨识度风格。
- 生成时忽略了水印、商标、近似知名角色的元素。
- 不留生成记录和图层，后期想改只能重做。
结语
零基础上手并不难，难的是把"随机出图"变成"稳定出片"。可行的下一步是：先做一个三十秒的测试片段，把风格、角色、分镜、动画这条链路完整跑通一遍，再考虑提高产量。遇到画面崩坏时，优先降低画面复杂度和元素数量，而不是不断往提示词里堆词。
