为什么角色漂移是 AI 视频的第一号敌人
很多创作者第一次做 AI 短片时，会先被模型的画面质感震住，然后被同一个问题浇灭热情：主角在第二个镜头里变成了另一个人。眼睛形状变了，鼻梁塌了，发际线后退了，连衣服上的纹样都换了一套。观众不会去分析这是模型随机性导致的，他们只会觉得这片子不专业，然后划走。
角色漂移之所以顽固，是因为它的成因并不单一，而是三个层面叠加的结果。
模型层面：扩散模型的每一次去噪都是概率采样。即使提示词完全相同，噪声种子不同，像素级结果就会不同，而面部这种高频细节最容易先崩。
镜头层面：当景别从特写切到全景、光照从室内暖光切到户外逆光、角度从正面切到侧后方时，模型能参考到的身份信息急剧减少，它会开始猜。
流程层面：多数人用单张参考图开工，而且这张图往往分辨率不够、角度单一、画质有压缩痕迹。
把这三层问题分开看，就知道单靠把提示词写得更详细是治不好的。提示词是文本模态，它擅长控制服装、场景、构图、氛围，却几乎无法描述清楚这个人长得像谁——因为人脸的可辨识度建立在三维几何和微妙的纹理分布上，而不是几个形容词。
真正的解法是给模型一个稳定的、可复用的身份参照系。这正是多图融合思路要解决的问题：不是让模型每次从零猜测角色长相，而是先从多张参考图里提取出一个固定的身份表达，再让每一次生成都向这个表达对齐。
对个人创作者来说，这意味着不必再做一次性的抽卡；对小团队来说，这意味着角色可以被当作资产管理起来，跨镜头、跨项目、跨模型复用。这才是 AI 视频从演示走向生产的分水岭。
多图融合的原理：从单图参考到身份锚点
单图参考的三重局限
单张参考图看起来省事，但它同时踩了三个坑。第一是信息量不足：一张正面证件照无法告诉模型侧脸的下颌线走向，一张侧脸照无法提供眼睛的间距。第二是噪声污染：你选的那张图里的光照、妆容、表情、镜头畸变，都会被模型当成角色身份的一部分忠实模仿。第三是风格纠缠：如果参考图是插画风，模型会把插画风和这个人绑在一起，当你想换成写实渲染时，角色长相也跟着变。
身份表达与风格解耦
多图融合的核心做法，是把「是谁」和「长什么样」拆成两个可控变量。
系统会扫描你上传的多张参考图，提取其中相对不变的特征：面部几何结构、五官比例、肤色基调、眼睛颜色、发色与发质、标志性配饰、服装主色与纹理走向。这些特征被压缩成一个高维的身份表达，可以理解成这个角色的数字指纹。
关键在于解耦。身份表达只负责回答「这是同一个人吗」，而风格提示、模型选择、光照描述负责回答「这个人在什么环境里、用什么视觉语言呈现」。二者分离之后，你才能在保持角色不变的前提下自由切换写实、胶片、油画、赛璐璐等不同渲染风格。
参考图数量与融合权重
不是图越多越好。实践中，三到八张覆盖不同角度的干净参考图，效果通常优于二十张角度雷同的图。原因在于冗余信息会稀释有效信息的权重，而重复角度不会带来新的几何信息。
一个实用的配比是：正面中性表情一到两张；左右四分之三侧脸各一张；完整侧脸一张；略仰或略俯一张；全身或半身一张，用于记录体型比例与服装。
如果某一个角度特别重要，比如你的故事里有大量侧面镜头，可以给它增加一张，但不要用几乎一样的图重复堆叠。融合权重的意义在于让系统知道哪些特征值得被优先固定。
为什么要对抗视觉噪声
每一次生成都会引入随机噪声。单图参考时，身份信息和噪声混在一起，模型无法区分哪部分是这个人，哪部分是这一帧的偶然。多图融合通过交叉比对，把在多张图中反复出现的特征标记为稳定信号，把只在某一张图里出现的特征标记为可选变量。这种统计意义上的共识，就是对噪声最直接的抵抗。
参考图采集规范：素材质量决定上限
角度与光照矩阵
如果条件允许，拍摄或挑选参考图时遵循一个简单矩阵：在同一中性光照环境下，围绕角色转一圈，间隔取四十五度左右。如果无法控制光照，至少保证每张图的光比接近，避免一张是强烈顶光、一张是柔和窗光。
光照一致性比角度数量更重要。混入极端光照的参考图，会让模型把脸上有硬阴影当成角色特征之一，结果就是在所有后续镜头里给你加上不必要的阴影。
服装与配饰分层记录
角色一致性不只是脸。服装是观众识别角色的第二大线索，尤其在远景和背影镜头里，服装几乎是唯一线索。
建议为每个角色建立一份文字档案，写清楚主服装的版型、材质、主色与辅色；固定配饰，例如眼镜、耳环、项链、帽子、纹身；发型细节，例如长度、分缝方向、刘海形状；以及标志性道具，例如武器、包、乐器。
档案的作用是在提示词里快速复用，也是在生成结果偏离时快速定位问题。如果第三个镜头里项链不见了，你立刻知道是提示词漏了，还是模型权重压过了服装信息。
常见素材错误
用带水印或压缩痕迹严重的网图，会让模型把水印纹理学进身份里。用不同人的照片凑数是最致命的错误，它会导致身份表达平均值化，生成一张谁都像又谁都不像的脸。重度美颜或滤镜图会抹掉真实的皮肤纹理信息，模型只能靠猜。全部是特写则缺少半身和全身参考，体型比例会漂移。混入大笑、皱眉、眯眼这类表情极端图，会污染面部几何。
一句话原则：参考图要像证件照一样干净，但要像写真集一样多样。
实战工作流：从角色档案到成片
第一步：建立角色档案
在动任何生成之前，先花二十分钟做档案。档案包含三部分：身份参考图集、文字描述卡、负面清单。
文字描述卡控制在六十到一百字，覆盖年龄区间、面部特征、发型、服装、气质。负面清单记录你不想要的东西，比如不要浓妆、不要络腮胡、不要金发。这份档案会成为你后续所有镜头的复用基础。
第二步：首帧生成与身份校验
先用身份参考图加文字描述卡生成一张角色定妆照。这一张是整个项目的基准帧，不要急着做视频。
校验标准很简单：把它和参考图并排放，问自己三个问题——脸型是否一致？五官比例是否一致？气质是否一致？如果有明显偏差，调整参考图集或描述卡，重新生成，直到定妆照通过。这一步偷懒，后面每个镜头都要加倍偿还。
第三步：镜头级生成与锚点复用
定妆照通过后，把身份参考图集固定下来，在每一个镜头的生成中都引用同一套表达。写提示词时采用固定骨架：
身份表达 + 角色外貌描述卡 + 镜头信息（景别、角度、焦段） + 动作 + 环境与光照 + 风格
镜头的差异只体现在后半段。身份部分永远不改，最多根据景别做微调：特写时强调面部细节，全景时强调体型与服装轮廓。
生成顺序建议从简单到复杂：先做静态中景，再做特写，最后做有大幅度动作和复杂运镜的镜头。因为复杂镜头的漂移概率最高，你需要前面已经验证过的参数作为参照。
第四步：图生视频与兜底
从静帧生成视频时，优先选择能锁定首帧的图生视频模式，让首帧作为身份锚点。如果某个镜头仍然漂移，依次尝试：
- 降低动作幅度，把一个大动作拆成两个小动作。
- 提高首帧权重，减少模型自由发挥空间。
- 缩短单段时长，用剪辑而不是长镜头来表现。
- 换用对身份保持更友好的模型重做这一镜。
最后一道保险是剪辑层：如果某个镜头只有一两秒的轻微漂移，用快速剪辑、切镜或局部遮罩处理掉，观众根本不会察觉。追求每一帧完美是资源浪费，追求成片可信才是目标。
不同模型类型的一致性策略
写实类模型：身份锁定优先
写实模型对皮肤纹理、毛孔、毛发细节的还原度高，这既是优势也是风险——它会把参考图里的每一处瑕疵都放大。用这类模型时，要严格筛选参考图，剔除有妆感、有强滤镜的图。
提示词上要克制。写实模型对电影感、胶片颗粒、柔光这类词很敏感，堆叠过多会侵蚀身份信息。建议把风格描述压缩到一到两个词，把预算留给动作和镜头描述。
风格化与二次元模型：风格迁移与身份锚定
风格化模型的挑战正好相反：它天然倾向把一切推向自己的风格库，你的角色很容易被画风同化。这时要做两件事。
第一，提高身份表达的权重，让造型线条、五官比例、发型轮廓优先于风格倾向。第二，在参考图里加入一到两张该风格的图像，让系统知道这个角色在这个画风下应该长什么样，而不是让模型自己猜。
如果是二次元项目，建议先用角色设计稿确定三视图，即正面、侧面、背面，再拿这三视图作为身份参考，效果远好于用完成插画当参考。
可控类模型：关键帧优先
支持关键帧或骨骼控制的模型，最优路径是先控制后生成。把动作拆解为关键姿态，逐帧确认身份没有偏移，再让模型补间。这样做的成本略高，但可控性最强，特别适合有明确分镜设计的商业项目。
核心判断标准只有一个：这个模型是否允许你显式地钉住某一帧的身份信息。如果可以，永远优先用它处理角色出现的核心镜头。
提示词工程：把身份约束写进指令
提示词不是越长越好，而是要分层。
第一层是身份层，描述不可变特征：年龄、脸型、五官、发色、发型、标志性配饰。这一层在项目内保持完全一致，逐字复制。
第二层是造型层，描述本镜头的服装与状态：是否受伤、是否淋雨、衣服是否换了。这一层可以变，但要明确写出来，否则模型会自由发挥。
第三层是镜头层，描述景别、角度、焦段、运镜。措辞要具体，中景、略低角度、浅景深比有电影感的画面有用得多。
第四层是环境与风格层，描述时间、天气、地点、光照方向、整体色调。
一个常见错误是把风格词放在最前面。模型对提示词开头的内容通常更敏感，把电影感杰作超高清放在第一位，等于让风格压过身份。把身份描述放在开头，风格放在结尾，是目前最稳的顺序。
另一个技巧是使用负向描述明确排除项。不要胡须、不要眼镜、不要改变发色这类负向约束，在跨镜头生成时能显著降低漂移率。
还有一个容易被忽略的点是标点与断句。过长的连续描述会让模型无法判断哪几个词属于同一组特征。用逗号把身份描述、造型描述、镜头描述分隔开，模型更容易正确分配权重。
动作连贯与跨镜头衔接
静态一致性解决了长得像，动态一致性解决动得像同一个角色。
角色的运动方式也是身份的一部分。一个沉稳的角色不会突然变得蹦跳，一个优雅的角色不会突然步态僵硬。建议在档案里加一条动作气质描述，比如步幅适中、转身时习惯先转头。
跨镜头衔接有三个实用手法。
一是同轴切换。相邻镜头保持相机轴线大致一致，观众的空间感不被打断，模型也更容易继承上一镜的姿态信息。
二是重叠帧。让两个镜头在时间上有半秒到一秒的重叠画面，剪辑时把重叠部分作为过渡，身份的细微差异会被运动模糊掩盖。
三是动作拆解。不要试图用一个提示词让角色完成起身、走到门口、开门、回头这一整套。拆成四个镜头，每个镜头只做一件事，成功率会大幅提升，而且剪辑节奏更好看。
如果项目里有大量对话镜头，建议用固定的机位模板：正打、反打、过肩。同一套模板反复使用，不仅提高效率，也天然降低一致性风险。
另外，动作连贯还包括道具的连贯。角色手里的杯子从左手换到右手、武器从长变短，观众会立刻注意到。把道具状态写进镜头清单，和服装一样逐镜核对。
质量验收：一致性打分与人工复核
生成完成后，不要凭感觉判断。建立一套简单的验收流程。
第一轮：逐帧筛查。 把每个镜头的首帧、中间帧、末帧抽出来并排比较，重点看眼睛间距、鼻梁宽度、下颌线、发际线、服装主色。这五处是最容易漂移的地方。
第二轮：并排对比。 把所有镜头的角色截图裁成同尺寸，横向排列成一条条带。人眼对横向排列的差异极其敏感，漂移会立刻暴露。
第三轮：动态预览。 按成片顺序播放，以正常速度看一遍，再以零点五倍速看一遍。正常速度检验观众会不会出戏，慢速检验技术细节是否达标。
给每个镜头打一个一到五分的身份相似度分，低于三分的必须重做。这套打分不需要多精确，它的价值在于让团队对可接受有统一标准，避免反复争论。
最后提醒一点：验收要在一个中性色的显示器环境下做。在偏黄的屏幕上调色，换到别人的设备上肤色会全变。
常见失败模式与排查清单
症状一：脸型一致但五官位置轻微偏移。 通常是参考图角度覆盖不足，尤其是缺少四分之三侧脸。补图即可。
症状二：远景正常，特写崩坏。 特写对细节要求最高，但你的参考图分辨率不够。换成高清原图，或在特写镜头里额外增加一张近距离参考。
症状三：只有某个镜头漂移。 优先检查该镜头的提示词是否漏写了身份层，或者风格词写得过重。其次检查动作幅度是否过大。
症状四：不同镜头之间色调跳变。 这不是身份问题，是光照描述不一致。统一在提示词里写明光源方向和色温。
症状五：角色总是带着参考图里的表情。 参考图表情太强烈。换成中性表情的图，并在提示词里明确写出本镜头的情绪。
症状六：服装细节每次都变。 服装描述太笼统，比如只写了深色外套。要写到具体程度：颜色、材质、版型、纽扣数量、是否有腰带。
症状七：多人场景里角色特征互相污染。 给每个角色分配独立的身份表达，并在提示词里明确各自的屏幕位置，比如左侧为角色甲，右侧为角色乙。必要时拆成单人镜头，后期合成。
排查的原则是从最可能、最容易改的地方开始：先看提示词，再看参考图，最后才换模型。多数问题在提示词层面就能解决。
FAQ
参考图必须是真实照片吗？插画可以吗？
可以，但要保持同一来源。如果你的角色是原创插画角色，就用同一套设计稿的多角度图。混用照片和插画会让身份表达变得模糊。
一个项目里可以有几个主要角色？
技术上不设限，但管理成本随角色数量上升。建议个人项目控制在两到三个主要角色，每个角色都有完整档案。次要角色可以用更简化的方式处理，甚至只出现在背影和远景里。
角色一致性做好了，还需要做后期吗？
需要，但重点不同。一致性再好，色彩、节奏、音效仍然决定成片质感。建议预留时间做统一调色，把所有镜头拉到同一色温基准上，这一步对看起来像一部片子的贡献极大。
为什么换一个模型后角色就变了？
因为每个模型对身份表达的理解方式不同。换模型后，先用定妆照重新校准一次，确认新模型能正确还原角色，再批量生成。不要拿新模型直接跑完整片。
身份参考图需要多久更新一次？
当角色的造型发生永久性变化时，比如换发型、受伤留疤、服装升级，就应该建立一个新的身份表达分支，而不是在原有基础上打补丁。这样你还能随时回到旧版本重做镜头。
一致性做到什么程度算合格？
一个实用标准是：把成片给没看过参考图的人看，问他觉得这是不是同一个人。如果答案是肯定的，就合格了。技术指标服务于观众感受，观众的直觉才是最诚实的评分。
预算有限时，优先投入哪一环？
优先投入角色档案和首帧定妆。这两步的边际收益最高，几乎决定了后面所有镜头的成败。至于更贵的生成模型和更长的渲染时间，可以等到分镜和提示词都稳定之后再考虑。
