问题的本质：为什么AI视频里的“同一个人”总是会变脸
几乎每个做系列短片的创作者都经历过同一个场景：第一集的主角很满意，第二集重新生成，脸型、发色、年龄感全变了，观众立刻出戏。很多人第一反应是“模型不行”，于是不断换模型、换平台、加长提示词，结果只是把漂移换了一种表现形式。真正的原因往往不在模型强度，而在于我们一直在用“重新描述一个人”的方式，去试图获得同一个人的画面。
文字描述本质上是概率性的。它给出的不是一个确定的人，而是一个分布范围。只要随机种子、提示词权重、模型版本、画面构图、甚至生成时长中任何一项发生变化，采样结果就会在那个分布里随机落点。落在哪里，取决于运气；落在哪里更接近上一条镜头，取决于你为这个分布设置了多少约束。多图融合的全部意义，就是把这些约束从“文字”升级为“视觉事实”。
三种典型的一致性断裂
面部漂移：五官结构大体还在，但脸型、眉眼距离、鼻梁高度、年龄感在镜头之间轻微变化。单帧截图看不出来，连起来播放就像中途换了个演员。这类断裂修复成本最高，因为它直接触碰身份特征，后期几乎无法补救。
服装与道具漂移：颜色偏差、材质变化、配饰消失。角色穿的那件深蓝色羊毛大衣，在第三个镜头里变成了黑色风衣；第二集戴的细框眼镜，在第五集没了。观众对服装的记忆力远比我们想象中强，尤其是当服装本身承担了叙事功能时。
风格漂移：人物身份勉强保住了，但光影方向、质感颗粒、镜头语言在镜头之间跳变，从写实忽然滑向插画感，或者从冷调忽然变暖调。风格漂移最容易被忽略，因为它不会让人“出戏”，但会让整支片子看起来廉价。
这三种断裂的修复路径完全不同。面部漂移必须回到生成阶段解决；服装与道具漂移可以通过统一的参考图加后期调色缓解；风格漂移通常最容易解决，因为它主要依赖光源描述和后期色彩统一。判断清楚自己遇到的是哪一类，能省下大量无效试错。
单张参考图为什么不够
用一张正面证件照做参考，模型能学到的东西非常有限：它知道这个人正脸长什么样，但不知道这个人的侧脸轮廓、不知道在侧光下肤色如何变化、不知道微笑时眼角的走向、不知道发型在运动中的体积感。当分镜要求一个四分之三侧脸的低角度镜头时，模型只能靠猜，而猜的结果就是漂移。
更麻烦的是，单张参考图还会把那张图里的偶然因素一起学进去。如果那张图是暖光拍摄的，模型可能会把暖调当成这个人的固有属性；如果是低分辨率截图，模型可能会把模糊当成风格。多图融合的第一层价值，就是用多样性冲淡单张图里的偶然性。
多图融合到底在做什么
理解了问题，再来看方法就会清楚很多。多图融合不是一个神秘的按钮，它解决的是“如何把身份从画面中抽象出来，再稳定地放回新画面”这件事。
从像素到身份向量
模型并不真的“记住”一张脸。它把每一张参考图编码成一组高维特征，而多图融合做的事情，是把多张图编码后的特征做对齐、加权与合并，得到一个更具代表性的身份锚点。你可以把它理解成一张看不见的“合成证件照”：它综合了所有参考图的信息，同时抹掉了单张图里的偶发因素，比如某一张光线偏黄、某一张表情过于夸张、某一张角度太偏。
正因为身份是以特征形式存在的，它才可能跨模型、跨风格、跨场景地复用。这也是为什么“先把角色做扎实，再去做分镜”这条顺序如此重要——身份锚点建立得越稳，后面的每一步返工就越少。
关键帧控制与运动生成的分工
身份锚点负责回答“是谁”，关键帧负责回答“在第几秒、做什么动作、站在哪里、用什么景别”。把关键帧当作分镜里的路标，让视频模型在路标之间补足运动，比让模型自由发挥要稳定得多。
实践中最可靠的顺序是：先确定关键帧的构图和身份，确认无误后再让运动模型在关键帧之间插值。反过来做，先让模型自由生成运动片段，再试图把角色“纠正”回来，几乎一定会失败。
身份与风格之间的拉扯
任何生成模型都在做一种妥协：它既要保留参考图里的身份特征，又必须服从当前提示词里的风格要求。风格描述越多、越强烈，身份就越容易被“吃掉”。这就是为什么同一组参考图，在“电影感逆光”和“自然日光”两种描述下，产出的面部相似度可能差出一大截。
稳妥的做法是把风格描述收缩到少数几个稳定词汇上，不要每个镜头都换一套形容词。风格应该由全片统一的光线与调色决定，而不是由每个镜头的提示词决定。
输入决定上限：参考图的挑选与整理
再强的融合技术也无法从垃圾输入里提取稳定身份。参考图阶段的投入，回报率是整个流程里最高的。
五张图的黄金组合
一个经过多次验证的最小组合是：正面中性光一张、四分之三侧面一张、侧面或轻微仰视一张、带自然表情（微笑或说话）一张、半身或全身带服装一张。这五张图覆盖了角度、表情、服装三个维度，足以让模型建立起立体的身份认知。
如果角色有标志性特征——眼镜、疤痕、特定的发型分区、习惯性佩戴的饰品——至少要保证两张图里能清楚看到。标志性特征是观众识别角色的捷径，也是最值得被固定的部分。
不合格参考图的五个信号
第一，分辨率过低或经过多次压缩，边缘出现明显块状噪点。第二，面部被遮挡，包括头发、手、强阴影、口罩。第三，极端逆光或强烈色偏，模型会把色偏当成身份属性。第四，多张图其实来自同一次拍摄，角度几乎相同，多样性为零。第五，画面里混入了其他角色或大量背景人物，特征提取会被污染。
参考图的预处理清单
在正式使用前，建议统一做几件事：把尺寸和比例统一，避免模型在不同画幅间做隐式裁切；去掉水印、字幕、贴纸等干扰元素；把背景简化为纯色或干净环境，背景越复杂，身份特征的提取越容易被分散；确认所有图的年龄感与体型一致，不要混入不同角色阶段的素材；最后给每张图打上标签，注明角度、表情、服装，方便后续按需调用。
这份清单看起来琐碎，但它能避免上百次无意义的重新生成。
完整工作流：从一个角色到一支三分钟短片
下面这套流程适用于个人创作者和三到五人的小团队，可以根据项目规模按比例缩放。
阶段一：建立角色圣经
先写一份文字文档，包含：姓名、年龄区间、体型、发型与发色、肤色与面部特征、标志性配饰、常穿服装、惯用姿态、说话节奏与行为习惯。这份文档不需要文采，它是一份内部规格书。后续所有镜头提示词都从这里派生，改设定就改一处，全片同步。
很多团队跳过这一步，直接开始生成，结果在第十几个镜头时发现大家对角色长相的想象已经不一致了。角色圣经的价值不是创意，而是对齐。
阶段二：生成身份锚点与定妆图
用整理好的多张参考图生成一组定妆图——正面、侧面、半身、带表情各若干。从中挑出身份特征最稳定、最接近原设定的一张或两张，作为全片的主锚点。这个锚点将被反复复用，所以值得多花时间打磨。
判断锚点是否合格的标准很简单：把它和一个陌生人的照片并排看，你能立刻指出它属于谁；把它和参考图并排看，你认得出是同一个人。
阶段三：分镜拆解与关键帧规划
把脚本拆成镜头表，逐条标注景别、机位角度、角色动作、时长、情绪。然后只在“身份或构图发生明显变化”的地方安排关键帧：换景别、换角度、换服装、换场地、动作幅度大的转折点。
一支三分钟短片通常有二十到四十个镜头，对应三十到六十张关键帧。关键帧太密会拖慢节奏并增加不一致的概率，太疏则会让模型在运动生成时自由发挥。经验做法是：任何超过五秒的连续镜头，中间至少补一个关键帧。
阶段四：生成、回填与迭代
把关键帧按顺序送入视频生成环节，每个片段的时长控制在三到五秒，方便局部重做。生成后立刻检查身份一致性，不合格就只重做这一个镜头，而不是整片推倒重来。
这里有一个容易被忽略的习惯：每通过一个镜头，就把它的成功参数记录下来（提示词、种子、参考图组合、运动强度）。当后面出现漂移时，这些记录能帮你快速定位是哪一项变了。
阶段五：后期收敛
后期是一致性的最后一道防线，也是最便宜的一道。统一调色，让全片色温与对比度落在同一个区间；统一颗粒、锐度与降噪强度，避免有的镜头干净有的镜头糊；统一画幅比例、帧率与输出编码。很多看起来像“身份漂移”的问题，其实只是镜头之间亮度与色温不统一，观众的大脑把它误读成了“人变了”。
提示词工程：把“她”稳定地描述成同一个人
多图融合负责视觉层的约束，提示词负责语义层的约束。两者缺一不可。
结构化模板
一个可复用的结构是：主体 + 身份锚点描述 + 服装 + 动作 + 景别与机位 + 光线 + 整体风格。其中“身份锚点描述”应当被固化成一个可复制的文字块，全片所有镜头只使用这一段，一字不改。年龄、发型、肤色、面部特征这些信息一旦在不同镜头里被重新表述，模型就会把它当成新的输入。
该写与不该写
该写的是可观察的视觉事实：短发、深色眼睛、方下颌、米色针织衫、右手持伞、低角度仰拍、左侧柔光。不该写的是情绪化与主观化的形容词：“美得令人窒息”“充满故事感”“令人难忘的瞬间”。这类词不会提升画面质量，只会扩大模型的自由发挥空间，让画面在镜头之间漂移。
同理，尽量避免在同一支片子里混用多套同义词指代同一件服装。一会儿说“深蓝大衣”，一会儿说“藏青外套”，模型很可能给你两件不同的衣服。
负面约束的作用
把常见错误写进负面描述：多余的手指、面部扭曲、年龄突变、服装颜色改变、配饰消失、风格突变、画面中出现文字与水印、背景人物突然入画。负面描述不是万能的，但它能显著降低低级错误的出现频率，减少无效重做。
跨模型协作：什么时候该换模型
不同模型在身份保真、运动连贯、风格控制上的优势并不重合。要求一个模型在所有维度上都做到最好，通常只会得到处处平庸的结果。
选择模型的决策矩阵
按镜头类型分：人物近景与对白镜头优先选人脸保真强的模型；大场景运动与追逐镜头优先选运动连贯性强的模型；风格化插画与特殊质感优先选风格控制强的模型；快速草稿与分镜预览则优先选速度与成本友好的模型。
关键判断标准不是“哪个模型最好”，而是“这个镜头最怕出现哪一种错误”。怕脸变就用保真强的，怕动作抖就用运动稳的，先明确风险再选工具。
三种混合模式
第一种，单模型为主、局部补镜：全片用一个模型生成，只在个别镜头失败且多次重做无效时，换模型补那一个镜头，靠后期调色把差异压下去。适合风格要求统一、镜头数不多的项目。
第二种，关键帧统一后分发：先用同一组参考图与身份锚点把关键帧全部做出来，再分发给不同模型生成运动。因为身份信息已经锁定在关键帧里，模型只需负责运动，漂移风险大幅下降。这是目前最稳的组合方式。
第三种，分工制：用一个模型专门做定妆与身份锚点图，另一个模型负责运动生成，第三个模型负责风格化处理。这种模式效率高，但要求各环节的输出规格高度统一，否则会在交接处产生新的不一致。
一致性自评表
给每个完成的镜头打三项分：身份相似度、服装一致性、风格一致性，每项一到五分。任何一项低于四分就重做，不要抱着“后期能救”的想法放过。把评分记录在表格里，你会在十来个镜头之后发现自己的漂移规律——通常是某类角度、某个景别或某种光线描述在反复出问题。
常见故障排查清单
脸型或年龄漂移：检查参考图是否覆盖了当前机位角度；检查提示词里的身份描述是否被改动；检查是否更换了模型或运动强度；适当提高参考图与身份锚点的权重。
服装颜色变化：检查服装描述是否在多处被重复表述且用词不一；把服装信息合并进身份锚点文字块统一管理；必要时在负面描述里明确禁止改色。
配饰消失：配饰在多张参考图里是否清晰可见？如果只在少数图里出现，模型很可能把它当成偶发元素忽略掉。把它写进固定描述块，并确保至少两张参考图能明确展示。
画面闪烁或面部抖动：多出现在运动幅度大、时长过长的片段。缩短单段时长，增加中间关键帧，降低运动强度，通常能立刻改善。
整体像换了个人：先排除后期色温与亮度不统一带来的错觉；如果不是错觉，回头检查最近一次成功的镜头用了什么参数，逐项对比找出差异项。
背景元素乱入：检查参考图里是否有无关人物或复杂背景，简化参考图背景往往能一并解决这个问题。
风格在镜头之间跳变：把风格描述从每个镜头的提示词里抽出来，改成全片统一的风格基准；用同一套调色参数收口。
把一致性变成产能：节奏、资产库与协作
稳定做出一个镜头是技巧，稳定做出一百个镜头才是产能。后者依赖的是流程，而不是灵感。
批量化的节奏设计
把所有关键帧集中在一轮做完，再集中进行运动生成，最后集中审核。这种批处理方式有三个好处：同一时间段的判断标准更一致；参数调整的收益可以一次性覆盖所有镜头；发现系统性问题时，返工范围明确。
与之对应的是逐镜头“做一条看一条”的模式。这种方式前期感觉灵活，但在镜头数超过二十之后，效率会急剧下降，而且很容易在不同阶段采用不同的风格标准，最终积累出一堆无法统一的问题镜头。
资产库该怎么建
建议按项目建目录：角色文件夹存放参考图与身份锚点；提示词文件夹存放固定描述块与镜头提示词；参数文件夹记录每个镜头的成功配置；后期文件夹存放调色预设与输出规格；另设一个失败案例文件夹，专门记录踩过的坑和对应的解决方案。
失败案例库的价值常常被低估。当你第三次遇到同样的面部漂移时，能直接查到上一次是怎么解决的，节省的是成小时的时间。
小团队的分工建议
两到三人的团队可以拆成：角色与锚点负责人、分镜与关键帧负责人、生成与后期负责人。交接的凭证不是口头描述，而是文件——参考图包、提示词块、参数表。任何口头约定都会在第五个镜头之后失效。
进阶场景与处理思路
多角色同框：为每个角色单独建立身份锚点，然后在提示词中明确位置关系与前后层次。同框镜头建议减少人物数量、加大景别，让人物在画面中占据足够面积，身份特征才有空间被表达出来。
角色造型变化：换装、 aging、受伤、淋雨这类设定变化，要作为独立的“造型变体”分别建立锚点，而不是在同一个锚点里用文字临时描述。变体之间共享面部锚点，只替换服装与状态描述，是兼顾一致性与变化的最优解。
长镜头：超过八秒的连续镜头建议拆成两到三段生成，再在后期用叠化或运动衔接。硬拼接容易暴露细节差异，软衔接能让观众的大脑自动补全。
对白镜头：口型与面部细节要求最高，建议放在流程最后集中处理，此时身份锚点已经过大量镜头验证，稳定性最好。
常见问题
问：用户提供的参考图只有一张，还能做一致性吗？
可以，但上限明显降低。补救方式是用这一张图先生成不同角度的定妆图，人工筛选出合格的那几张，再用它们组成参考图集。这个“自举”过程需要多花一轮时间，但比直接在单图上做全片要稳得多。
问：参考图是不是越多越好？
不是。参考图的质量和多样性比数量重要。二十张角度几乎相同的自拍，效果往往不如五张覆盖不同角度、表情、光照的图。低质量图还会把噪点、压缩痕迹、错误光影一起带进身份特征里，形成长期难以清除的干扰。
问：为什么同一个提示词，昨天和今天生成的结果不一样？
生成结果是概率性的，模型版本、服务端负载、随机种子都可能变化。解决办法不是寻找“绝对可复现”，而是把关键参数与成功案例记录下来，形成一套可快速复现的配置。这也是参数表存在的意义。
问：能不能完全靠后期解决一致性？
不能。后期能统一色温、亮度、颗粒和画幅，能在一定程度上压缩差异，但无法把一张脸改成另一张脸。一致性必须在生成阶段解决，后期只负责收口。
问：角色一致性做好了，是不是就能做长篇？
一致性是必要条件，不是充分条件。长篇还需要节奏控制、场景连贯、声音设计、剪辑逻辑。但一致性做不好，其他一切都无从谈起，因为观众会在第一个转折点就失去信任。
问：多图融合适合哪些类型的内容？
特别适合系列短剧、品牌代言人形象、教育与解说类视频中的固定主讲人、以及任何需要同一角色反复出镜的场景。纯风景、纯产品展示类内容对它的需求则低得多。
问：需要在每个镜头上都做关键帧吗？
不需要。只在身份或构图发生明显变化的地方做关键帧，其余镜头交给运动生成。关键帧过密会拖慢节奏，也会增加单点出错后的返工量。
问：初学者最应该先练哪一步？
先练参考图整理与身份锚点生成。这两步决定了全片的上限，而且它们不依赖任何特定工具，练好之后换任何一种生成方案都能直接受益。
写在最后
角色一致性从来不是某一个功能的功劳，而是一整套流程的结果：干净的输入、稳定的身份锚点、克制的提示词、合理的关键帧规划、清醒的模型选择，以及不妥协的后期收敛。任何一环松动，最终都会体现在观众看到的那一秒出戏上。
如果你的项目目前问题很多，不要急着换工具，先按本文的顺序回头检查一遍：参考图是否覆盖了足够的维度？身份描述块是否全片统一？关键帧是否放在该放的位置？镜头之间的色温与亮度是否一致？大多数时候，答案就藏在这四个问题里。把这些环节固定成可复用的模板和资产库之后，你会发现稳定产出不再依赖运气，而是一套随时可以启动的生产流程。
