角色一致性的真正难点：不是画得像，而是每次都像
单条视频里，随机性是惊喜；系列内容里，随机性就是事故。第一次用文字生成视频，画面里冒出一张从未设计过的脸，那种新鲜感确实很迷人。但当你要交付的是一条六十秒的品牌故事、一套十六集的知识科普，或者一个每周更新的虚拟主播栏目时，同一张脸在第二个镜头里悄悄换成了另一个人，整个项目的可信度会瞬间崩塌。
观众对脸的记忆远比我们想象的敏感。眼距、鼻梁宽度、下颌线角度、发际线形状、眉毛与眼睛的距离，这些细节只要偏移一点点，人脑就会立刻把它标记为“另一个人”。这种偏移在行业里通常被称为身份漂移。它不会报错，不会提醒你，只是在成片里安安静静地毁掉连贯性，而你在剪辑台上才发现要把已经做好的十几个镜头全部返工。
真正的瓶颈往往不是“没有素材”，而是“没有彼此一致的素材”。很多创作者的硬盘里躺着上千张生成图，却没有四张能放进同一张角色设定表。素材荒的本质是一致性荒：能用的图不少，能互相印证、互相补充、共同指向同一个人物的图太少。
还有一个容易被忽略的隐性成本：描述漂移。当每个镜头都靠一段新的文字描述角色时，描述本身就在变。这一条写“短发”，下一条写“齐肩发”；这一条写“清冷气质”，下一条写“温柔亲和”。模型忠实执行了你的描述，于是角色也跟着变了。一致性问题的根源，有一半不在模型，而在你的工作方法。
因此，角色一致性不是“让模型画得更准”的技术问题，而是“把身份信息结构化管理”的流程问题。一旦你把它当成流程问题来解，很多玄学就会变成可以复用、可以交接、可以量产的步骤。下面我们从原理开始，一步步搭出这套流程。
多图融合的工作原理：把“身份”从图像里抽出来
单图参考的天花板在哪里
只给一张正面照，模型能锁定五官的走向，却必须以推断的方式补全你没有提供的信息。侧脸的角度、俯拍时的下颌投影、逆光下的鼻梁高光、微笑时脸颊的隆起，这些都需要模型自己“编”。编得好的时候你赞叹它聪明，编得差的时候角色就变得陌生。这就是单图参考的天花板：它提供的约束维度太单一。
三组向量：身份、外观、风格
多图融合的核心思路，是把同一角色的多张图像投影到同一个特征空间，形成三组彼此分离的约束。
第一组是身份向量，描述的是面部几何的比例关系：脸型的长宽比、眼距与眼型的弧度、鼻梁与鼻翼的宽度、嘴唇的厚薄、下颌线的锐利程度。这组信息最严格，几乎不允许漂移。
第二组是外观向量，描述的是可变但仍需稳定的部分：发型长度与质感、发色、肤色与肤质、是否有胡须、常用服装的轮廓与配色。这组信息允许在不同场景里适度变化，但变化要有理由。
第三组是风格向量，描述的是摄影与美术层面的倾向：镜头焦段感、色彩倾向、对比度、质感是胶片还是数码。这一组最容易被误当成身份的一部分。
三组分离的意义在于：当你换场景、换服装、换光线时，你只允许外观与风格向量移动，身份向量必须钉死。很多“换了衣服就换了人”的事故，本质上就是三组向量被纠缠在一起，一动全动。
参考图的选取标准
不是参考图越多越好，而是覆盖维度越互补越好。八张角度重复的正面照，效果可能不如三张角度差异明显的图。
| 参考图类型 | 主要作用 | 建议数量 | 常见错误 |
|---|---|---|---|
| 正面中性光 | 锁定五官基础比例 | 2 张 | 表情夸张导致脸型失真 |
| 四分之三侧面 | 锁定颧骨与鼻梁立体结构 | 2 张 | 只拍同一侧 |
| 正侧面 | 锁定鼻梁、下颌、耳部关系 | 1 张 | 角度不够接近 90 度 |
| 俯拍与仰拍 | 修正极端角度下的结构推断 | 各 1 张 | 透视过强导致比例被拉伸 |
| 不同光照变体 | 分离风格与身份 | 2 张 | 全部是暖色调强氛围光 |
| 表情变体 | 锁定表情肌运动方式 | 2 张 | 表情差异过大像不同角色 |
一个实用判断标准：把这组参考图并排放到屏幕上，缩小到指甲盖大小。如果它们看起来像是同一个人在不同日子拍的照片，这组图就合格了。如果其中有任何一张让你犹豫，就把它拿掉。
从零搭建角色卡：一套可复用的设定流程
第一步：写死十二项固定属性
角色的文字设定不需要文采，需要的是可执行。建议固定十二项：年龄段与视觉年龄、脸型、眉形、眼睛形状与瞳色、鼻型、唇形、下颌与下巴、发际线、发型长度与质感、发色、肤色、体型比例。每一项都写到不能被二次解读的程度，例如“视觉年龄二十八到三十二之间”比“年轻”有用得多。
再加一栏“禁用特征”，写明绝对不要出现的东西：不要络腮胡、不要戴眼镜、不要刘海中分、不要过深的眼影。生成模型没有常识，只有倾向，负向约束往往比正向描述更能稳定输出。
第二步：生成四视图与光照变体
基础四视图是正面、四分之三侧、正侧、背面。背面视图经常被省略，但一旦剧情需要角色转身走向门口，缺了这张参考，发型与后颈结构就会开始自由发挥。四视图完成后，再做光照变体：柔光、硬光、逆光各一张。
做光照变体时有一个技巧：只改光照描述，不改任何与角色有关的描述。这样你得到的差异，才是纯粹的光照差异，可以直接用来训练模型分离风格与身份。
第三步：建立目录与命名规范
一个能撑住长期项目的目录结构，通常长这样：项目名 / 角色名 / 01-identity（身份基准图）/ 02-angles（角度变体）/ 03-lighting（光照变体）/ 04-expressions（表情变体）/ 05-wardrobe（服装变体）/ 06-scenes（场景合成）/ 07-rejected（淘汰图）。
命名要能一眼看出内容，例如 char-lin-face-front-neutral-01.png。不要用“最终版”“最终版2”“真的最终版”这种命名，等你做到第二十集，没人记得哪个是真的最终版。
第四步：冻结版本
角色定稿后，给它一个版本号，把这一组参考图封存。之后的每一集都只从这组里取图，需要新角度时先补进这组、再统一复查，而不是临时生成一张凑合用。临时凑合是漂移的起点。
这里还有一个团队协作上的细节：把角色卡写成一份可共享的文档，包含参考图清单、固定属性列表、禁用特征列表、提示词骨架。当项目交给第二个人接手时，一致性才有机会活下来。
提示词与参考图如何分工
一个可以直接套用的提示词骨架
核心原则只有一句：把不变的部分交给参考图，把变化的部分交给提示词。
骨架大致是：主体与身份指向 + 动作 + 场景 + 景别与镜头 + 光线 + 风格质感 + 画幅。
例如：“使用参考图中的同一位成年女性角色，短发，穿深灰色高领针织衫；站在雨后的城市街道上侧身回头；中景，三十五毫米焦段；阴天柔光，地面有反光；写实摄影质感，低饱和；十六比九。”
对比一下常见的错误写法：“一位漂亮的二十五岁短发女性侧身站在城市街道回头，电影感。”这段话没有指向参考图，年龄写成了绝对数字，风格词过于笼统，模型只能靠猜。
负面提示词清单
负面提示词的价值在于堵住模型最容易走的捷径。常用的几条：面部不对称、五官模糊、多指、服装配色跳变、年龄突变、夸张滤镜、水印文字、过度磨皮、背景人物抢焦。
注意负面提示词不要写得太长。超过二十条之后，很多条目会互相抵消，效果反而不如精简清单。
权重优先级：身份大于服装，服装大于风格，风格大于场景
当预算或复杂度受限、必须砍掉某些约束时，按这个顺序砍：先牺牲场景细节，再牺牲风格质感，然后才动服装，身份永远最后动。因为观众能忍受背景从巷子换成广场，却很难忍受主角换了一张脸。
跨镜头连贯：关键帧、视线与方向
首尾帧插值法
跨镜头一致性最稳的做法，是把视频生成拆成两段。第一段用图像生成把每个镜头的首帧做出来，统一审阅，确认所有画面里都是同一个人。第二段才把这些静帧交给视频模型，做镜头内的运动。
如果某个镜头需要明确的运动路径，可以同时做首帧和尾帧，让模型在两端之间插值。这样做的好处是运动结果更可控，角色在镜头结束时仍然站在你想要的位置和姿态上，方便与下一个镜头对接。
这个流程看起来多了一步，实际上省下的是最贵的一步：重做视频。静帧阶段的修改成本比视频阶段低一个量级，把错误拦在静帧阶段，是性价比最高的一致性保险。
剪辑层面的三个衔接原则
第一，动作接动作。上一镜结尾角色正在抬手，下一镜就从抬手的中途开始，观众会自动补全中间被省略的运动。
第二，视线接视线。上一镜角色看向画面右侧，下一镜的视线方向应该延续这个方向，或者明确给出反打镜头。视线随机反转会让观众在潜意识里觉得“这段不连续”。
第三，方向接方向。遵守方向轴线，让角色在连续的两个镜头里保持在画面的同一侧。如果上一镜角色从左向右走，下一镜突然变成从右向左走，观众会以为他掉头了。
批量流程：先出全部静帧，再审片
一个经过验证的顺序是：写分镜表 → 逐个镜头生成首帧 → 整批审阅 → 修改不合格首帧 → 批量转视频 → 组装粗剪 → 局部返修。
千万不要边生成边剪。你会在做到第八个镜头时才发现第一个镜头的脸不对，然后被迫重做一遍。把所有静帧摊在同一块屏幕上看，漂移会变得非常显眼，而在单个画面里它几乎不可见。
生成方式的取舍：四条路线怎么选
| 路线 | 适用场景 | 一致性表现 | 主要代价 |
|---|---|---|---|
| 纯文字生成视频 | 概念探索、氛围镜头、无人出镜 | 弱，几乎无法锁定角色 | 返工率高 |
| 图像生成视频 | 有稳定首帧的叙事镜头 | 中到强，取决于首帧质量 | 需要前置静帧工作 |
| 参考驱动生成 | 需要多角度、多场景的角色 | 强，但需要成套参考图 | 前期准备成本高 |
| 关键帧插值 | 运动路径明确的镜头 | 很强，两端都可控 | 每个镜头要准备两张图 |
选择时问自己三个问题：这个镜头里角色的脸重要吗？我有几张能互相印证的参考图？如果重做一次，我承受得起吗？三个问题的答案基本就决定了路线。
还有一个常被低估的选项：不生成。有些镜头用背影、手部特写、环境空镜、道具特写来承担叙事，反而更高级，也彻底绕开了一致性问题。成熟的分镜会刻意安排这类“低风险镜头”来稀释高风险镜头，让整体节奏更稳。
批量生产与素材管理
当项目从三五个镜头变成三五十个镜头，管理方式就决定了成败。建议维护一张镜头清单表，字段包括：镜头编号、角色、服装编号、场景、景别、首帧文件、视频文件、状态、备注。
状态字段用有限的几个值：待做、首帧完成、已转视频、已通过、需返工。不要发明十几种状态，团队里没人记得住。
每次审片只问三个问题，简称身份三问：这是同一个人吗？服装和上一镜连续吗？光线方向和上一镜冲突吗？三个问题都过，镜头才算通过。
另外建议单独保存一个“已淘汰”目录，并且不要删除里面的图。等你做到第五集发现某个镜头需要补拍，这些曾经被否掉的图可能正好能救场。
排查清单：十个最常见的失败模式
面部漂移，越到后面越不像。 多半是参考图被悄悄换过，或者提示词里混入了与身份无关的新描述。修复方法：回到冻结版本的参考图，逐条对照提示词，删掉所有非必要的身份描述。
角色突然变年轻或变老。 提示词里写了绝对年龄数字，或者场景描述暗示了不同人生阶段。修复方法：用视觉年龄区间替代绝对数字，并在负面提示词里堵住年龄突变。
换了衣服就像换了人。 服装描述写得比身份描述还详细。修复方法：降低服装描述的权重，把服装作为单独的可变层管理，为每套服装建立编号。
光一变，脸就变。 参考图全部来自同一种光照条件，模型把光照当成了身份的一部分。修复方法：补齐柔光、硬光、逆光三种变体。
侧面镜头结构崩坏。 缺乏四分之三侧与正侧参考。修复方法：补拍或补生成角度变体，不要指望模型自己推理。
手部与肢体变形。 与角色一致性无关，但同样毁片。修复方法：构图时避开复杂手部动作，或者用局部重绘单独修手。
眼神方向混乱。 每个镜头的视线随机。修复方法：在分镜阶段就标出每镜的视线方向，生成时写进提示词。
运动导致面部拉伸。 镜头运动幅度过大。修复方法：降低运动幅度，或改用关键帧插值控制起止姿态。
背景人物抢焦。 场景描述里的人物数量没有限制。修复方法：明确写出画面中只有一位主要人物，其余为虚化背景。
风格迁移时身份丢失。 把写实角色转成插画风格时，身份向量被风格向量覆盖。修复方法：分两步走，先锁定身份做小幅风格化，再逐步放大风格强度，每一步都复查脸。
进阶技巧：光照、年龄、多人同框与局部修复
光照匹配。 同一场戏里的镜头，光源方向、色温、阴影硬度需要保持一致。建议在分镜表里为每一场戏写一行光照设定，然后每个镜头都引用这一行，而不是自由发挥。
年龄变化。 如果剧情需要角色跨越十年，不要在一开始就让模型随机老化。做法是先定好两个版本的参考图组，把“年轻版”和“成熟版”当作两个角色卡来管理，中间过渡靠发型、服装、肤色和少量皱纹描述完成。
多人同框。 两个角色出现在同一画面里，漂移风险翻倍。稳妥的做法是分别生成两个角色的单独镜头，再用合成与局部重绘把他们放到同一画面里，而不是指望一次生成同时锁住两张脸。
局部修复。 当一个镜头的九成内容都对，只有脸不对时，不要重做整个镜头。用局部重绘把脸部区域重新生成，其余部分保持不动。这是保住整体节奏最省力的方法。
角色与产品同框。 商业内容常见需求。建议先把产品的角度、材质、logo 位置也做成一套参考图，让产品和角色都成为被管理的资产，而不是每次都靠文字描述。
常见问题快速问答
问：参考图要多少张才够？ 起步建议六到十张，覆盖正面、四分之三侧、正侧和两种光照。少于四张时，侧脸与极端角度基本靠猜。
问：能不能只用一张图，靠模型自己推理其他角度？ 可以，但要接受漂移概率明显上升。如果项目只有一两个镜头，风险可以承担；如果超过五个镜头，建议补齐参考。
问：为什么我已经给了参考图，角色还是变了？ 最常见的原因是提示词里混入了与身份冲突的新描述，其次是参考图本身互相矛盾。先检查参考图是否一致，再检查提示词。
问：生成顺序应该怎样安排？ 静帧全部先行，统一审阅通过后再批量转视频。把错误拦在成本最低的阶段。
问：一致性做不好，是不是模型不行？ 大多数情况不是。同一套模型在结构化的参考图和提示词下能稳定得多。先优化流程，再考虑换工具。
问：如何处理角色的背面与转身镜头？ 背面参考图必须提前准备。转身镜头建议拆成两段生成，前段用正面与侧面参考，后段用背面参考，中间用剪辑衔接。
问：风格化内容也要做角色卡吗？ 要。风格越强，身份越容易被吞掉，反而更需要严格的参考图组和分步风格化。
问：团队协作时最容易出问题的地方是什么？ 版本失控。有人用旧版参考图，有人改了提示词没同步。用一份共享文档加统一命名规范，能挡掉八成事故。
问：多久能建立一套可复用的角色资产？ 第一次做需要半天到一天，包括角色卡、四视图、光照变体和提示词骨架。之后每一集都能直接复用，边际成本会大幅下降。
问：如果项目已经跑了一半，发现角色漂移严重怎么办？ 不要从第一集开始重做。先冻结当前版本，统一后续镜头的参考图与提示词，把新版本从头用到尾，再决定是否回头修补早期镜头。多数情况下，观众对早期的容忍度高于你的想象。
把一致性变成流程，而不是运气
角色一致性的本质，是把一次性的灵感变成可重复的资产。你需要的不只是更好的提示词，而是一套从角色卡、参考图组、提示词骨架、关键帧流程到镜头清单表的完整方法。
当你把这套流程跑顺之后，会感受到一种明显的变化：生成从“抽卡”变成了“制作”。你不再一次性消耗自己的耐心，而是在积累可以反复使用的资产。第一个项目最慢，第二个项目开始提速，第三个项目时你已经能准确预判哪个镜头会出问题、该在哪一步拦截。
最后留一个务实的判断标准：如果你能在不打开任何生成工具的情况下，凭角色卡和镜头清单就把整条片子讲清楚，那么一致性已经不再依赖运气，而是掌握在你手里了。
