在 AI 视频生成已经能稳定输出电影感画面的阶段，画质不再是最大的门槛。真正让创作者反复返工的，是同一个角色在第二个镜头里悄悄“换了张脸”：前一个镜头里她是浅金色短发、下颌线利落，下一个镜头里发色偏棕，颧骨变高，眼睛间距也微妙地动了动。单看每一帧都不错，连起来看就散了。
这种问题通常被称为“身份漂移”（identity drift）。它不是某一个工具的缺陷，而是当前生成范式的必然结果：大多数模型把一段提示词当作一个概率分布来采样，每一次生成都是重新抽签。你写“一位三十岁的女性侦探站在雨夜街头”，模型每次都从它学过的所有“三十岁女性侦探”里重新采样一次，于是每一次都可能长得不一样。
多图融合是目前应对这个问题最实用的思路：不靠文字描述角色，而是用一组参考图直接告诉模型“就是这个人”。下面的内容不绑定任何具体平台，而是把一套可以迁移到任何工具上的工作流拆开讲清楚——参考图怎么准备、提示词怎么写、镜头怎么拆、失败怎么排查、长系列怎么维护。
角色一致性为什么比画质更难
画质是单帧问题，一致性是跨帧问题，两者的难度完全不在一个量级。提升画质只需要更好的模型、更高的分辨率、更精细的采样步数；而保持一致性要求模型在几十次独立生成之间维持同一个“身份”，这在技术上等价于要求一个概率采样器在多次调用中输出高度相关的潜变量。
更麻烦的是人的视觉系统对脸极度敏感。我们对风景、室内、道具的容错度很高，一棵树多几根枝桠没人会在意；但人脸的比例只要偏移百分之几，观众立刻会觉得“这不是同一个人”。这种敏感度是进化层面的，无法通过训练观众来降低。因此角色一致性的容差窗口非常窄，远窄于风格一致性的容差窗口。
还有一个容易被忽视的因素：观众的记忆是累积的。第一集里角色的样子会被记住，第二集、第三集里任何细微变化都会被拿来对比。这意味着长系列内容对一致性的要求随时间递增，而不是递减。很多创作者在单条短视频里感觉一切正常，一旦做成分集内容，问题就集中爆发。
多图融合的原理：从静态参考到动态一致
要理解多图融合为什么有效，需要先理解普通生成的流程。模型接收文本提示词，把它编码成一个语义向量，然后从这个向量对应的分布中采样出一段视频。提示词里的角色描述只占其中一小部分权重，剩下的权重被场景、光线、风格、镜头语言分摊。角色的“身份信息”被稀释在一个很大的空间里，每次采样的落点自然不同。
多图融合做的事情是把身份信息从文本里剥离出来，单独作为一路条件输入。参考图经过编码后形成角色特征表示，在去噪过程的每一步都对结果施加约束。文字负责“做什么、在哪里、什么情绪”，参考图负责“是谁”。两路条件各司其职，冲突就少了很多。
特征锚定如何工作
特征锚定可以理解为给角色建立一套“身份坐标”。两张以上不同角度的参考图能帮助模型区分哪些特征属于这个人、哪些属于当下的光线或角度。单张正面照容易让模型把拍摄角度误当成身份特征，结果换个机位就认不出来。侧面、四分之三侧面、仰视、俯视各来一张，身份坐标就稳固得多。
为什么单张参考图常常不够
只用一张图时，模型无法判断角色的三维结构，只能依赖先验去“补”。补出来的部分在下一个镜头里可能完全不同。另一个风险是过拟合：模型把参考图里的背景、服装纹理、环境光都当成身份的一部分，导致角色只能待在那种环境里，一换场景就崩。多图可以有效稀释这些偶然特征。
参考图与提示词的权重取舍
两条条件流之间需要平衡。参考图权重太低，模型会回到“随机采样陌生人”的老路；权重太高，生成结果会僵硬、动作受限，甚至出现参考图的构图残影。实践中通常建议从中等偏高的权重开始试，再根据结果微调。如果某个镜头需要更大幅度的动作，适当降低参考强度，同时用更精确的动作描述补回来。
搭建角色素材库：一份可复用的参考图规范
素材库的质量决定了后续所有环节的上限。与其在生成阶段反复救火，不如在准备阶段花两个小时把素材做扎实。一套合格的参考图库应该满足几个硬性条件：同一张脸、同一套服装、统一的光线基调、干净可辨识的背景。
需要哪些角度与表情
建议每个角色准备六到十张参考图，覆盖正面、四分之三侧面、正侧面、略微仰视、略微俯视五个角度，外加两到三个基础表情（中性、微笑、严肃）。如果角色有标志性动作或标志性姿态，也单独拍一张，帮助模型建立动作层面的识别。
光线、背景与分辨率要求
最理想的参考图是柔和的均匀光，没有强烈的侧向阴影，没有彩色环境光染色。背景越干净越好，纯色或浅景深虚化都可以。分辨率不必追求极限，但面部区域必须足够清晰，模糊或压缩过度的图会污染特征表示。避免使用过滤镜、强美颜或 HDR 过度处理的图片，那些处理会扭曲真实的面部比例。
服装与配饰要分层管理
把“人”和“穿什么”分开管理是一个关键习惯。角色的面部参考图尽量用最简单的服装拍摄，然后单独记录每个造型的服装参数：颜色、材质、领口形状、配饰位置。这样在分镜时你只需要替换服装模块，不必重新生成整张脸。跨集内容尤其受益于这种分层思路，同一张脸可以换十套衣服而不会走样。
从剧本到成片：一套可执行的一致性工作流
把一致性当成流程问题而不是模型问题，是解决它的前提。下面这套流程在短片、广告、分集动画上都适用，可以根据项目规模裁剪步骤。
第一步：写角色圣经
角色圣经不是创作文档，而是参数文档。每个人物一页，写清楚年龄区间、面部特征关键词、发型与发色、体型、默认服装、标志性配饰，以及三到五个“不可变特征”。不可变特征指的是无论场景如何都必须保持一致的元素，例如“左眉有一道浅疤”“鼻梁右侧有一枚小痣”。这些细节是模型最容易丢失、也是观众最容易察觉的地方。
第二步：镜头拆分与景别预算
在生成之前把所有镜头列成表格，标注景别、时长、角色是否露脸、动作幅度。景别预算很重要：正面近景对一致性要求最高，远景和中景容错空间大，背影和遮挡镜头几乎可以忽略一致性。合理安排景别，可以把高风险镜头的数量压到最低。
第三步：关键帧先行
不要直接生成视频，先生成每个镜头的首帧静帧。静态图迭代速度快、成本低，可以在几分钟内确认角色长相和构图。只有首帧通过审核的镜头才进入视频生成阶段。这个习惯能省掉大量的无效算力消耗。
第四步：用首尾帧控制运动
如果工具支持首帧加尾帧的生成方式，尽量用起来。首尾帧都能看到角色清晰的正面，模型在中间的插值过程就会受到两端约束，跑偏的概率大幅下降。对于转身、回头、走入画面这类动作，首尾帧策略几乎是必备的。
第五步：批量生成与筛选
同一个镜头生成四到八个候选，不要逐个精修，先快速过一遍。筛选标准只有一条：这个角色是否和参考图是同一个人。动作不够漂亮可以通过剪辑弥补，脸不对则无法弥补。筛选时把通过的素材立刻按“角色名_场景_镜头号_版本”命名归档，避免后期混乱。
第六步：局部重绘与返修
只有小范围问题的镜头不必重生成。脸部轻微漂移可以用局部重绘修，服装颜色偏差可以通过色彩分级统一，背景穿帮可以重新合成。掌握“什么问题值得重生成、什么问题值得后期修”的判断力，是效率的分水岭。
第七步：剪辑与后期收口
剪辑阶段的一致性靠三个手段兜底：统一调色、统一颗粒与锐度、节奏控制。相邻镜头之间插入过渡或空镜，可以掩盖轻微的差异。音效和配乐的作用常被低估——稳定的声音设计会让观众下意识认为“这是同一个人”，比画面修补更有效。
提示词写法：写死不可变特征，放开可变部分
提示词的核心原则是分层：把角色身份交给参考图，把角色状态交给文字，把环境交给场景描述，互不干扰。很多创作者在提示词里塞进大段外貌描写，结果和参考图互相打架，反而制造了漂移。
具体写法上，第一段固定写角色标识（例如“角色 A，来自参考图”），第二段写动作与情绪，第三段写镜头与构图，最后单独一行写画面风格与光线。负面提示词里放“面部变形、多张脸、特征变化、换脸”这类约束，效果往往比正面描述更直接。
需要避免的三种写法：一是在同一段里混写多个角色的外貌；二是用抽象的形容词描述长相（“很有气质”“看起来很特别”）；三是每次生成都改写角色描述。角色描述一旦确定，就应当冻结成一个模板，所有镜头复用同一段文字。
常见失败模式与排查清单
身份漂移
表现是发色、脸型、五官比例在镜头之间变化。首要排查参考图是否一致、是否包含多张不同光线或不同年龄的照片。如果参考图本身就不统一，模型只会把这种不统一放大。
服装与道具漂移
表现是领口形状变了、袖长变了、配饰消失了。排查参考图是否把服装与身份过度绑定，以及提示词是否遗漏了服装描述。把服装写进单独的常量段落，可以显著降低这类问题。
风格与色调跳变
表现是同一个场景里前后镜头色温不同、颗粒感不同。这类问题通常不是角色一致性问题，而是风格描述不一致。解决办法是在项目开始时确定一个风格锚点帧，所有生成都以它为色彩参照。
手部、动作与形变
快速动作、手部特写、复杂交互仍然是高发区。规避策略是调整分镜：用中景代替手部特写，用剪影代替复杂动作，用一个转身镜头衔接两个不同姿势的片段。
运动模糊与解析度不足
脸部在运动中变模糊，会让观众产生“换了人”的错觉。适当降低运动速度、增加帧率、缩短单镜头时长，都能缓解这个问题。
长系列内容的一致性管理
一旦项目扩展到五集以上，管理方法的重要性就超过了模型选择。建议建立三样东西：角色参数表、素材版本库、镜头复用库。角色参数表记录每个角色的不可变特征与服装模块；素材版本库按时间顺序保存每次通过的参考图与关键帧；镜头复用库收集可以重复使用的空镜、过渡镜头和背影镜头。
命名规范要在一开始就定好。推荐“项目_集数_角色_场景_镜头_版本”的结构，版本号用两位数字，旧版本不要删除，只标记为废弃。后期需要回溯时，能省下大量时间。
另外建议每集结束时做一次一致性复盘：把本集所有露脸镜头排成一列快速播放，人眼能立刻发现哪一帧不对。这种批量检查比逐帧审核高效得多，也能提前发现漂移趋势，避免问题累积到不可收拾。
工具选择、多模型协作与成本平衡
不同模型在不同维度上各有优势：有的擅长写实人脸，有的擅长风格化渲染，有的擅长大幅度运镜。原则是选定一个主模型贯穿整个项目，只在特定镜头需要特殊能力时才临时切换，切换后立刻回到主模型。频繁换模型是破坏一致性的最大人为因素。
如果必须混用模型，就在剪辑层面做统一：统一调色、统一锐化、统一噪点，让差异被风格掩盖。也可以把不同模型的输出当作不同“镜头语言”，让某类镜头固定由某个模型负责，形成规律而不是随机。
成本与质量之间的取舍需要明确标准。可以按镜头分级：A 级镜头（正面近景、叙事关键）给足生成次数与人工审核；B 级镜头（中景、对话）标准生成；C 级镜头（远景、背影、空镜）一次通过即可。分级能显著压缩总耗时，同时把资源集中到观众真正会盯着看的画面上。
常见问题
参考图到底要几张才够？ 六到十张是最实用的区间。少于此数，模型容易把偶然特征当身份；多于此数，边际收益递减，整理成本反而上升。关键是角度与光线要覆盖全面，而不是数量堆叠。
为什么参考图很清晰，生成结果还是不像？ 常见原因是参考图风格与目标画面风格差异过大，或者提示词里塞了与参考图冲突的外貌描述。先检查这两点，再考虑调整参考强度。
不同场景的服装可以完全不同吗？ 可以，只要面部特征稳定。把服装当作独立变量，用提示词控制，不要更换参考图。只有角色真正发生形象转变（例如换发型）时，才更新素材库。
长时间对话镜头怎么处理？ 拆成多个短镜头，用正反打结构衔接。单人长镜头是身份漂移的高发场景，拆解后每个片段只有几秒，稳定性会明显提升。
风格化动画和写实真人，哪个更容易保持一致性？ 通常风格化更容易，因为风格化本身就降低了面部细节的辨识精度，观众的容差更大。写实真人要求最高，需要最严格的素材规范。
生成结果里出现了两张脸怎么办？ 这属于结构错误而非漂移，直接丢弃重生成。在负面提示词里加入“多张脸、重复人物、镜像分身”等约束有助于降低概率，同时避免提示词里出现多个角色名。
能不能完全靠后期修复？ 小范围色彩与亮度差异可以修，面部结构变化修不了。把后期当作兜底手段，而不是主要方案。
怎么判断一个镜头算不算通过？ 把它和角色参考图并排放在同一屏上，缩小到手机尺寸观看。如果在正常观看距离下认不出差异，就可以通过；如果需要放大对比才能确认，观众通常也看不出来。
把一致性当成工程问题
角色一致性从来不是单点技术，而是一整套工程习惯的产物：规范的素材库、分层的提示词、克制的镜头设计、严格的筛选标准、稳定的命名与版本管理。模型会持续迭代，工具会不断更替，但这套流程可以一直复用。
真正成熟的团队不会在生成失败后反复重试，而是回到上游检查素材与分镜。当你把身份信息从文字里剥离出来、交给参考图承载，并且用流程保证每一个镜头都走同一条路径，角色一致性就从“难题”变成了“默认结果”。这也是告别传统剪辑思维的关键一步：不是让工具替你做决定，而是把不确定的部分尽可能收进可控的流程里。
