角色漂移的根源：一致性问题从哪里开始
AI 视频最令人沮丧的时刻，往往不是画面不够漂亮，而是"这看起来不像同一个人"。第一个镜头里是齐肩黑发、单眼皮、颧骨略高的女性，切到第三个镜头，发际线后退了，眼睛变大了，下巴也尖了。观众不会说"这是模型噪声"，观众只会说"这是烂片"。理解这种漂移从何而来，是解决问题的第一步。
采样随机性带来的脸型抖动
扩散类视频模型每一次生成都是从随机噪声开始的。即便提示词一模一样、种子固定，只要分辨率、时长、运动幅度或模型版本发生任何变化，人脸的低频结构（脸型、骨相、比例）就会重新被"抽签"。脸部恰好是观众最敏感的区域：人类大脑识别面孔用的是高度专门化的机制，几个像素的鼻翼宽度差异就足以触发"这不是同一个人"的警报。
文字描述的分辨率不够
用文字描述一个角色，本质上是在给模型一个概率分布，而不是精确坐标。"三十岁上下、短黑发、方脸、戴细框眼镜"会被不同模型解读成完全不同的十几张脸。更麻烦的是，当你把这段描述和"夜晚、雨中、霓虹灯"叠在一起时，模型会把注意力预算大量分配给光影和氛围，人物特征被稀释，于是夜景镜头里的角色更容易变形。
跨模型先验差异
现在的创作流程很少只用一个模型。有人用偏写实的模型生成中景，用偏电影感的模型生成特写，再用擅长动作的模型处理奔跑镜头。这些模型的训练数据分布不同、审美先验不同，同一个角色在不同模型里会呈现不同的"默认脸"。如果不做任何锚定，跨模型拼接几乎必然会崩。
镜头切换造成的信息坍缩
远景切特写时，脸在画面中的像素占比可能从 5% 涨到 40%。在前一个镜头里，模型只"知道"那是一个模糊的人形轮廓，切到特写时它必须凭空补全五官细节——补出来的当然不是原来那张脸。反过来，从特写切远景时，服装细节、配饰、发型也可能悄悄变化。
长序列的误差累积
单看每个镜头，偏差可能只有 5%，观众注意不到。但十几个镜头连在一起，每一帧的微小偏移会沿着时间轴累积，最终形成"换人"的效果。这就是为什么短视频（5 秒、8 秒）看起来很好，一旦要做三分钟的叙事短片就全线崩溃。
理解这些来源之后，接下来的思路就很清楚了：一致性不是靠"写一句更长的提示词"解决的，而是靠一套资产管理 + 参考锚定 + 参数化镜头语言的工作流。
角色锚点：建立可复用的角色设定包
把角色当成一个需要版本管理的"资产"，而不是一段随手写的提示词。这是所有稳定工作流的前提。
角色设定包应该包含什么
一个合格的角色包通常包括：
- 基础三视图：正面、四分之三侧面、正侧面。发型轮廓、耳朵形状、鼻梁走向必须在三张图里完全一致。
- 背面与全身：用于背影镜头、走位镜头，避免转身之后衣服变了。
- 光照变体：同一张脸在柔和日光、室内暖光、夜景冷光下的版本。模型看到不同光照下的同一张脸，才会理解"光照会变，脸不会变"。
- 表情变体：中性、微笑、愤怒、惊讶。表情锚定能显著减少情绪镜头里的脸型漂移。
- 服装细节特写：领口、袖口、纽扣、图案、材质。服装是仅次于脸的第二大漂移源。
- 道具清单：眼镜、耳饰、手表、背包、纹身位置。
把"身份段"和"场景段"分开写
这是提高一致性的最有效的文本技巧。把提示词拆成两段：
- 身份段（不变）：五官、发型、体型、标志性服装。每次生成都逐字复制，一个字都不要改。
- 场景段（可变）：地点、时间、天气、动作、情绪、镜头参数。
很多人失败的原因是每次重新"创作"身份描述。"短发女性"和"一头利落短发的女性"在人类看来一样，在模型的文本编码器里却是两个不同的向量，足以产生两张不同的脸。
版本命名与资产目录
建议采用清晰的文件命名：
char_lin/
lin_v1_face_front.png
lin_v1_face_side.png
lin_v1_face_threequarter.png
lin_v1_light_night.png
lin_v1_outfit_jacket.png
lin_v1_prompt_identity.txt
lin_v1_negative.txt
prompt_identity.txt 里存放那段永远不动的身份描述，所有生成任务都从这里复制。改一次身份描述，就要重新生成全部参考图和全部镜头，否则新旧镜头会不匹配。
一个可用的身份描述模板
[角色] 女性，三十岁上下，东亚面孔，单眼皮，眼尾略微下垂，
颧骨偏高，下颌线柔和，鼻梁直而窄，薄唇，肤色偏暖，
齐肩黑色直发，中分，右侧一缕头发垂在耳前，
身高约 168 厘米，体型偏瘦，
穿着深灰色高领针织衫，袖口卷至小臂中部
注意几点：不要用"漂亮""帅气""有气质"这类主观形容词，它们会把脸推向模型训练数据里的平均值；不要堆叠超过八到十个人物特征，多余的描述会被稀释；把稳定的几何特征（眼型、鼻型、轮廓）放在前面，服装和配饰放在后面。
参考图与身份嵌入：让不同模型"认识"同一个人
有了角色包之后，要解决的是"怎么把它喂给模型"。目前主流有三条路径，各有取舍。
路径一：首帧锚定（图生视频）
先用图像模型生成一张严格符合角色设定的静帧，再把它作为首帧送入视频模型生成运动。优点是最直观、可控性最高、跨模型通用。缺点是动作自由度受限：模型会倾向于保持首帧的构图和姿态，大幅转身、跑动、进入画外再回来这类动作容易崩。
适用场景：对白镜头、静态情绪镜头、产品展示、需要精确构图的画面。
路径二：多参考输入（主体参考）
把 2 到 4 张不同角度、不同光照的角色图一起作为"主体参考"提交。模型会提取共同的人脸特征，形成较为抽象的身份表征，再结合文字提示生成新姿态。优点是动作自由度高，缺点是对参考图质量极其挑剌：如果几张参考图本人的脸就不完全一致，模型会提取出一个"混合脸"。
经验做法：参考图控制在三张以内，且必须是同一光照批次生成的；角度差异要明显（正面、侧面、背影），但风格必须统一；不要混入 AI 生成的"近似脸"，宁可少给。
路径三：身份嵌入 / 轻量微调
用 15 到 30 张同一角色的高质量图训练一个轻量身份适配器，之后所有生成都调用它。优点是稳定性最高，跨模型、跨风格、跨时长都不容易漂；缺点是前期投入大，需要准备干净的数据集，而且一旦角色设定修改就要重训。
适用场景：系列短剧、长期更新的账号人设、需要出现几十个镜头的项目。
怎么选：一份决策标准
| 项目特征 | 推荐路径 |
|---|---|
| 单条视频，镜头数少于 8 | 首帧锚定 |
| 需要大量动作自由 | 多参考输入 |
| 系列化内容，同一角色跨多集 | 身份嵌入 |
| 角色几乎没有正脸 | 首帧锚定 + 服装锚定 |
| 多人同框、需要区分身份 | 身份嵌入 + 分区域提示 |
| 快速测试脚本可行性 | 首帧锚定 |
一个务实的做法是混合使用：先做首帧锚定确定相貌，再用多参考输入扩展动作库，如果项目确定要做长线，再把这些素材沉淀成身份嵌入。
镜头设计语言：把导演意图翻译成参数
一致性解决了"这是谁"，镜头设计解决"怎么讲"。很多 AI 视频看起来业余，不是因为画面难看，而是因为没有镜头语言——所有镜头都是中景、平视、缓慢推近，观众很快就疲劳了。
景别：控制信息密度
- 大远景：交代环境和人物关系，人在画面中占比很小。适合开场和转场。
- 全景：完整人物加环境，用于建立空间。
- 中景：膝盖或腰部以上，最常用的叙事景别，适合对话和动作。
- 近景：胸部以上，情绪开始被强调。
- 特写：面部或局部，用于情绪爆发和关键信息。
- 大特写：眼睛、手、道具，用于悬念和节奏强调。
一致性风险最高的是特写和大特写，因为它们把脸放得最大。建议在这类镜头里额外提供面部参考图，并降低运动幅度。
机位与角度：控制心理距离
平视是最中性的，仰拍让人显得强势，俯拍让人显得弱势或被注视，过肩镜头建立对话关系，荷兰角（画面倾斜）制造不安。在提示词里，这些可以用 low angle、high angle、over-the-shoulder、dutch angle、eye level 表达。
一个被忽视的技巧：同一场戏内不要频繁改变角度。AI 生成镜头的光照和透视并不总是精确匹配，频繁切换角度会让观众察觉到空间不连续。
运动：控制节奏
推（dolly in）、拉（dolly out）、摇（pan）、移（track）、跟（follow）、升（crane up）、环绕（orbit）、手持（handheld）。运动幅度是影响一致性的重要变量：幅度越大，模型越容易在运动中改变脸型和服装。
实用规则：情绪镜头用小幅推进（slow dolly in），动作镜头用跟随或环绕，转场镜头用大幅摇移。所有镜头都加"缓慢"是有代价的——全片都是慢推会让节奏拖死。
光线与色彩：统一全片质感
分别描述主光方向、光比、色温和氛围。例如 key light from left window, soft, warm 3200K, low contrast。全片应该共享一套光照逻辑，除非剧情明确要求变化。夜景、逆光、烟雾这类复杂环境会显著增加漂移概率，需要更多的参考图支持。
镜头意图到提示词关键词
| 叙事意图 | 景别 | 运动 | 关键词示例 |
|---|---|---|---|
| 开场交代世界 | 大远景 | 缓慢横移 | wide establishing shot, slow pan right |
| 角色第一次出场 | 中景 | 轻微推进 | medium shot, slow dolly in, eye level |
| 情绪转折 | 近景 | 静止 | close-up, static camera, soft rim light |
| 决定时刻 | 特写 | 极慢推进 | extreme close-up on eyes, very slow push in |
| 追逐 | 全景 | 手持跟随 | full shot, handheld follow, slight shake |
| 揭示 | 特写 | 静止 | close-up on hands, static, shallow depth of field |
从剧本到镜头表：分镜拆解工作流
不要打开生成器就开始写提示词。先做一张镜头表，这一步能省掉后期一半的返工。
三级拆解：场景 → 节拍 → 镜头
场景是地点和时间的单位。节拍是场景内情绪或信息的变化单位，一个场景通常有三到五个节拍。镜头是节拍的可视化单位。例如：
场景：深夜办公室
节拍 1：她独自加班，疲惫
节拍 2：手机亮起，收到一条消息
节拍 3：她读完消息，表情从困惑转为决心
节拍 3 至少需要两个镜头：读消息的近景，和抬起头来的特写。节拍是镜头数量的依据，不是感觉。
镜头表应该包含的字段
- 镜号（S01-C03-02）
- 时长（秒）
- 景别与机位
- 运动方式与幅度
- 角色状态（服装、发型、情绪、是否带道具）
- 动作描述（一句话，动词开头）
- 对白或画外音
- 音频（环境音、音效、音乐提示）
- 参考素材（使用哪张角色图/首帧）
- 一致性风险等级（高/中/低）
"一致性风险等级"这个字段非常实用：把高风险镜头集中安排在同一次生成任务里，用同一批参考图、同一套参数，能显著降低整片的漂移感。
用一句话写清"镜头意图"
每个镜头都应该能用一句话回答"这个镜头在讲什么"。如果答不出来，说明这个镜头可以不拍。常见的问题是节拍 2 被拆成四个漂亮但无意义的空镜，拖慢节奏。
一个节拍的拆解示例
S01-C03-01 | 3.5s | 中景 | 角色坐在桌前，镜头缓慢左移
对白：无 | 音频：空调低鸣、键盘声
参考：lin_v1_outfit_jacket + 桌面静帧
S01-C03-02 | 2.0s | 近景 | 手机屏幕亮起，静止镜头
音频：短促提示音
S01-C03-03 | 2.5s | 特写 | 抬头，极慢推进
音频：音乐渐入
三个镜头加起来七到八秒，信息清晰，节奏有起伏。
提示词工程：三段式结构与一致性关键词
把提示词写成结构化文本，而不是一串形容词。推荐三段式：身份段 + 动作段 + 摄影段。
三段式的具体写法
身份段：见 prompt_identity.txt（逐字复制，不修改）
动作段：缓缓抬起头，视线从屏幕移向窗外，右肩微微放松，
手指仍搭在键盘上，动作幅度小，中速
摄影段：中近景，平视机位，缓慢推进，浅景深，
左侧窗光为主光，冷色调，柔和对比
三段之间用逗号或换行分隔，让模型的注意力能分段处理。动作段的动词要具体且可控："抬手"比"表现焦虑"好，"转头看向门口"比"感到惊讶"好。
负面提示词的实用清单
常见的污染项包括：脸部变形、多余手指、肢体扭曲、画面闪烁、文字水印、logo、过曝、过度锐化、油画质感、塑料皮肤、重复人物。把这份清单固化成模板，每次生成都带上，不要临场想。
需要提醒的是：负面提示词不能修复身份漂移，它只能减少伪影。一致性必须靠参考素材解决。
建立一致性关键词库
把验证过有效的关键词记录成表：哪些词能稳定让头发保持中分，哪些词会让脸变圆（比如 soft features、delicate face），哪些词会让皮肤过度磨皮（比如 smooth skin）。这个库是个人经验的沉淀，比任何通用教程都有价值。
一个具体的坑：cinematic 这个词在不同模型里会触发不同的调色先验，有时会让人脸偏向某种电影脸型。如果发现角色在加了 cinematic 之后变脸，就改用具体的光线描述替代它。
生成阶段：抽样、择优与跨模型协同
生成不是"点一下等结果"，而是一个采样和筛选的过程。
抽样策略
同一个镜头至少生成四次，固定种子以外的参数不变。四次结果的差异本身就是信息：如果四次的脸都在同一个方向偏移，说明提示词有问题；如果四次的脸各不相同，说明参考素材不够。
选择顺序建议：先看身份相似度，再看动作完成度，最后看画面美感。顺序反了就会选出一个漂亮但不是主角的镜头。
跨模型协同的实用分工
不同模型擅长的事情不同。一个可行的分工是：
- 建立镜头 / 大场景：交给善于处理宏大构图与光影的模型。
- 对白与情绪特写：交给细节保真度高、面部稳定的模型。
- 动作镜头：交给运动连贯性强的模型。
- 转场与空镜：交给风格化能力强的模型。
关键在于，无论用哪个模型，都把同一套角色参考图和同一段身份描述喂进去。不要以为换个模型就可以偷懒省掉参考图。
首尾帧控制与关键帧插值
如果模型支持指定首帧和尾帧，用它来处理镜头之间的连贯性：把上一个镜头的最后一帧作为下一个镜头的首帧，可以制造"一镜到底"的错觉。注意两点：尾帧必须与下一镜头的首帧在构图、光照、服装上一致，否则拼接处会有明显跳变；插值生成的动作通常偏柔和，不适合快速动作。
时长与节奏的对齐
生成出来的片段时长往往和镜头表不一致。不要用变速拉伸来凑时长，变速会改变动作节奏感和物理感。更好的办法是：生成时把动作设计成"可截断"的——前段是准备动作，后段是收尾动作，剪辑时从中间裁取需要的长度。
后期修补：局部重绘、补帧与调色统一
没有哪个生成结果是完美的，后期修补是工作流里比重被低估的一环。
局部重绘修复脸部与手部
对出现漂移的帧做局部重绘：遮罩出脸部或手部区域，用角色参考图画一张新的，再融合回去。脸部修复的关键是只遮罩必要区域，遮罩过大模型会重新设计整个头部，反而更不像。
手部是第二大问题区。实用建议：在分镜阶段就尽量避免手部特写；如果必须有，用道具遮挡、虚化背景或让手进入画外，比事后修复便宜得多。
补帧与稳定
生成结果通常是有限帧率，剪辑时需要补帧。补帧会放大抖动，所以顺序应该是：先做稳定（减少不必要的机位抖动，保留有意的运动），再补帧，最后统一锐度。如果整段画面出现高频闪烁，先检查是否由逐帧生成导致的光照不稳定，这类问题在调色阶段很难掩盖。
调色统一
不同模型、不同镜头之间的色温、对比度、饱和度几乎不可能天然一致。用一套统一的调色节点处理全片：先统一白平衡和曝光，再统一对比曲线，最后做风格化的二级调色。经验上，轻微的胶片颗粒能有效掩盖不同镜头之间的质感差异，但不要过量，过量会让人物皮肤显得脏。
声音与口型同步的协同流程
视频的一致性不只体现在画面上，也体现在声音上。观众对音色变化的敏感度不低于对脸型变化。
配音先行还是画面前行
如果是有对白的项目，配音先行几乎总是更好。原因有三：配音时长决定镜头时长，口型有明确的参考目标，演员（或合成音色）的情绪可以被画面匹配而不是反过来。
流程上：先出配音小样，量出每句对白的精确时长，再按这个时长调整镜头表和动作设计。
口型同步的实用技巧
- 让镜头配合口型：多用侧脸、略带角度的近景，或手部/道具遮挡嘴部的构图，可以显著降低口型同步的技术门槛。
- 对白镜头减少运动：说话时镜头移动会让口型和面部同时变化，同步难度成倍上升。
- 音素与表情对齐：闭唇音（m、b、p）对应嘴唇闭合的帧，张嘴元音对应口腔张开，检查这几个关键点就够了，逐帧对齐并不必要。
- 不要用夸张的嘴部动作：AI 生成的口型本来就容易过度夸张，配音时保持自然语速能减少违和感。
音效与音乐的情绪线
环境音负责空间感，音效负责事件，音乐负责情绪。三者分层，但共享同一条情绪曲线。常见错误是全片铺满音乐，导致每个镜头都一样重要。更好的做法是留白：在关键台词前把音乐降下来，用一个具体音效（关门声、手机提示音）来标记节拍转换。
排查清单与常见问题
一致性问题的排查顺序
当角色看起来变了，按这个顺序检查：
- 身份描述是否被改动？ 逐字比对
prompt_identity.txt，注意标点和空格。 - 参考图是否混入了不同批次？ 光照或风格不一致的参考图会拉偏身份表征。
- 是否换了模型或模型版本？ 换模型必须重新验证前三个镜头。
- 运动幅度是否过大？ 把运动词从"快速"改为"缓慢"再试一次。
- 景别是否太近？ 特写镜头考虑补一张面部参考图。
- 是否叠加了风格化词？ 电影感、动画感类关键词会改变脸型先验。
- 服装细节是否描述一致？ 领口、袖长、颜色代码要比对到位。
其他高频问题
画面闪烁：多由逐帧生成导致，尝试降低运动幅度、固定更长的种子序列，或在后期用去闪烁插件处理。
人物比例失衡：远景人物头身比异常，通常是提示词里缺少"全身"或"远景"的明确景别信息。
动作不连贯：拆成两个更短的镜头，中间用一个过渡动作（转身、抬手、遮挡）连接，比让模型一次生成完整动作更可靠。
多人同框时身份互换：在提示词中按位置区分描述，例如"画面左侧的女性"与"画面右侧的男性"，并给每个角色单独提供参考图。
场景光照跳变：把同一场景的所有镜头放在同一批次生成，共享同一段光照提示。
常见问题解答
角色一致性需要多高的分辨率参考图？
参考图的长边至少与目标视频分辨率相当。参考图比输出更清晰是安全的，模糊的参考图会直接导致五官细节丢失。
提示词写得很详细，为什么还是变脸？
细节多不等于锚定强。文字描述只能约束语义范围，真正的身份约束来自参考图或身份嵌入。文字负责"这个人在做什么"，图像负责"这个人是谁"。
短片十几秒也能保持一致性吗？
可以。短片反而更容易，因为可以控制在三到五个镜头内，且所有镜头用同一批参考图、同一套参数生成。真正困难的是三分钟以上的长叙事。
必须用同一个模型完成全片吗？
不必，但必须做交叉验证。换模型后先单独生成一个该角色的中景测试镜头，和已有镜头并排比对，确认脸型和服装一致再批量生产。
一致性做到什么程度才算合格？
一个实用的验收标准：把全片的角色面部帧单独截出来排成一张对比图，让没有看过素材的人判断"哪些是同一个人"。如果陌生人能全部正确归组，就达到交付标准；出现两次以上误判，就需要返工。
这套流程对真人素材也适用吗？
适用。用真人定妆照建立角色包，用同一套镜头表组织拍摄或生成，用同样的三层检查（身份、动作、光线）做质检。区别只在于真人拍摄的随机性更低，可以适当减少参考图数量。
时间有限时，应该优先优化哪一环？
优先优化角色包和镜头表，而不是提示词。角色包决定上限，镜头表决定效率，提示词只是执行层。很多项目的问题在于把 80% 的时间花在反复改提示词，却没有认真做过一张光照统一的三视图。
