一致性的本质：角色漂移从哪里来
跨场景角色一致性，指的是同一个角色在不同镜头、不同环境、不同光线甚至不同画风下，依然被观众识别为“同一个人”。这件事在实拍中由演员的身体保证，在AI视频里却没有任何物理约束，于是漂移成了默认结果。
漂移通常来自四个层面。
- 模型层：不同模型对人脸的先验完全不同。同一段提示词，一个模型给出圆脸，另一个给出窄脸。这不是参数调错，而是训练数据分布不同。
- 采样层：同一个模型，随机种子、采样步数、引导强度一变，面部骨骼就可能发生微妙位移。连续镜头中这类位移会被放大成“换脸”。
- 提示词层：把角色描述与场景描述混写在同一句里，模型会在两者之间做权衡。场景描述越具体，角色特征被稀释得越严重。
- 后期层：每个镜头的调色、锐化、压缩策略不同，观众感知到的肤色与质感也会随之变化。
分层理解这四件事非常重要，因为对应的解决手段完全不同。模型层要靠参考图与微调解决，采样层要靠固定种子与参数模板解决，提示词层要靠分层写法解决，后期层要靠统一调色链路解决。把全部问题都归因于“模型不够好”，只会陷入不停换工具的循环，而漂移依旧存在。
还有一个常被忽略的源头：分镜设计。如果在分镜阶段就让角色连续出现在差异极大的环境里，比如同一段内容里从室内暖光切到雪地冷光再切到霓虹夜景，模型需要同时保持身份、光照与材质的连续性，失败概率自然成倍上升。合理的做法是把一致性压力均匀分散到镜头序列中，用过渡镜头、插入镜头和景别变化来缓冲。
五阶段一致性工作流总览
把一致性当成一个流程问题而不是单次生成问题，是效率提升的起点。下面这套五阶段流程可以直接套用到短剧、系列广告、品牌账号内容与长篇叙事项目上。
| 阶段 | 目标 | 关键产出 | 常见失误 |
|---|---|---|---|
| 一、角色资产定义 | 把角色从模糊概念变成可描述资产 | 参考图集、角色卡、命名规范 | 只凭一两张图就开始生成 |
| 二、身份锚定 | 让模型稳定认识这张脸 | 特征参考、种子基线、轻量适配模型 | 每个镜头重新描述角色 |
| 三、提示词分层 | 隔离角色与场景变量 | 固定层模板、可变层词库 | 角色与场景写成一锅粥 |
| 四、生成与筛选 | 批量产出并筛选可用镜头 | 镜头清单、参数记录、备选池 | 一次改多个变量导致无法复盘 |
| 五、后期统一 | 抹平镜头间质感差异 | 统一调色、统一锐化、统一输出 | 逐镜头单独调色 |
流程的价值在于可复盘。任何一次生成失败，你都能定位到是资产、锚定、提示词、参数还是后期环节出了问题，而不是凭感觉反复抽卡。很多创作者在工具之间来回切换，却始终没有建立参数记录习惯，结果每次换工具都从零开始，一致性自然无法累积。
需要强调的是，流程优先级高于工具选择。一个中等能力但流程规范的团队，成品一致性通常优于一个工具齐全但流程随意的团队。工具只决定你的上限，流程决定你的下限。
角色资产定义：参考图采集与命名规范
角色资产的质量直接决定一致性上限。模型的输出不会凭空产生细节，它只能从你给的线索里外推。
角度覆盖
至少准备正面、四分之三侧脸、正侧脸和背面四类角度。正面图决定五官比例，四分之三侧脸决定鼻梁与颧骨关系，正侧脸决定轮廓线，背面图决定发型体积与后脑形状。只有正面图的角色，一旦镜头转到侧面就极易崩坏。如果项目里有大量低角度或俯视镜头，还应补充仰视与俯视参考图。
光线与色温
参考图的光线要接近中性，避免极端的单侧硬光或强色偏。暖黄台灯下的照片会让模型把肤色固化为偏黄，之后放到冷调场景里就会显得脏。如果角色需要在多种光线下出现，最好准备一组中性光参考图作为身份基准，再另外准备光线参考图用于控制氛围，两类图分开使用，不要混在同一组参考里。
分辨率与压缩
面部区域至少要占据画面的三分之一，原始分辨率不低于1024像素。过度压缩的图片会带来块状伪影，模型会把这些伪影当作皮肤纹理学习，生成出奇怪的颗粒感。截图、聊天软件转发图、带水印的宣传图都不适合作为参考。
命名规范
命名不是形式主义。建议使用角色名加角度加光线加版本号的组合，例如 linan-front-neutral-v2、linan-side-warm-v1。版本号让参考图可以迭代而不会互相覆盖；角度与光线字段让你在批量生成时能快速选出正确的参考组合。把参考图按角色分文件夹，并在文件夹内放一份纯文本角色卡。
角色卡要写什么
角色卡不追求文学性，追求可执行性。写明年龄段、脸型、眉形、眼睛形状、鼻型、唇形、肤色、发色与发型、常穿服装、配饰、体态与常见表情。每条描述尽量用视觉词汇，避免“气质很好”“很有故事感”这类无法被模型执行的表述。角色卡越具体，后期返工越少。
身份锚定与特征锁定
身份锚定要解决的核心问题是：让模型在每一个镜头里都参考同一组身份依据，而不是每次重新理解角色。
参考图的权重分配
多张参考图同时使用时，权重并不相等。通常正面中性图权重最高，四分之三侧脸次之，其余角度作为补充。如果某个镜头是侧向运动，就把侧脸参考图临时提权。把权重配置记进项目文档，下次同类镜头可以直接复用。
种子与参数基线
为角色建立一组基线参数：随机种子、采样步数、引导强度、分辨率。固定种子并不能保证完全一致，但能显著降低波动。更重要的是建立对照关系：先固定种子做小范围测试，找到角色最稳定的参数区间，再在那个区间内做镜头变体。参数区间一旦确定，就写成模板，避免每个镜头重新摸索。
微调与轻量适配
当同一角色需要出现在几十个镜头里时，用少量高质量素材训练一个轻量适配模型是更省力的路径。训练集建议控制在二十到四十张，覆盖多角度、多表情、多光照，并保持风格统一。训练集里混入不同画风的图片，会让适配模型学出一个“模糊的平均脸”，反而降低辨识度。训练完成后，先在低风险镜头里试用，确认稳定再全面替换。
锚定的验收标准
在进入批量生产前，做一次锚定验收：用同一段提示词，只改场景描述，连续生成六个不同场景的镜头。如果面部特征、发型体积与服装主色在六个镜头里保持一致，锚定就算通过。如果有两个以上镜头明显偏离，先回头修正参考图或权重，不要急着往下做。验收通过后，把该组参数冻结为该角色的生产基线。
提示词分层：角色层与场景层分开写
提示词结构是个人创作者最容易改进、收益也最直接的一环。
固定层：角色描述
固定层在项目内保持不变，内容包括角色名、年龄感、脸型、发型、服装、配饰、体态。建议把固定层写成一个可粘贴的文本块，避免每次手写时无意改动措辞。措辞一变，模型的理解也会变。团队协作时，固定层应由一个人维护，其他人只读取不修改。
可变层：场景与镜头
可变层描述环境、时间、天气、镜头运动、景别、氛围与光线。把镜头运动单独拎出来写，例如缓慢推进、手持轻微晃动、环绕运镜，能让动作连贯性更容易控制。同一场戏里的镜头运动风格要保持一致，否则剪辑时会产生节奏断裂感。
分层模板示例
固定层：三十岁出头女性，东亚面孔，鹅蛋脸，细长眼，直鼻梁，黑色齐肩直发，米色风衣，细框眼镜，体态挺拔。
可变层：城市咖啡馆靠窗座位，清晨侧光，中近景，镜头缓慢推进，背景虚化。
负面提示：畸变手指、多余肢体、面部模糊、五官错位、塑料皮肤、文字水印、画面撕裂。
场景切换时的检查动作
每换一个场景，先问三个问题：光线色温是否与前一镜头冲突？服装款式是否发生变化？镜头角度是否会暴露参考图缺失的角度？三个问题都能答上来，再提交生成。这个检查动作只需几十秒，却能避免大量无效生成。
负面提示的用法
负面提示不是越长越好。过长会挤压模型的生成空间，导致画面僵硬。建议维护一份二十条以内的通用负面列表，再针对具体镜头追加两三条。面部漂移明显时，加入五官错位、脸型失衡；材质崩坏时，加入塑料质感、过度磨皮。如果画面开始出现整体僵硬，优先删减负面提示而不是继续添加。
生成、筛选与迭代节奏
一次只改一个变量
同时改提示词、种子和参考权重，出了问题就无法定位。标准做法是：固定两个变量，只动一个，观察输出变化方向。这看起来慢，实际上比随机抽卡快得多。建议用表格记录每次改动的变量与结果，形成可回查的实验日志。
镜头清单管理
把整支片子拆成镜头清单，每个镜头标注编号、场景、景别、光线、角色出现方式与优先级。高优先级镜头先做，因为它们的角色表现会反向决定后续镜头的参考选择。镜头清单同时是进度表，可以清楚看到哪些镜头还缺可用素材。
批量生成与备选池
同一镜头一次生成四到八条，从身份、动作、构图三个维度筛选。身份不过关的直接淘汰，不要抱着“后期能修”的心态留着，面部崩坏在后期极难修复。通过的镜头进入备选池，并记录参数，方便后续同场景复用。备选池里的冗余素材不要立即删除，剪辑阶段经常需要替换某一条动作不自然的镜头。
迭代顺序
正确的迭代顺序是：先定身份，再定动作，最后定氛围。身份不稳就先别优化运镜，动作不连贯就先别调色调。逆序迭代会让每一轮的成果都被下一轮推翻。
后期统一与色彩匹配
生成阶段做得再好，镜头之间仍会有细微质感差异，后期是把这些差异抹平的地方。
统一调色链路
对整支片子套用同一套基础调色，再对个别镜头做小幅偏移修正，而不是逐镜头从零调色。可以先用一张中性参考镜头作为基准，把其余镜头向它对齐，重点对齐肤色、白平衡与黑场。基础调色一旦确定，就导出为预设，全片统一调用。
肤色优先
观众对肤色变化最敏感。调色时先锁定肤色区间，再调整环境色。环境色可以偏，肤色不能漂。如果某镜头肤色明显偏离，优先怀疑生成阶段的光线描述，而不是靠后期硬拉。硬拉肤色往往会让画面整体发灰，反而更不自然。
锐化与降噪
不同镜头经过的生成步数不同，锐度天然不一致。统一锐化幅度，能减少“镜头切换像换了设备”的感觉。降噪要克制，过度降噪会把皮肤质感磨成蜡像，反而强化AI感。
音频与节奏对感知一致性的影响
一致性不只由画面决定。统一的配乐基调、音效质感与剪辑节奏，会让观众在心理上把不同镜头归为同一部作品。反之，即使画面一致，音色忽大忽小、节奏忽快忽慢，也会让角色显得割裂。画面与声音同时统一，成片整体感会明显提升。
缩放与补帧
需要输出高分辨率时，尽量对整支片子统一超分，而不是只处理部分镜头，否则会出现清晰度跳变。补帧同理，统一处理可以避免运动节奏在镜头之间断裂。
模型选择的决策标准
模型选择不是选最强，而是选最匹配当前一致性需求的。
超写实面部细节
需要面部微表情、皮肤质感与毛孔级细节的项目，优先选择以写实人像见长的模型，并搭配多角度参考图。这类模型对参考图质量极为敏感，前期投入在参考图上的时间会直接反映在成片里。
动作与镜头运动
有跑动、打斗、长镜头运动的需求时，选择动作连贯性更好的模型，并接受它在面部细节上略弱的事实。解决方案是把动作镜头与面部特写分开生成，用剪辑衔接，而不是强求一个模型全部搞定。
风格化与快速切换
动画风、插画风、复古胶片风等风格化项目，需要模型对风格提示的响应更强。风格化本身会掩盖一部分身份差异，但也要求角色标志性元素更夸张，例如独特发型、鲜明主色服装、标志性配饰。
速度与质量权衡
早期探索阶段用生成速度快的模型确定构图与节奏，锁定后再用质量更高的模型重制关键镜头。把质量预算集中在观众真正停留的镜头上，比平均分配更有效。
混合使用的顺序
常见的混合策略是：写实模型定身份，动作模型做运动，风格模型做过渡与氛围镜头，最后统一输出。只要每个环节都使用同一组角色资产与同一份角色卡，混合使用不会破坏一致性。真正的风险来自每个环节各自重新描述角色。
高频跨场景挑战与排查清单
场景一：室内对话切到户外运动
难点在于光线色温与动作幅度同时变化。应对方式是准备一张户外中性光参考图，并在提示词里显式声明服装不变，同时降低运镜复杂度，先保证身份稳定再增加运动。
场景二：白天切到夜晚
夜间场景容易让模型自由发挥肤色与阴影。做法是保留同一套角色描述，只改光线与色温词，并在后期统一黑场与高光。若夜景镜头身份漂移严重，可以先用白天光生成再后期压暗，稳定性通常更好。
场景三：特写切到全景
全景中面部像素占比小，模型会自行补全，导致身份变化。策略是让全景镜头保持角色标志性剪影元素，例如发型轮廓与服装配色，依靠剪影而不是五官来维持识别。
场景四：写实切到风格化
风格化段落建议单独处理，但保留同一个角色的核心视觉锚点。观众对角色的识别，很大程度上依赖发型、服装与配色，而不只是面部。把识别线索从五官转移到整体造型，是风格化段落保持连续性的关键。
排查清单
- 身份飘：检查参考图角度是否覆盖当前镜头角度，检查角色描述措辞是否被改动。
- 服装变：把服装描述从场景层移到固定层，并在负面提示里加入服装变化相关词。
- 肤色跳：检查光线色温词是否统一，检查后期是否逐镜头单独调色。
- 动作断：检查镜头运动描述是否一致，检查是否混用了动作风格差异过大的模型。
- 质感不一：检查锐化与降噪是否统一，检查是否只对部分镜头做了超分。
- 表情僵：减少负面提示长度，适度降低引导强度，增加表情描述词。
- 背景抢戏：简化背景描述，把注意力资源留给角色本身。
常见问题解答
只上传一张参考图能不能做一致性角色？
可以做短镜头，但很难撑起完整叙事。单张参考图只能锁定正面信息，一旦镜头转到侧面或大角度俯仰，模型只能自行猜测，猜测结果往往不像本人。建议至少四张多角度中性光参考图起步。
固定种子就能保证每个镜头长得一样吗？
不能。固定种子能降低随机波动，但场景、光线、动作描述的变化仍会带动面部结构变化。种子是稳定手段之一，不是一致性方案的全部。
角色一致性和画面风格一致需要同时追求吗？
不必。角色一致性优先级更高，画面风格可以通过统一调色在后期拉近。把两件事混在一起调，会让参数调整变得无法归因。
角色一致性做到什么程度算合格？
合格标准是观众在正常观看节奏下不会注意到身份变化。允许细微差异，因为真实影片里演员在不同镜头下也会有状态差异，完全不波动的画面反而显得僵硬。
训练轻量适配模型会不会过拟合？
会，如果素材过少、角度单一或风格混杂。控制素材数量与多样性，并在训练后立即做多场景验收测试，可以及早发现过拟合。
多人同框时怎么办？
多人同框的难度是乘法级的。建议先分别完成单人镜头，再考虑同框；同框时明确描述每个人的位置、服装与朝向，并简化背景，减少模型需要同时处理的信息量。
手部与道具穿模怎么处理？
把道具描述写清楚，并控制手部动作幅度。复杂交互镜头可以考虑拆分生成再剪辑，或使用插入镜头规避。
项目周期紧，能不能跳过资产阶段？
跳过资产阶段通常会在中期付出更多返工成本。压缩方式是减少参考图数量到最低可用集合，但多角度覆盖和角色卡不能省。
没有美术基础能做角色卡吗？
可以。角色卡不需要绘画能力，只需要观察能力。找几张风格接近的真实照片或已有作品，逐一记录可见特征，就能写出一份可执行的描述。
一致性不是某个模型的功能开关，而是一套从资产准备到后期收尾的系统工程。参考图决定上限，锚定决定稳定性，提示词分层决定可控性，参数记录决定可复盘性，后期统一决定成片的观感。把这五件事都做扎实，跨场景角色风格统一就会从碰运气变成可以稳定交付的生产流程。
