做 AI 视频的人迟早会撞上同一个尴尬：脚本写顺了，分镜排好了，配乐也挑完了，结果成片里的人物在第 4 个镜头悄悄换了一张脸。不是完全换了个人，而是颧骨高了半厘米、发际线往后挪了一点、衣服从深灰变成浅灰、瞳色从深棕偏成琥珀。单个镜头看都挺好看，连起来看就像有五六个人轮流演同一个角色。
这不是审美问题，而是技术问题。目前主流生成模型并没有跨镜头的“记忆”，它每次都是从噪声重新采样，再根据你给的参考图和文字提示去“猜”这个人长什么样。参考信息越少，猜测空间越大，漂移就越明显。多图融合（multi-image fusion）正是针对这一环节的解法：不再依赖单张正面照，而是把同一角色的多角度、多状态图像放在同一次条件输入里，让模型在特征空间里提取共性、抑制干扰，从而锁定一个相对稳定的“身份锚点”。
这篇指南不谈某一家平台的宣传语，只讲可迁移的做法：参考图怎么准备、融合强度怎么调、提示词怎么写成模板、镜头语言怎么配合、漂移出现后怎么排查。无论你用哪套生成工具，这套逻辑都能直接搬过去。
角色一致性为什么这么难
要解决问题，先要看清漂移是从哪里来的。把生成过程拆开，可以归到四类来源。
第一类是采样本身的随机性。 每一次生成都从随机噪声出发，去噪路径不同，落到像素上的结果就不同。同一条提示词连跑三次，脸部细节一定会有差异，只是差异大小的问题。当角色特征本身不够“独特”时，这些随机差异就足以让人产生“换脸”的错觉。
第二类是参考信息不足。 一张正面证件照能告诉模型的，只有正脸状态下的比例关系。一旦镜头转到四分之三侧面、仰角、或者人物低头，模型找不到对应角度可参考，只能靠推断补齐，而推断的依据往往是训练数据里的“平均人脸”，结果就是大众脸化、年龄感漂移、脸型变圆或变尖。
第三类是提示词内部冲突。 很多人会在不同镜头里顺手改描述词，比如第一个镜头写“清瘦的年轻女性”，第三个镜头写“成熟有气质的女性”，模型会老老实实按两套描述走，自然像两个人。描述词改动本身没错，但如果改动落在身份特征上，就会直接破坏一致性。
第四类是画幅与分辨率变动。 从横屏 16:9 切到竖屏 9:16，从 720p 升到 1080p，模型的构图重绘逻辑会变化，人脸在画面中的占比也变了，细节重建结果随之改变。尤其是构图切到特写时，模型需要“脑补”更多细节，漂移会成倍放大。
理解这四点之后就能明白：角色一致性不是靠某一次神奇的生成拿到的，而是靠一整套把变量压到最小的流程。多图融合负责解决第二类问题，其余三类要靠工作流和镜头设计来兜。
多图融合的核心原理
从单图参考到多图条件输入
单图参考相当于给模型看一张名片，多图融合相当于给它看一套完整的资料页。当输入里同时包含正面、侧面、半侧面、不同表情的同一张脸，模型在特征提取阶段可以对齐这些图之间的共性：眼距比例、鼻梁高度与走向、下颌线弧度、发际线形状、耳廓轮廓、眉骨与眼窝的落差。这些特征在多张图中反复出现，权重自然被拉高。
与此同时，那些只在单张图里出现的元素——具体的光线方向、背景颜色、当时穿的衣服、当天的妆容——因为缺乏跨图一致性，权重会被相对压低。融合的价值就在于这种“共性提拔、个性压制”的过程。
身份特征与外观状态的分离
实操上可以把一张图里的信息分成两层：一层是身份层，包括骨骼结构、五官比例、肤色基调、发色与发型的基本形态；另一层是状态层，包括表情、光照、服装、姿态、背景。多图融合的目标是让模型牢牢抓住身份层，同时允许状态层随镜头变化。
理解这个分层有个直接好处：你会在做镜头时主动区分“哪些变化是允许的”。角色在打斗场景里蓬头垢面，身份层没变，这是允许的；角色换了一副完全不同的眉形，身份层被改动了，这是不允许的。
融合发生在哪一层
不同工具的融合位置不一样。有的在文本编码之后做特征拼接，有的在注意力层引入多张参考图，有的通过训练一个轻量的角色适配模块来实现。对使用者来说，更重要的是理解一个经验规律：融合越靠近生成早期，身份越稳但灵活性越低；融合越靠近生成后期，灵活性高但漂移风险大。
所以不要盲目追求“拉满”。参考强度过高时，画面容易僵化，表情单一，人物像贴了一张面具；参考强度过低时，人物又会向平均值滑落。找到一个能同时保住身份和表演的中间档位，比找“最强参数”更有意义。
准备参考图：决定成败的八成
需要几张，什么角度
经验区间是 4 到 8 张。少于 4 张，融合的“共性提拔”效果不明显；多于 10 张，边际收益下降，反而可能引入互相冲突的信息，尤其当参考图质量参差时。
推荐的角度组合：正面一张、左右四分之三侧面各一张、接近正侧面一张、轻微仰角一张、轻微俯角一张。如果角色会在片中做大幅度转头或低头动作，再补一张对应角度的参考。角度覆盖得越宽，模型在极端镜头下的推断空间就越小。
光线、背景与色彩统一
参考图最好在同一套光照条件下生成或拍摄：同一主光方向、同一色温、相近的曝光。如果一半是暖黄室内灯、一半是冷白影棚光，模型很难判断哪种肤色才是角色本色，结果就是不同镜头里肤色来回跳。
背景建议用中性、干净的底色。杂乱背景会占掉一部分注意力权重，还可能把背景元素当成角色的一部分带进后续生成。表情以中性为主，最多留一到两张带明显情绪（比如微笑、皱眉），用来告诉模型这张脸在动起来时是什么样。
别踩的三个坑
混用不同时期的素材。 三年前的照片和上个月的证件照放在一起，如果中间人物有胖瘦变化、发型变化，模型会把这些变化也当成“共性”的一部分，生成出介于两者之间的模糊形象。
混入其他人。 合照裁切没裁干净，画面边缘留了半张同事的脸，融合时可能把对方的特征也吸进来。裁切后一定要放大检查边缘。
过度修图。 磨皮到失去毛孔纹理、大滤镜改变肤色色相，会让模型参考到一套并不存在于真实人物身上的“理想化皮肤”，后续任何未加滤镜的镜头发出来都会显得不协调。
素材命名与版本管理
一旦开始做系列内容，参考图管理就会成为隐性成本。建议固定命名规则，例如角色名加角度加版本号，同时保存一份设定说明：脸型、发色色号、瞳色、标志性细节（痣、疤、耳饰、眼镜款式）、常穿服装。这套说明在后期复用、换人接手、或者需要重做角色时能省下大量时间。
完整工作流：从参考图到成片
第一步：写下角色设定卡
在打开任何工具之前，先用文字把角色钉死：年龄区间、性别、脸型（鹅蛋、方、圆、菱形）、发型与发色、瞳色、肤色基调、三到五个标志性细节、默认服装。这张卡不是为了给模型看的，是给你自己看的，它是后续所有决策的判断依据。
第二步：建立参考图集
按前面的角度与光线要求准备素材，统一裁切到接近正方形的构图，确保人脸居中且留出适度边缘。短边分辨率尽量不低于 1024 像素，清晰度不够的图宁可换掉。
第三步：低成本融合测试
不要一上来就出正式镜头。先用低分辨率、少步数快速跑三到五组融合，每组只改一个变量（参考图组合、融合强度、种子）。把结果拼在一张对比图上横向看，找出身份最稳、同时又保留一点表情自然度的那一组。
第四步：固化角色模板
选定的组合要保存成可复用的预设：参考图集、参数、种子、提示词前缀。这一步是整套流程的关键分水岭。没有固化的团队，每个镜头都在重新试；固化之后，每次生成只需要改场景和动作。
第五步：逐镜头生成首帧
先出静帧，不要直接进视频。静帧成本低、对比快、修改方便。每个镜头生成两到三个候选首帧，人工挑一张，不合格的直接重生成，别带着问题往下走。
第六步：图生视频
用选定的首帧驱动视频生成，动作幅度从小往大推。一个小技巧是把运动强度分两档试：先试保守档确认身份没跑，再试接近目标幅度的档位。这样出问题时你能立刻判断是动作幅度导致的漂移，还是参考本身就不稳。
第七步：抽帧校验
成片前把每个视频的关键帧抽出来，按镜头顺序排成一列对比。这一步能抓出大量肉眼刷片时忽略的细节漂移：眉毛粗细、嘴角弧度、耳饰位置、衣领形状。做成标准动作之后，每个镜头多花两分钟，能省下后期几小时的修补。
第八步：后期兜底
总有镜头救不回来。此时不要硬重跑整段，优先用局部重绘或替换的方式处理问题帧，再做一次统一调色，把各镜头的色温和对比度拉齐。调色统一往往能显著减轻视觉上的“换脸感”。
提示词与参数：写成可复用的模板
结构化角色描述
把角色描述写成一个固定字符串，每次生成原封不动照抄，只改动后面的场景与动作部分。格式大致是：角色名、年龄与性别、脸型、发型与发色、瞳色、肤色、标志性特征、默认服装，然后是表情、景别、镜头角度、光照、场景、画面风格。
关键纪律是：身份段的文字一个字都不要改。哪怕你觉得“换成同义词效果更好”，也不要在同一个项目里改，因为模型对措辞是敏感的，措辞变化会带来权重变化，进而带来外观变化。
融合强度与去噪
融合强度调的其实是身份约束与自由发挥之间的平衡。做特写、做人物静止对话时，可以适当提高约束，让人脸细节稳定；做全身动作、快速运动镜头时，可以稍微放松约束，给模型留出处理肢体与衣物动态的空间。去噪步数过低会导致细节糊、脸部结构感弱；过高则可能让随机性累积，反而偏离参考。找到一组能稳定复现的参数后，把它写进项目文档。
负面提示词
负面提示词的作用常常被低估。针对一致性场景，值得常备的内容包括：换脸、五官不对称、多余人物、面部模糊、塑料皮肤、年龄突变、发色改变、服装颜色跳变。把它们固定成一段可复用文本，不要每次重写。
镜头语言：一致性不只是脸
景别与角度的取舍
全脸特写是最容易暴露漂移的景别，因为观众对脸的敏感度极高，任何细节差异都会被放大。远景和中景容错率最高。一个实用的配比是每五到六个镜头里，只安排一到两个极端特写，而且优先放在身份已经反复验证过的段落。
角度上，大幅俯拍仰拍和大侧脸都会增加模型推断负担。如果剧本确实需要这类镜头，提前在参考图集里补上对应角度的素材，而不是指望模型自己猜对。
服装与道具的延续
换装要有叙事理由，也要有技术准备。换装本质上是在改变状态层，如果处理得干净，身份层不受影响；但如果服装颜色和发型接近，模型容易把两者混为一谈。换装镜头前建议先单独做一次融合测试，确认新服装下身份依然稳。
道具同理。角色手里拿的东西、戴的饰品，最好在分镜阶段就确定位置与样式，避免前后镜头里饰品凭空消失或变形。
光照衔接
同一场景的连续镜头，主光方向要一致。两个相邻镜头一个左侧光一个右侧光，即便人物没变，观众也会觉得别扭。做分镜时标一句光照说明，比后期调色补救更省力。
常见问题排查清单
脸部轻微漂移
症状是五官比例基本对，但神态和细节不同。常见原因是参考图角度覆盖不足，或融合强度偏低。对策是补一到两张对应角度的参考，并适当提高约束。
明显换人
症状是脸型或年龄都变了。多数是提示词内部冲突，或参考图集中混入了特征差异过大的素材。对策是把身份描述统一成一条固定字符串，并逐张检查参考图是否属于同一个人同一时期。
服装跳变
症状是同一场景内衣服颜色或款式变化。检查是否在提示词里对服装描述前后不一致，或换装镜头与前一镜头共用了一次生成批次。
风格不统一
症状是有的镜头写实、有的镜头偏向插画。检查画风描述是否被顺手改动过，以及不同镜头是否混用了不同的基础模型版本。
手部与肢体畸变
这不是融合能解决的问题，而是运动阶段的典型难点。降低动作幅度、缩短单段时长、把复杂手部动作拆成多个短镜头，通常比反复重跑更有效。
表情僵硬
这是约束过强的信号。参考强度拉得太满时，人物会像戴着面具。适当放松约束，或者在参考图集里加入一两张带情绪的照片，能让表演自然一些。
工具选择与决策标准
不同项目适合不同路径。判断标准不是“哪个工具最强”，而是“你的项目更需要稳定还是更需要表现力”。
短视频口播、系列解说类内容，镜头相对固定，人物以中近景为主，重点在于跨集稳定性。这类项目适合把角色固化成可复用的适配模块，一次性投入，长期摊薄成本。
广告与品牌片，对画面质感要求高，镜头变化多，人物可能出现多种造型。这类项目更适合以多图融合加高质量首帧为主，接受每个镜头多花一点人工筛选时间，用挑选代替硬性约束。
剧情短片与叙事内容，镜头语言最复杂，还涉及多角色同框。多角色场景建议先分别验证每个角色的稳定性，再尝试同框，否则两个角色一起漂移时很难定位问题来源。
原型验证与创意试错阶段，不要追求完美一致性。先用低精度快速跑通叙事节奏，确认故事成立之后，再回到一致性上做精修。把精修放在错误的故事上，是最常见的浪费。
规模化生产：系列内容与团队协作
当内容从单条变成系列，一致性问题会从技术问题升级为流程问题。
建立角色资产库。 每个角色一个文件夹：参考图集、融合预设、参数记录、提示词模板、已通过校验的镜头清单。新人接手时能直接上手，不用重新摸索。
写一份镜头校验规范。 明确什么算通过、什么必须重做。比如五官关键点偏移超过多少就重生成，服装颜色偏差明显就重做。标准写下来之后，一致性就不再依赖某个人的眼力。
控制变量。 同一个项目里，尽量不要在中途更换基础模型版本、不要批量换参考图、不要随意改提示词结构。任何一次“顺手优化”都可能让后面所有镜头与前面对不上。
批量与抽查结合。 大规模生成时，不可能每个镜头都逐帧检查。可以按批次抽检，每个批次抽三到五个镜头做关键帧对比，发现漂移就立刻停下来回溯，而不是等全部生成完再返工。
把返工成本算进计划。 任何一致性流程都会有百分之十到二十的镜头需要重做，这是正常损耗。提前预留时间，比事后赶工更从容。
常见问题
需要专业美术基础吗？ 不需要绘画能力，但需要观察力。多数漂移问题不是靠调参数解决的，而是靠“看出来哪里不对”。养成把关键帧排成一列对比的习惯，观察力会很快提升。
几张参考图就够用了？ 四到八张是常见合理区间。少于四张，融合优势不明显；多于十张，边际收益低且容易引入冲突。更重要的是角度覆盖，而不是单纯堆数量。
手机随手拍的照片能用吗？ 能用，但要满足条件：光线均匀、背景干净、脸部清晰、角度多样。昏暗环境、强逆光、浓妆滤镜都会降低参考价值。如果条件允许，用同一套光照补拍一组会明显更稳。
为什么静帧很好，一动起来就崩？ 运动阶段引入了新的变量：动作幅度、帧间连贯、运动模糊。先降低幅度验证身份是否稳定，再逐步加大。如果小幅度也崩，问题多半在参考本身或参数配置，而不是运动。
一致性做到什么程度算合格？ 标准是观众在连续观看时不会出戏。要求完全像素级一致既不可能也不必要，反而会牺牲表演自然度。把目标定在“看得出是同一个人”，把精力放在叙事和节奏上，整体观感会更好。
可以用 AI 生成的角色再去做融合吗？ 可以，而且这是常见做法。先用少量生成图确定角色形象，再从中挑出角度最全、特征最清晰的一组作为融合参考。注意不要用同一批次的相似图凑数，角度重复的参考图对融合几乎没有增益。
多角色同框总是失败怎么办？ 先单独验证每个角色，再逐步合入。同时，尽量让两个角色在画面中的位置、光照、景深层次有区分，避免模型把两人的特征混在一起。必要的时候，用分层合成的方式处理同框镜头。
结语
角色一致性从来不是某一个按钮能解决的，它是一整套关于变量控制的方法：参考图决定上限，融合强度决定稳定区间，提示词决定身份边界，镜头设计决定暴露风险，排查清单决定返工效率。把这五件事按顺序做好，所谓的“素材限制”就不再是限制，而只是一个需要提前准备的环节。
真正的分水岭在于你是否愿意把流程固化下来。临时抱佛脚的做法是每个镜头重新试，做完一条片子筋疲力尽；系统化的做法是先花半天建立角色资产，之后每条片子都在这个基础上加速。前者靠运气，后者靠方法。选后者，你才有可能把 AI 视频从一次性实验，变成可以持续产出内容的稳定生产线。
