串戏从哪里来：先诊断，再解决
多镜头 AI 视频最令人崩溃的瞬间，不是画面不够漂亮，而是同一个角色在下一镜里变成了另一个人。前一秒还是短发利落的都市白领，下一秒头发变长、下颌线变圆、连外套的灰都换成了另一种灰。观众会立刻出戏，而创作者往往要重跑几十次生成才能勉强救回来。这类问题业内常叫“串戏”，它的本质不是模型不够聪明，而是整条生成链路缺少稳定的身份约束。
在开始调参之前，先弄清楚串戏究竟是哪一类问题。不同成因对应完全不同的解法，盲目加提示词只会让画面越来越僵。
四种典型的串戏表现
第一种是面部漂移：五官比例、脸型宽度、眼距、鼻梁高度在镜头之间来回摆动，远看像，近看不像。第二种是造型漂移：脸基本稳住了，但服装颜色、材质、配饰、发型长度换了。第三种是气质漂移：五官对得上，可角色的年龄感、体态、镜头前的“人味”变了，从演员变成了塑料模特。第四种是同框污染：两个角色一起出现时特征互相渗透，A 的眉眼长到了 B 脸上。
这四类问题的优先级要分清。面部漂移属于身份问题，必须靠参考图与身份约束解决；造型漂移通常属于变量管理问题，靠分镜表与服装卡片解决；气质漂移多与提示词的表演描述、镜头焦距和光影有关；同框污染则需要在生成时做角色分区与分层合成。
为什么单张参考图必然漂移
只上传一张正面照，模型实际上只掌握了一个视角下的二维投影。当镜头转到四分之三侧面、俯拍或低角度仰拍时，模型必须“猜”这张脸在三维空间里长什么样。猜得准是运气，猜不准是常态。更要命的是，单图参考往往连服装和背景一起绑定：模型无法区分“这是角色的脸”和“这是照片里的那件衬衫”，于是换场景时把衬衫也一起扔掉，或者把背景的暖色调强行带进冷色调的场景。
一致性不是“像”，而是“稳定”
很多创作者追求的是“某一帧特别像参考图”，但真正需要的是“所有帧都保持在同一个可接受区间内”。单帧惊艳没有意义，如果它在下一镜就崩了。判断标准应该是：把全片抽帧排成一张九宫格，如果第一眼看不出哪一帧是异类，说明一致性达标；如果一眼就能挑出“那一帧不对劲”，说明身份约束太弱。建议在项目初期就建立这个抽帧对比习惯，它比逐帧盯着看高效得多。
多图融合的核心逻辑：把身份从画面里抽出来
多图融合的基本思路并不神秘：不再用文字去描述一个人，而是用多张图片让系统自己提取出这个人的身份特征，然后把这份特征作为约束条件注入每一次生成。文字描述是“共享词汇”，不同模型对同一句话的理解天差地别；而多图参考是“共享视觉样本”，它把沟通成本从语言层降到了特征层。
参考图不是越多越好，而是越“正交”越好
信息论里有个朴素的道理：冗余信息不会增加信息量，只会增加噪声。上传十张几乎一样的正脸自拍，模型得到的仍然是同一张脸的同一种光照，反而可能把这些照片里的压缩噪点、皮肤瑕疵、背景色当成身份的一部分。真正有效的一组参考图应该在不同维度上互相补充：
- 角度维度：正面、四分之三侧面、正侧面各一张，如果角色有标志性侧脸线条再补一张近侧。
- 光照维度：柔和散射光、硬光、逆光各一张，避免全部来自同一盏顶灯。
- 表情维度：中性表情为主，加一两个自然微笑或皱眉，但不要放夸张的鬼脸，否则表情特征会被误当成身份特征。
- 景别维度：一张面部特写、一张半身、一张全身，让系统同时掌握脸部比例与身体比例。
实操上，六到十张高质量参考图是比较舒服的区间。低于四张，身份约束偏弱；超过十五张，边际收益迅速下降，而且容易引入互相矛盾的信号：比如三张照片里角色戴着眼镜、五张没戴，模型就不知道该不该保留眼镜。
身份层、服装层、风格层的三层解耦
一致性做得好的人，脑子里都有一张分层图。
身份层包含脸型骨相、五官距离、肤色基调、发色发质与身体比例。这一层应当被牢牢锁定，全片不变。服装层包含衣服款式、颜色、材质、配饰与鞋子。这一层允许在不同场次切换，但同场次内必须一致。风格层包含影调、色彩倾向、镜头质感、颗粒与画面比例。这一层属于整支片子的视觉统一，与角色身份无关，不应该被参考图绑架。
三层混在一起处理，就会出现“角色一换场景，连打光风格也一起变了”的尴尬。正确做法是：参考图主要喂养身份层，服装用独立的造型参考控制，风格则通过统一的提示词与后期调色统一。
特征锁定与释放：哪些该固定，哪些该允许变化
锁死一切会让角色变成蜡像：表情僵硬、姿态机械、光影毫无变化。比较合理的原则是“锁身份、放表演”：脸型、五官比例、发色基调、身体骨架锁死；表情强度、头部角度、肌肉张力、手部姿态留出自由。测试方法很简单，生成一组同一角色不同情绪的近景，如果五官稳定而情绪有变化，说明权重分配合理；如果每换一个表情脸就变形，说明身份权重偏低；如果所有表情看起来一模一样，说明权重偏高或参考图表情过于单一。
角色圣经：决定成败的前期准备
专业团队会把角色当成一个资产来管理，而不是每次生成前临时找几张图。这个资产通常叫“角色圣经”，它让整支片子在数十个镜头、数天协作中不会跑偏。
参考图采集清单
无论角色是真人模特、3D 数字人还是 AI 生成的虚构人物，采集规范都一样：白底或干净背景优先；统一至少 2000 像素的短边分辨率；避免美颜与过度磨皮，因为滤镜会把毛孔结构和皮肤纹理抹平，导致模型只能靠猜来补皮肤细节，反而更容易漂移；不要在参考图里加入强风格化滤镜，除非整支片子都是那种风格。
如果角色是纯生成的，先用图像模型产出一批候选形象，人工挑选最满意的一张作为“角色基准图”，再围绕它对角度进行延展。这个顺序很重要：先定基准，再扩角度；反过来做，你会得到一群长得像亲戚但不完全一样的人。
命名、版本与目录结构
一个在项目后期救命的习惯：所有资产用统一命名。例如 char_lin_face_front_v03.png、char_lin_wardrobe_office_v02.png。版本号不要把旧版本删掉，因为经常出现新版本反而不如旧版本的情况，需要回滚对比。目录建议按“角色 / 面部参考 / 造型参考 / 场景参考 / 输出”分层，输出目录里再按“场次—镜号”命名，这样在剪辑软件里对齐素材时几乎不会出错。
一页式角色简报模板
把下面这几行填满，胜过反复试错：角色名与年龄感、三到五个不可变的身份特征（例如“窄下颌＋高鼻梁＋左眉尾小疤”）、固定发色与发型、默认体态与身高比例、常用服装套数、三种典型情绪、两条禁止出现的特征（例如“不要胡子”“不要戴耳环”）。这份简报在多人协作时尤其重要，它把“我觉得不像”这种主观讨论，变成可以逐条核对的清单。
从参考图到第一个锁定镜头：完整实操流程
下面这套流程按顺序执行，可以最大限度减少无效生成。
第一步：单帧定妆测试
不要一上来就生成视频。先用图生图或文生图产出一张正面近景静帧，把身份权重调到一个中间值，观察五官结构是否与参考图一致。这一步的目标只有一个：确认“这个人对了”。如果静帧都不对，视频只会更糟。通常需要三到五轮迭代，每轮只改一个变量，方便定位。
第二步：三视图压力测试
定妆通过后，立刻做角度压力测试：正面、四分之三侧面、正侧面。很多角色在正面很稳，一到侧面就崩，原因是参考图里缺少侧面样本。补齐侧面参考图后重跑，通常能显著改善。如果侧面依然崩，检查是否存在“同一张脸混合了不同人”的情况，比如参考图里有一张是相似演员的照片，模型会把两个人的特征平均化。
第三步：表情与动作扩展
在静帧层面测试三到五种情绪：平静、微笑、愤怒、惊讶、疲惫。这一阶段允许脸略有变化，但要保证“是同一个人在演”。如果某个情绪必然导致变形，可以降低该情绪的强度描述，或改用更明确的动作指令，例如“嘴角微微上扬”比“狂喜”更容易稳定。
第四步：跨场景迁移验证
最后把角色放进两个差异很大的场景：室内暖光与室外冷光。观察身份层是否稳定、服装层是否按预期切换、风格层是否被场景带走。通过这一步，你就得到了一组可靠的参数组合，可以开始正式生成长片。跨场景测试是最容易被跳过、也最容易翻车的一步，尤其是在需要夜景、雨景、逆光这类极端光线时。
分镜与提示词：每一镜都为一致性服务
提示词的结构公式
一个稳定的提示词结构可以概括为：主体 + 外观锚点 + 动作 + 镜头语言 + 光影 + 风格 + 排除项。外观锚点只需要三到五个最关键的不可变特征，写多了会稀释权重；镜头语言包括景别、机位高度、焦段感与运动方式；排除项用于压掉常见错误，例如“不要换发型”“不要改变服装颜色”。注意排除项不要堆太多，超过三四个后效果会互相抵消。
生成静帧时，提示词可以写得具体一些；进入视频生成后，提示词反而要更克制，因为视频模型会把描述里的每个词都理解成时间轴上的变化指令，写得越花，画面越飘。
哪些信息交给参考图，哪些写进文字
原则很简单：能被看见且不该变的，交给参考图；需要随时间变化的，写进文字。脸、发色基调、身体比例属于前者；情绪变化、动作方向、说话节奏属于后者。服装比较特殊，既需要被看见又需要切换，建议做法是给每套服装单独准备一张造型参考图，在对应场次加载，而不是在提示词里用文字描述颜色，因为文字描述颜色极不稳定。
镜头语言的一致性税
同一角色在不同焦段下的脸会自然变化：广角近摄会拉伸五官，长焦会压缩脸型。这不是模型错误，而是光学规律。如果整片镜头语言跳跃过大，观众会把合理的透视变化误读成“人变了”。所以固定角色时最好也固定一套镜头语言偏好，例如“全片以 35mm 到 50mm 观感为主，特写不超过两次”。这不只是美学选择，也是降低一致性成本的技术手段。
长片叙事：如何把漂移压进可接受区间
短视频里三秒钟的漂移可以忽略，三分钟的长片里它会累积成灾难。
锚点帧与回溯重生成
推荐做法是每隔若干镜头设一个“锚点帧”：挑出身份最稳的一帧作为参照，后续镜头都以它为视觉比对目标。一旦发现某一镜与锚点帧差异过大，不要顺着往下生成，而是回到上一个锚点重做这一镜。逆向修补比顺着硬撑的成本低得多，因为漂移是会传递的，坏的一帧会污染后续所有以它为参考的生成。
分段生成与拼接
长片不要一次性生成。按场次切成 5 到 10 秒的片段，每段用自己的首帧约束，段与段之间用首尾帧衔接或交叉剪辑过渡。拼接时最容易露馅的是色温与对比度：两段单独看都正常，接在一起却像两个不同的调色师做的。解法是在剪辑软件里对整条时间线做一次统一调色，把色温、饱和度和胶片感拉到同一基准，这一步花的时间远比重新生成便宜。
服装、发型与道具的可控变量
把“角色可能变化的所有元素”列成一张变量表：发型长度、刘海方向、外套颜色、内搭、鞋、随身道具、妆容强度。每个变量标注“锁定”或“按场次切换”。这张表是团队协作的通用语言，也是排查问题的索引：当发现角色头发变短，你立刻能查到该镜是否错误加载了另一套造型参考。
多模型协同与成本控制
什么场景该用哪种模型
没有全能模型，只有分工。写实人物特写优先选择人像保真度强的图像与视频模型；大范围运动镜头选择运动连贯性好的模型；风格化动画则选择对线稿和色块友好的模型。判断方法是小样本对拍：用同一个角色、同一个提示词、同一张参考图在三四个模型上各跑一次，比较身份保留度、运动自然度和手部质量，再把结论写进项目文档，后续直接复用，不要每次重新试验。
混用模型的失败案例
最常见的翻车是“静帧用一个模型、视频用另一个模型”。两个模型的色彩空间和皮肤渲染倾向不同，结果就是角色在动起来的一瞬间肤色突变。另一个常见问题是同一支片子里换了模型却没换提示词，导致镜头质感断层。如果确实需要混用，务必在两个模型之间加一道中间处理：统一白平衡、统一锐化程度、统一画面比例，再进入剪辑。
草稿—精修两段式工作流
控制成本最有效的方法是两段式：第一段用低分辨率、短时长、低采样步数快速验证构图、动作与身份是否成立；第二段只对通过的镜头做高分辨率精修。这个顺序能把无效开销砍掉一大半，因为大部分失败发生在草稿阶段，而不是画质阶段。建议把草稿阶段的验收标准定死：身份对、动作对、构图对，三条全过才进入精修。
故障排查手册
脸像但气质不像
通常是参考图的表情与体态过于单一。补充一张自然状态下的半身像和一张全身像，并在提示词里加入角色状态描述，例如“略显疲惫、肩膀放松”。气质很大程度来自身体姿态与视线方向，而不只是五官。必要时提高镜头对环境光的描述，让人物处在明确的光源关系里，而不是均匀平光。
换镜头就换衣服
检查是否把服装信息写进了提示词而不是用造型参考控制。文字描述颜色时，模型往往会在不同光照下做出不同解读。改成“场次＋造型参考图”的组合，并在提示词里明确“保持当前服装不变”。同时确认没有在排除项里误写成“不要外套”这类反向指令。
多角色同框互相污染
同框生成时身份特征容易混合。可行的策略是分层处理：先分别生成两个角色的单人镜头，再用合成与局部重绘把两人放进同一画面，并对各自的头部区域做局部控制。另一个策略是拉大两个角色的视觉差异：发色、体型、服装明度至少有一项形成强对比，模型更容易把它们分开。
越到后面越崩
这是典型的误差累积。解决办法是缩短链条：不要用上一段的末帧作为下一段的首帧，而是回到锚点帧重新起步，只在必要时参考邻近段。同时检查参考图集是否被“污染”：如果中途加入了一张新参考图，它可能改变了整个身份特征的平均值，导致前后段归属不同身份。
常见问题与上线前检查清单
参考图需要几张？ 四到十张是实用区间，覆盖正面、侧面、半身、全身与不同光照。少于四张身份约束偏弱，多于十五张容易互相矛盾。
可以用同一张图的不同裁切吗？ 不建议。裁切不会带来新的视觉信息，只会让权重失衡。
真人角色和虚构角色处理方式一样吗？ 流程一样，但真人角色要额外注意肖像授权与素材合规，并在参考图选择上避免使用同一人的不同年龄段照片，否则年龄感会漂移。
为什么我锁得越死，画面越假？ 因为身份锁定与表演自由度是一对需要平衡的参数。先把身份锁住，再逐步放开表情与姿态，找到那个“像但不僵”的平衡点。
长片一定要分段吗？ 强烈建议分段。分段不仅是为了绕开时长限制，更是为了让每一段都有独立的首帧约束与验收机会。
上线前检查清单： 抽出全片九宫格比对身份；逐场次核对服装变量表；检查色温与对比度是否统一；确认手部与道具没有明显畸变；确认镜头语言没有超出预设焦段范围；确认所有用到的参考图版本已经归档并注明路径。
结语：一致性是一门工程，不是一次抽奖
把角色拍稳，靠的不是运气，而是一套可复制的流程：用正交化的多图参考把身份抽出来，用分层思维区分身份、服装与风格，用锚点帧和变量表控制长片里的漂移，用两段式生成控制成本，用清单式排查替代凭感觉调参。当这些步骤变成肌肉记忆之后，你会发现真正稀缺的资源不再是算力，而是前期那份把角色写清楚的耐心。先把人定住，再让故事动起来，多镜头 AI 视频才谈得上电影级的观感。
