写实合成已经进入工作流竞争阶段
过去几年，文本生成图像工具完成了第一次认知普及：输入一句话，几秒钟后得到一张看起来还不错的图。对社交媒体配图来说，这已经足够。但一旦进入广告、电商、短剧、游戏概念设计或品牌内容制作，标准立刻变了。制作方不再关心“能不能生成一张好图”，而是关心“能不能稳定地生成同一批好图”——同一个角色在二十个镜头里保持同一张脸，同一套服装在强光与弱光下保持同样的材质表现，同一组镜头在快速迭代中保持可以追溯的版本关系。
这就是写实合成从“模型能力”转向“工作流能力”的分界线。模型的单次输出质量仍然重要，但它已经不再是唯一的瓶颈。真正的瓶颈出现在四个地方：角色一致性、光照可控性、跨镜头连贯性，以及整个流程的可复现性。任何一个环节失控，最终成片都会露出明显的机器痕迹：脸在变、手在变、衣服的质地忽软忽硬、阴影方向和光源对不上、镜头之间的色调像来自两部不同的电影。
因此，下面讨论的不是某一份模型排行榜，而是一套可以复用的高清写实合成工作流：如何拆解写实度、如何在不同阶段切换不同引擎、如何锁定角色、如何写可维护的提示词、如何排查失败案例，以及如何在质量、速度与成本之间做出明确的取舍。这套方法适用于单张商业图，也适用于需要连续镜头的短片与动态内容。
一个实用的判断标准是：如果你把同一个创意交给两个人执行，得到的结果差异巨大，说明你的流程还没有沉淀下来。写实合成的成熟标志不是“某一次做得很像”，而是“任何时候都能做得像”。
写实度的四个可量化维度
“像不像真的”听起来主观，实际上可以拆成几组可检查的维度。拆开之后，你才能知道问题出在模型、提示词、参考图，还是后期处理。
纹理与材质细节
生成模型普遍倾向于把表面处理得过于平滑：皮肤失去毛孔与细小色差，织物失去经纬结构与褶皱方向，金属反射缺少环境信息，玻璃缺少厚度感与边缘折射。检查方法很简单——把画面放大到百分之二百，观察高频细节是否“有结构”，而不是均匀分布的噪点。
真实世界的细节总是有成因的。污渍会沿着重力方向堆积，磨损集中在下摆、袖口和手肘，划痕方向与使用习惯相关，灰尘在水平面上积得更厚。如果提示词里没有体现这些成因，模型就会给出平均化的表面。改进方式是在描述中写出材质的历史感，例如“领口因反复穿着而略微起球”“金属边框边缘有细微磕碰”，并在精修阶段用局部重绘补上关键材质，而不是期待一次性生成全部细节。
光照与色彩科学
写实的关键不是“亮”，而是光源逻辑自洽。主光、补光与轮廓光需要方向明确、强度关系合理；色温要有对比但不冲突；高光要有平滑的滚降，而不是一块死白；阴影不是纯黑，而是带有环境反射色的深色。
常见的失败是：脸部主光方向正确，但背景阴影方向不一致；或者整体对比度过高，看起来像过度处理的高动态范围照片。解决办法是在提示词中明确写出光源的数量、方向、色温与相对强度，例如“单一窗光从画面左后方进入，室内仅有一盏暖色台灯作为微弱补光”。后期阶段再统一做一次色彩管理，把不同镜头拉进同一套调色逻辑。
镜头语言与景深
焦段决定人脸比例与背景压缩感，光圈决定景深与散景形状，镜头畸变决定画面边缘的直线是否弯曲。模型默认倾向于“标准人像”视角，结果就是所有镜头都是同一焦段，画面扁平、缺少空间层次。
主动指定焦段可以立刻改善写实感：广角近景带来空间纵深与轻微透视夸张，中长焦中景带来人物与环境的隔离，微距特写则能突出材质。同时要注意运动模糊与快门角度——高速快门凝固动作，慢速快门带来拖影，两者混用在剪辑时会让节奏显得混乱。景深也不是越浅越好，过浅的景深会让背景完全糊成色块，反而暴露合成的生硬。
物理与时间连贯性
物理层面要检查：阴影是否随光源位置合理移动，布料下落是否符合重力，液面是否有表面张力，头发是否有惯性与分层。时间层面则要处理帧间闪烁——同一件衣服的纹理在相邻帧之间跳动，人脸轮廓轻微抖动，细小的边缘忽明忽暗。
解决方向是降低单帧的自由度：用参考图与关键帧约束模型，让分镜之间共享同一组种子与提示词骨架，避免参数在镜头之间剧烈跳变。如果素材已经生成，后期可以做稳定、降噪与时间域滤波，但这类修复只能减轻问题，不能根治。
多模型协同：什么时候该切换引擎
没有任何一个模型在所有阶段都最强。把流程分成四个阶段，每个阶段用不同的工具，是目前最经济也最可控的做法。关键不是收集尽可能多的模型，而是明确每个阶段的成功标准。
阶段一：概念探索
目标是快速试错。此阶段应选择生成速度快、构图自由度高、对提示词容忍度高的引擎，允许低分辨率、允许细节瑕疵，重点看构图、比例与氛围。建议每个创意方向一次性生成二十到四十张缩略图，用网格视图快速筛选，留下三张可用方向并记录参数。这个阶段最忌讳追求单张完美——那样会把大量时间浪费在最终会被否决的方向上。
阶段二：角色定妆
目标是锁定一个人物。此阶段需要写实度更高、对参考图响应更好的引擎。准备八到十五张同一角色的多角度参考，包括正面、四分之三侧、侧面、背面、不同表情与不同光照条件，用参考图驱动生成定妆图集，然后选定一张作为“主锚点”。此后所有镜头都以这张锚点为准，任何偏离都要回到定妆阶段修正，而不是在后续镜头里反复重生成。
阶段三：分镜与镜头扩展
目标是把角色放进不同场景与动作中。此阶段优先选择跨镜头一致性好、支持首尾帧或关键帧控制的引擎。建议按镜头逐个生成，每个镜头保留三个候选，并标注镜头号、时间码与所用参数。分镜阶段不要一次生成全部镜头，先做三到五个关键镜头验证一致性，再批量推进。
阶段四：放大与精修
目标是把定稿画面提升到交付分辨率。此阶段使用放大与细节增强工具，配合局部重绘修复手部、文字与边缘。要记住一个原则：放大不会创造不存在的结构。如果原图的骨骼比例或透视已经错了，放大只会把错误放大得更清晰。因此放大必须放在结构确认之后。
角色一致性：从参考图集到全局锁定
角色一致性是写实合成中最容易翻车、也最能体现工作流水平的部分。稳定一致不是靠运气，而是靠一套固定的约束机制。
建立角色档案。这份档案包含一张主锚点图、若干辅助角度图，以及一段文字描述，覆盖年龄、脸型、发型、发色、肤色、服装、标志性细节。文字描述的作用不是生成，而是防止后续提示词无意中覆盖了外貌信息。
覆盖足够角度。至少包含正面、四分之三侧、侧面、俯视、仰视五个角度。模型在没见过的角度上会自由发挥，这是漂移的主要来源。如果成片里有大量低角度镜头，就必须提前准备低角度参考。
为每种主要光照条件准备参考。角色的外观在不同光照下应该有稳定的解释方式：同样的鼻梁形状在硬光下会有明确的明暗交界，在柔光下会过渡平滑。如果只提供一种光照的参考，模型在换光时会重新解释整张脸。
锁定种子与权重。同一镜头序列尽量沿用同一组种子或同一组参考图权重，避免在镜头之间做大幅度参数跳变。参数跳变是帧间闪烁与脸型漂移的常见原因。
建立版本命名规范。推荐使用“角色名_场景_镜头号_版本”的格式，例如 lin_office_shot03_v2。版本混乱是返工的最大来源，尤其是在多人协作的项目中。每次生成都记录提示词、种子、参考图与输出路径，形成可追溯的记录。
失败信号要能提前识别：换场景后脸型变宽、眼睛间距变化、发型分缝方向翻转、服装细节消失（纽扣数量、口袋位置、领口形状）。一旦出现，不要反复重生成同一条提示词，而是回到参考图集补齐缺失角度。
提示词与参数：可复用的结构化模板
写实合成的提示词不应是形容词堆砌，而是一份结构化的技术说明。下面这个七段式模板在多数场景下都能稳定工作。
第一段写主体与身份：是谁、年龄区间、体型、面部特征、发型、服装。第二段写动作与状态：正在做什么、身体重心在哪里、手部的位置。第三段写环境与空间：室内还是室外、天气、时间、地面材质、背景元素的前后关系。第四段写光照设计：光源数量、方向、色温、强度对比、是否有反光板。第五段写镜头与画幅：焦段、机位高度、构图方式、景深范围。第六段写材质与风格：整体质感倾向、胶片颗粒、锐度、色彩倾向。第七段写负面约束：需要避免的东西。
负面提示词应该集中处理几类高频问题：多余的手指与肢体、水印与文字、过度磨皮、塑料感、畸变的脸部结构、重复的背景元素。把负面约束写成一份固定清单，团队共用，比每次临时想更有效。
参数方面要理解几个关键变量。分辨率决定可见细节的上限，但过高分辨率会让模型在缺乏约束时产生更多结构错误。宽高比要与分镜设计一致，频繁改变画幅会让剪辑显得零碎。采样步数与引导强度需要平衡：引导强度过高会让画面僵硬、对比生硬，过低则会让模型忽略提示词、自由漂移。参考图权重是角色一致性的核心旋钮，权重越高越接近参考，但也越容易在不同场景中显得违和。
一个实用建议是把整套参数写进项目文档，而不是留在个人笔记里。当团队里有新人加入时，一份可执行的参数说明比任何教程都有效。
光影与场景控制
单光源最容易做好，多光源最容易穿帮。这是写实合成中最值得记住的一条经验。
室内窗光是最容易出效果的条件：一个方向明确的大面积柔光源，加上环境的自然反弹光，可以同时提供方向感与柔和过渡。描述时写清楚窗户的位置、时间（清晨偏冷、黄昏偏暖）、以及室内是否有其他光源。
夜景霓虹的难点在于颜色污染。多个饱和色光源会让肤色变得不自然，解决方案是让主光保持中性，把霓虹当作轮廓光或环境反射，并在后期控制饱和度。
棚拍三点光的优势是完全可控，但容易显得“太干净”。适当加入一些不完美——地面轻微反光、背景有一点点渐变、道具留下使用痕迹——会让画面更可信。
外景阴天是最容易做写实的条件，因为光线均匀、阴影柔和，但也最容易显得平淡。此时靠构图、材质与色彩对比制造层次，而不是靠光影。
接触阴影是判断“贴地”的关键。角色站立时脚底与地面之间必须有明确的暗部，道具放在桌面上必须有接触阴影，否则画面会像贴纸拼接。很多初学者只关注主体的光影，忽略了物体与环境的接触关系。
反射与镜像也是重要的写实线索。湿地面、玻璃、金属、水面都会给出环境信息，但同时会暴露错误的几何结构。如果场景里有大面积镜面，务必在生成后逐帧检查反射内容是否合理。
色彩管理是最后一道关口。把所有镜头放进同一套色彩逻辑：统一白平衡倾向、统一对比曲线、统一高光与阴影的色彩偏移。哪怕每个镜头的生成参数不同，只要调色逻辑统一，观众就会认为它们属于同一个世界。
常见失败与排查清单
把高频问题整理成清单，可以在出问题时快速定位，而不是盲目重生成。
脸部漂移：参考图角度不足、参考权重太低，或者场景描述无意中覆盖了外貌描述。解决方式是补齐角度并提高参考权重。
手部畸形：让手部承担复杂动作是常见诱因。减少手部在画面中的占比，让手处于静止或半遮挡状态，再用手部专用重绘修复。
纹理塑料感：缺少材质成因描述，加上后期磨皮过强。补上磨损、污渍、纤维方向等描述，并降低平滑处理强度。
阴影不一致：光源描述自相矛盾，例如同时写了窗光与顶灯但方向冲突。统一为单一主光逻辑，其他光源只作为弱补光。
帧间闪烁：关键帧约束不足，或分镜之间的参数跳变过大。统一种子与提示词骨架，必要时在后期做时间域稳定。
文字乱码：不要把可读文字交给生成模型。先生成空白或模糊区域，再用排版工具叠加文字。
色调割裂：缺少统一的调色环节。建立一套基础调色模板，所有镜头走同一条处理链路。
构图扁平：全程使用同一焦段。为每个镜头明确指定焦段与机位高度，制造空间层次。
比例失真：人物与道具的比例、人物与建筑的比例出错。在提示词中给出明确参照物，例如“人物高度约为门框的四分之三”。
质量、速度与成本的取舍
写实合成没有唯一正确的配置，只有与用途匹配的配置。把项目分成三档，可以避免资源浪费。
快速验证档：低分辨率、少量候选、快速引擎。适合创意筛选与内部提案。这一档允许明显瑕疵，目标是三小时内确定方向。
标准交付档：中等分辨率、参考图锁定、每个镜头三个候选，配合手部与关键局部重绘。适合社交媒体内容、产品展示、中小型广告。这一档需要稳定的角色档案与参数记录。
高端档：多轮精修、专业放大、逐镜头调色、人工补充绘景与细节。适合品牌主视觉、院线级预告片、需要长期复用的角色资产。这一档的时间预算通常是最低档的五到十倍。
决策标准包括四项：内容的最终用途与曝光渠道、可接受的返工率、交付周期、以及团队规模。如果内容只在小屏幕的竖版信息流中出现，过度追求毛孔级细节并不划算；如果画面要在大银幕上停留三秒以上，任何结构错误都会被放大。
一个完整的短片制作流程示例
以一个六十秒、包含十二到十六个镜头的写实短片为例，说明工作流如何落地。
第一阶段，剧本与分镜。确定叙事结构，把六十秒拆成十二到十六个镜头，标注每个镜头的时长、景别、动作与情绪。这一阶段不生成任何画面，只做纸面设计。
第二阶段，角色定妆。用多角度参考生成定妆图集，选定主锚点，输出一份角色档案与参数记录。这一步通常占整个项目时间的一成到一成五，但它决定后续效率。
第三阶段，镜头生成。先用三到五个关键镜头验证一致性，确认后批量推进。每个镜头保留三个候选，先出低分辨率版本确认构图与动作，再对选中的候选做高清重生成。
第四阶段，放大与局部修复。统一做放大与细节增强，逐帧检查手部、文字、边缘与反射。发现问题回到局部重绘，而不是整张重生成。
第五阶段，剪辑与调色。按分镜时长粗剪，检查节奏与连贯性，然后统一调色，让所有镜头落在同一色彩逻辑里。这一阶段经常需要回头补拍一两个镜头。
第六阶段，声音与终版。配音、音效与音乐往往能显著提升画面的可信度，因为观众对声音与画面的同步非常敏感。最后做一次完整审片，检查是否有跳帧、闪烁、比例错误与文字问题。
整个流程中最容易被低估的是第二与第四阶段。多数团队把时间花在反复生成上，却忽略了角色档案与精修环节，结果就是不断返工。
常见问题解答
问：写实合成一定要用多个模型吗？
答：不一定，但多数项目会自然地分成不同阶段。概念探索需要速度，定妆需要参考响应，镜头扩展需要跨镜头一致性，放大需要细节增强。如果单个工具在这四件事上都表现良好，完全可以只用它，只是要接受在某些环节上的效率损失。
问：为什么我的角色换场景后总是变脸？
答：最常见的原因是参考角度不足与参考权重过低。其次是场景描述过长，无意中覆盖了外貌描述。建议把外貌描述固定成一段可复用的文本，与场景描述分开维护。
问：提示词应该写多长？
答：长度不是关键，结构才是。一段结构清晰、约两百字左右的提示词，通常比五百字的形容词堆砌更稳定。重点是主体、动作、环境、光照、镜头、材质、负面约束七个部分都要有明确指向。
问：放大后画面出现奇怪的纹理怎么办？
答：说明放大模型在原图信息不足的区域进行了推测。降低放大倍率，分两次放大，或者在放大后对局部做轻微降噪与细节收敛，通常能缓解。
问：如何判断一个镜头是否已经可以定稿？
答：把画面缩小到实际播放尺寸看一遍，再放大到百分之二百看一遍。缩小后如果结构依然成立、光影依然合理，放大后如果关键材质站得住，就可以定稿。只在放大状态下反复打磨，容易过度处理。
问：预算有限时应该优先保证什么？
答：优先保证角色一致性与光照合理，其次才是分辨率与细节。观众对脸的稳定性和光线逻辑极其敏感，对纹理的高频细节反而不那么敏感。
问：视频生成与静态图像合成的工作流差别大吗？
答：核心逻辑相同，但视频需要在时间维度上额外约束。静态图中的小瑕疵在运动中会被放大，因此关键帧控制、种子统一与帧间稳定变得更加重要。建议先用静态图把角色与光照定下来，再进入视频生成。
把上面这些环节固化成模板与检查清单，写实合成就会从一个靠运气的技能，变成一项可以交付、可以复用、也可以被团队稳定执行的能力。
