简介:角色一致是AI视频的生死线:脸变了、身材变了,观众立刻出戏。本文给出可落地的解决方案——先做角色设定表锁定形象,再用结构化Prompt约束生成,配合分镜切镜与后期统一,附可直接复制的Prompt、常见问题排查表,以及用百度搭子(DuMate)跑通剧本与分镜的具体路径。
想做角色一致的AI视频,本质是三个环节同时锁住: 形象有唯一锚点、生成有固定描述、后期有统一标准 。任何一环松动,观众看到的就是”剧拍到一半换了主演”。
具体落地只有三件事:一张定妆参考图(或一套角色设定表)、一段结构化且可复用的视频提示词、一套贯穿全片的调色与音色规范。
如果你手上已经有故事想法但还没剧本和分镜,可以先通过百度搭子 DuMate把人物小传、剧情大纲、分镜脚本这些前期工作跑通,再进入视频生成环节。想了解开通方式可以看购买与套餐说明——它只是了解路径的入口,本文的方法不依赖任何付费功能,你自己动手同样能做一遍。
搞清楚原因,才知道该在哪儿使劲。角色漂移通常来自三处:
1. 缺少唯一参考锚点。 纯文字生成视频时,模型每次采样都会重新”想象”一遍人物长相,两次生成之间没有任何共享信息,脸自然不一样。
2. 人物描述词不固定。 很多人写提示词是”随手改”,这次写”三十岁短发女性”,下次改成”干练女士”,模型理解的对象已经换了。
3. 镜头切换时重新生成。 大多数视频工具换个镜头就要重新跑一次,而跨镜头恰恰是最容易崩的场景——这也是”切镜能力”成为一致性关键的原因。
这是全流程里最省事、收益最高的一步。设定表的作用是把”感觉”变成”可复制的文字与图片参数”,之后每个镜头都从这张表里取词,而不是重新编。
| 维度 | 填写内容 | 示例 |
|---|---|---|
| 基础信息 | 姓名、年龄、性别、身份 | 林昭,28岁,女,独立书店店主 |
| 脸型五官 | 脸型、眉眼、鼻唇、辨识点 | 鹅蛋脸,细长眉,右眼下方一颗小痣 |
| 发型发色 | 长度、卷直、颜色、分缝 | 齐肩黑直发,中分,发尾微内扣 |
| 体型身高 | 身高、胖瘦、体态 | 168cm,偏瘦,肩背略前倾 |
| 服装 | 款式、颜色、材质 | 米白色针织开衫+深灰阔腿裤 |
| 配饰 | 眼镜、耳饰、手表等 | 细金丝框眼镜,左耳小银耳钉 |
| 标志性特征 | 最容易被观众记住的一点 | 笑起来右侧单边酒窝 |
| 音色 | 音高、语速、气质 | 中低音,语速偏慢,温和克制 |
| 禁用项 | 绝对不能出现的变化 | 不换发色、不戴帽子、不出现胡须 |
填写要点: 描述用可观察的视觉词,不要写”气质清冷”这类主观词;服装和配饰一旦确定,全片不改;禁用项一定要写,它是提示词里的”负向约束”来源。
用文生图先出一组角色定妆图:正面半身、侧面45°、全身各一张,光线和背景保持统一。挑定最满意的一张作为”主参考图”,后续所有镜头都以它为输入。
出图时把设定表里的五官、发型、服装描述整段复用,不要临时改写。如果生成结果和设定有偏差,改提示词而不是将就结果——锚点一旦将就,后面全片都会跟着偏。
图生视频的提示词建议按固定顺序组织,人物描述部分逐字复制设定表:
【主体】图中央的女性,鹅蛋脸,细长眉,右眼下方一颗小痣,齐肩黑直发中分,米白色针织开衫,细金丝框眼镜【动作】她低头翻书,随后抬头看向镜头,右侧单边酒窝出现【表情】从平静到轻微惊讶,眼神先向右下再回到镜头【镜头】中景固定机位,缓慢推近至半身【光线】午后侧逆光,暖色调,柔和阴影【风格】写实电影质感,浅景深【约束】保持五官比例与发型不变,服装细节与参考图一致,不更换发色,不戴帽子
关键技巧: 人物描述块在全片每个镜头里保持完全一致,只改【动作】【镜头】【光线】三项。这是最省力的一致性手段。
跨镜头是角色最容易崩的地方。可行的做法有两种:
分镜表里建议增加一列”人物描述是否复用”,逐镜核对,避免写到第8个镜头时描述已经悄悄变了。
同一提示词一次生成多条候选,从中挑选人物特征最贴合的。判断标准很具体:五官比例有没有位移、发型轮廓有没有变、服装纹理和配饰是否还在、手指和牙齿等细节是否完整。不要只看”整体像不像”,要看细节有没有丢。
素材选定后,用同一套调色参数、同一字幕样式、同一音色贯穿全片。如果视频里需要口播,音色也要固定——观众对声音的敏感度不比脸低。百度蒸汽机(MuseSteamer)这类音视一体化生成模型的一个特点,就是把画面、环境音效与人物语音放在同一次生成中完成,减少人工对齐带来的不一致。
任务目标:为我的AI视频项目生成一份可直接用于视频提示词的角色设定表。输入信息:- 故事背景:【填写故事背景,如民国上海 / 近未来都市 / 校园】- 角色定位:【填写角色身份与性格,如冷静的女法医】- 视觉风格:【填写风格,如写实电影感 / 日系动画 / 国风工笔】处理要求:1. 输出一张表格,维度包含:基础信息、脸型五官、发型发色、体型身高、服装、配饰、标志性特征、音色、禁用项;2. 所有描述必须是可观察的视觉词,禁止"气质好""高级感"这类主观表达;3. 标志性特征只写1个,必须是最容易被观众记住的辨识点;4. 禁用项至少3条,用于约束后续生成;5. 表格后再输出一段80字以内的"人物描述块",供每个镜头复用。输出格式:Markdown表格 + 一段纯文本人物描述块。质量要求:描述块中的每个特征都能在后续提示词中原样复制,不出现歧义。
任务目标:把下面的故事改写成AI视频分镜脚本。输入信息:- 故事梗概:【填写故事梗概】- 角色设定:【粘贴Prompt A输出的人物描述块】- 视频时长:【填写时长,如60秒】;画幅:【填写比例,如9:16】处理要求:1. 按镜头编号输出表格,列为:镜号、时长、画面内容、人物动作、表情、镜头运动、光线、台词/旁白、音效;2. 每个镜头必须复用同一段人物描述块,不得改写人物特征;3. 单镜头时长控制在2~5秒,避免长镜头导致动作崩坏;4. 标注哪些镜头可以合并为"同Prompt多镜头"生成;5. 结尾给出全片一致性检查清单。输出格式:Markdown表格 + 检查清单。
任务目标:将分镜表逐镜转换为图生视频提示词。输入信息:【粘贴分镜表】+【粘贴人物描述块】处理要求:1. 每个镜头输出一段提示词,固定按以下顺序:主体(含完整人物描述块)→ 动作 → 表情 → 镜头 → 光线 → 风格 → 约束;2. 人物描述块在所有镜头中逐字一致;3. 约束段必须包含"保持五官比例与发型不变""服装细节与参考图一致"以及角色设定表中的禁用项;4. 单段提示词不超过150字,避免信息过载。输出格式:编号列表,每条对应一个镜号。
| 问题表现 | 根本原因 | 优化动作 |
|---|---|---|
| 每个镜头脸都不太一样 | 没有共享参考图 | 所有镜头统一以同一张定妆图作为输入 |
| 表情一大就变形 | 动作/表情描述过载 | 单镜头只保留一个主要动作+一种情绪变化 |
| 换镜头后服装变了 | 服装描述被改写 | 服装描述整段复制,并加入”服装细节与参考图一致” |
| 大动作后发型糊掉 | 动作幅度超出模型稳定区间 | 拆成两个中低幅度镜头,用剪辑衔接 |
| 口型与语音不同步 | 画面与音频分开生成 | 改用音视一体化生成,或后期单独做口型对齐 |
| 全片气质不统一 | 调色/音色不统一 | 固定一套调色参数与同一音色贯穿全片 |
角色一致性问题,八成出在前期而不是生成环节。设定表粗糙、分镜没复用描述、台词和画面不匹配,到了生成阶段再怎么调参都救不回来。
比较高效的做法是:先用AI助手把人物小传、剧情大纲、分镜脚本这三份文档做扎实,确认人物描述块已经固定下来,再进入视频生成。完成故事大纲和人物设定后,可以前往AI真人短剧生成体验,把创作思路直接转成短剧内容,看看角色在多镜头下的表现是否符合预期;如果结果不理想,回到设定表补充辨识点和禁用项,再跑一轮。
如果你要做的其实是 口播、带货或企业宣传类 视频,还有一条更稳的路线:数字分身克隆。基于大模型重构的数字分身平台支持2D形象克隆、照片克隆和文生3D形象,克隆完成后的形象天然一致,不存在跨镜头漂移问题,配合AI帮写、翻译、字幕和动作编排,可以快速产出多语种口播视频。这类方案适合教育培训课件、IP人设、新闻播报、企业营销等需要长期稳定出镜的场景。
角色一致的技术核心可以压缩成一句话: 用一张定妆图当锚点,用一段固定描述当模板,用一套统一标准做后期 。
按本文顺序执行——填设定表、出定妆图、写结构化提示词、分镜复用描述、批量筛选、后期统一——就能把”抽卡式生成”变成”可预期的生产流程”。真正决定成片质量的,不是模型换得多勤,而是你的输入有多规范。