AI角色一致性指南：7步解决图像与视频漂移

用AI生成一个角色，第一张图很满意；可当你让同一个人出现在厨房里、夜晚、侧面视角时，得到的却像远房亲戚——下颌线变了、外套变了、发型也变了。角色漂移（Character Drift）是分镜脚本、短广告和漫画创作中最常见的抱怨之一。

好消息是，大多数漂移都源于几个可修正的习惯。下面是一套从第一张静帧到最终动画片段都能保持角色可识别的工作流。

第一步：写场景之前先写角色卡

多数人的做法是在每段场景提示词里重新描述一遍角色，而且每次措辞都略有不同。模型会把每一次措辞变化当成新的指令。

正确做法是写一段固定的文本块，原封不动地粘贴到每个提示词中：

Mira：二十多岁女性，黑色短波波头配齐刘海，圆形玳瑁眼镜，芥末黄雨衣，银色小圈耳环，神情平静。

一张好的角色卡有三条规则：

• 五到八个视觉锚点。 发型、眼镜、一件标志性服装、一件配饰、年龄区间、体型。
• 用具体名词，不用感觉词。 "芥末黄雨衣"能存活下来，"古怪文艺风"不能。
• 项目中途绝不修改它。 确实要改，就开一个新版本并重新生成参考图。

第二步：先锁定一张参考图

让角色单独站在纯色背景前，正面朝向、中性光线。生成几个变体，挑出一张作为主参考图（master reference）。

从那以后，每一张新镜头都使用图生图或参考图模式，而不是纯文生图。纯文本给模型的自由度太大，一张参考图则能把脸和服装钉住。

一个实用技巧是做一个简单的转面图：从主参考图生成正面、四分之三侧面和侧面三个视角。有了这三张，后续角度的稳定性会高得多。

**转面图（Turnaround Sheet）**源自传统动画的角色设定流程，指同一角色在正面、四分之三侧面、侧面（有时加背面）的并排视图。对生成模型而言，它的价值在于提供多角度的身份证据：单张正面图在侧面镜头中缺乏耳部、下颌轮廓与发型厚度的信息，模型只能猜测，于是产生“远房亲戚”感。制作时不要期望一次生成三视图，更可靠的做法是分别以主参考图为参考图模式输入，逐张生成各角度，人工挑选角度正确、特征一致的图，再把这组图一起作为该角色的参考图库。

第三步：把"是谁"和"在哪"分开

每个场景提示词都拆成两部分：

1. 一字不改的角色卡。
2. 场景：地点、动作、机位、光线。

[角色卡]。场景：她坐在咖啡馆窗边，雨夜，手捧纸杯，中景，暖色室内光，玻璃上有雨痕。

出现漂移时，你只需要改第二部分。问题因此变得容易定位。

参考图模式与图生图（Image-to-Image）的区别在于控制强度与输入方式。图生图通常把整张参考图作为初始噪声基底，再通过去噪强度（denoising strength）决定保留多少原图信息，强度低则贴近原图但构图受限，强度高则自由但易漂移。参考图模式（如 Midjourney 的 --cref、Stable Diffusion 的 IP-Adapter、Flux 的 Redux 等）则把参考图编码成独立的身份/风格向量，与文本提示词并行注入，不绑定构图，因此可以在全新场景中保持面部与服装特征。做转面图时，优先选用参考图模式而非高去噪的图生图，才能既换角度又不丢身份。

第四步：一次只改一个变量

把角色同时换到新地点、新姿势、新光线和新镜头，几乎必然漂移。先改地点，保持姿势简单；这一步成立后，再改光线；然后改角度。

这听起来慢，但比反复重生成二十张"都差一点"的图要快得多。

第五步：盯住常见的漂移触发器

• 极端特写和广角远景。 脸部在取景范围的边缘处漂移最严重，中景最安全。
• 重度风格词。 "油画""动漫""电影感"可能压过面部特征。风格定一次，写进角色卡里别再动。
• 杂乱背景。 人群和花纹墙会把细节从角色身上拉走。
• 手持新道具。 道具可以有，但要一次只引入一个。

第六步：从最好的静帧出发做动画，而不是从文本

进入视频阶段时，从一张你已经认可的静帧开始。图生视频对脸和服装的保持远好于用文本提示词直接生成片段。

运动提示词只谈运动：

缓慢推近。她举起杯子望向窗外。脸、眼镜和雨衣保持不变；不出现新人物。

3到5秒的短片段比长片段漂移更少。需要更长序列时，把多个短片段串起来，每一段都从一张已认可的帧开始。

**图生视频（Image-to-Video）**指以一张静帧作为视频的第一帧或条件输入，模型在此基础上预测后续帧的运动。与文生视频相比，它把外观信息从文本中解耦出来，交给了像素，因此脸、服装、光照在片段内更稳定。但图生视频并非零漂移：当运动幅度大、镜头快速旋转或角色转身背对再转回时，模型仍需“想象”未见过的面部，容易逐渐偏离。常见缓解手段包括缩短片段时长、减小运动幅度、在提示词中重申关键特征，以及在长序列中于每个片段起始处重新注入同一张参考帧。

第七步：维护项目日志

一个纯文本文件，记录角色卡、主参考图，以及那些确实奏效的提示词，能省下大量时间。当客户要求"再来一张Mira的镜头"时，你可以在几分钟内复现她。

可直接复制的工作流

1. 写角色卡。
2. 生成并选定主参考图及转面图。
3. 用参考图模式搭建每个场景，只修改提示词的场景部分。
4. 审核静帧。
5. 把已认可的静帧动画化为短片段。
6. 记录有效做法。

工具选择

任何支持参考图和图生视频的生成器都能跑这套流程。如果希望图像生成和视频生成在同一处完成，Sora2 Hub 是一个AI图像与视频生成器，可以创建静帧并直接动画化，无需切换应用。

一致性不是魔法，主要是纪律：一份固定描述、一张锁定参考图、一次只改一个变量。