1. 角色换脸这件事，到底卡在哪一步
做AI视频的人，十个里有八个被同一个问题折磨过：第一段视频里主角还是那个眉眼清秀的姑娘，切到第二个镜头，脸型突然宽了一圈，眼睛间距也变了，再往后几段，干脆换了个物种。你反复检查提示词，明明写的是同一句“25岁亚洲女性，鹅蛋脸，丹凤眼，黑色长直发”，可出来的结果就是每段都不一样。
我前后折腾了三个月，从最开始的文生视频，到后来的图生视频，再到搭工作流做分镜，踩过的坑能写满一个笔记本。最后才慢慢摸清楚，角色一致性这件事，根本不是靠一句提示词就能锁住的，它是一整套从素材准备到生成策略再到后期筛选的工程问题。
这篇文章主要聊三件事：第一，为什么你的AI视频角色会换脸，底层原因有哪些；第二，在提示词层面能做哪些约束，哪些约束其实是无效的；第三，工作流层面怎么设计，才能让角色在不同镜头之间保持稳定。适合已经上手过AI视频生成工具、但被一致性问题卡住的朋友，也适合刚开始接触、想少走弯路的同学。
先给一个结论：角色一致性差，九成以上的情况不是模型不行，而是你的输入信息在不同镜头之间发生了漂移。模型每次生成都是独立采样，你不给它一个稳定的锚点，它就只能自由发挥。
2. 角色为什么会换脸：从采样机制说起
2.1 每次生成都是一次独立采样
现在主流的AI视频生成工具，无论是文生视频还是图生视频，底层逻辑都是扩散模型。扩散模型的核心是去噪过程：从一团随机噪声开始，一步步去掉噪声，最后得到一张图或一段视频。关键在于，这个“随机噪声”每次都不一样。
你可以把它理解成掷骰子。你告诉模型“我要一个鹅蛋脸的女性”，模型确实会往这个方向去生成，但骰子掷出来的具体点数——脸有多宽、眼睛多大、鼻子多高——每次都有细微差别。单看一段视频，这些差别可能不明显；但把几段视频拼在一起，观众的眼睛立刻就能捕捉到不一致。
更麻烦的是，视频生成比图片生成多了一个时间维度。模型不仅要保证每一帧内部的角色长相合理，还要保证帧与帧之间角色的长相连贯。这相当于在原本就困难的采样问题上又加了一层约束。很多工具在单帧质量上做得很好，但时间一致性上就露怯了。
2.2 提示词漂移：你以为你写的一样，其实不一样
我刚开始做的时候，习惯每段视频都重新写一遍提示词。第一段写“25岁亚洲女性，鹅蛋脸，丹凤眼，黑色长直发，穿白色衬衫”，第二段写“年轻亚洲女生，脸型偏圆，眼睛细长，黑发，白衬衣”。在我看来这两句描述的是同一个人，但模型不这么认为。
“鹅蛋脸”和“脸型偏圆”在语义空间里是两个不同的向量，“丹凤眼”和“眼睛细长”也不完全等价。模型会根据这些细微的语义差异，调整生成结果。一段两段看不出来，十段八段累积下来，角色就面目全非了。
这个问题在跨镜头的时候尤其严重。比如第一个镜头是正面特写，第二个镜头是侧面中景，第三个镜头是背面远景。你用的提示词可能都是同一套，但模型在不同景别下对“同一张脸”的理解是不一样的。正面特写时它关注五官细节，侧面中景时它关注轮廓和姿态，背面远景时它干脆只关注发型和服装。结果就是，每个景别下的角色都“合理”，但拼在一起就不像同一个人。
2.3 参考图质量：你给的锚点本身就不稳
图生视频是解决一致性的常用手段，但很多人用错了方向。我见过不少朋友随便找一张网图就往里扔，结果生成的角色跟参考图只有三分像。问题出在参考图本身：分辨率不够、光线太复杂、角度太偏、遮挡太多，都会导致模型提取不到稳定的面部特征。
还有一个容易被忽略的点：参考图的风格要和目标视频的风格匹配。你拿一张写实照片去生成动漫风格的视频，模型在转换风格的过程中，面部特征很容易丢失。反过来也一样，拿一张插画去生成写实视频，角色的五官比例会被强行“翻译”成真人比例，结果就是看起来像但又不是。
我自己的经验是，参考图最好满足几个条件：正面或四分之三侧面、光线均匀、背景干净、分辨率不低于1024×1024、面部无遮挡。如果要做多镜头，最好准备同一角色的多角度参考图，而不是一张图用到底。
2.4 模型对“身份”的理解方式不同
不同的视频生成模型，对“角色身份”的编码方式是不一样的。有的模型更依赖文本提示词，有的更依赖参考图，有的两者结合。你如果用一个模型的经验去套另一个模型，大概率会翻车。
举个例子，有些模型在文生视频模式下，对人物外貌的描述词非常敏感，你写“丹凤眼”和“杏眼”出来的结果差异很大；但在图生视频模式下，这些描述词的影响力会大幅下降，模型更看重参考图里的视觉信息。再比如，有些模型对“种子”的依赖很强，固定种子能大幅提升一致性；有些模型则对种子不敏感，换种子影响也不大。
这就意味着，你不能指望一套提示词模板打遍天下。每换一个工具，都要重新摸它的脾气。
3. 提示词层面能做什么：约束、锚点与负面清单
3.1 建立角色描述模板，而不是每次重写
既然提示词漂移是一致性的大敌，那最直接的办法就是固定一套角色描述模板，所有镜头都从这套模板出发，只改景别、动作、场景，不改角色本身。
我的做法是建一个“角色卡”，把角色的外貌特征拆成几个维度，每个维度用固定的词汇描述。比如：
- 年龄与性别：25岁亚洲女性
- 脸型：鹅蛋脸，下颌线柔和
- 眉眼：丹凤眼，双眼皮，眉毛自然平直
- 鼻唇：鼻梁挺直，鼻头圆润，嘴唇饱满
- 发型：黑色长直发，中分，发尾过肩
- 肤色：自然偏白，无明显瑕疵
- 服装：白色棉质衬衫，领口微敞
这套描述一旦定下来，就不要轻易改。每次写新镜头的提示词，先把这套模板复制过去，再在后面追加景别和动作描述。比如“25岁亚洲女性，鹅蛋脸，下颌线柔和，丹凤眼……白色棉质衬衫，领口微敞，中景，侧身站立，右手轻抚头发”。
这样做的好处是，角色相关的语义向量在所有镜头里保持一致，模型不会因为描述词的细微差异而“重新理解”角色长相。
3.2 景别和动作的描述要放在角色描述之后
提示词的顺序对生成结果有影响。大多数模型对前面的词权重更高，所以角色描述应该放在最前面，景别、动作、场景、光线这些放在后面。
我试过把景别放在前面，比如“中景，25岁亚洲女性，鹅蛋脸……”，结果模型有时候会把“中景”理解成一种风格，而不是构图要求。后来改成角色描述在前，景别在后，稳定性明显提升。
另外，动作描述要尽量具体，但不要和角色描述冲突。比如你写“她转过头”，模型可能会生成一个转头动作，但转头角度和速度每次都不一样。如果你写“她缓慢向左转头约45度”，一致性会好很多。当然，视频生成模型对精确角度的理解有限，但至少比模糊描述强。
3.3 负面提示词：告诉模型不要做什么
负面提示词是很多人忽略的利器。你告诉模型“不要什么”，有时候比告诉它“要什么”更有效。
针对角色一致性，我常用的负面提示词包括：换脸、面部变形、五官不对称、年龄变化、性别变化、发型变化、服装变化、多张脸、面部模糊、面部遮挡。
这些词的作用是给模型划一条红线，让它不要在生成过程中“跑偏”。当然，不同模型对负面提示词的敏感度不一样，有的模型支持得很好，有的模型基本无视。你需要自己测试。
还有一个技巧：如果你发现某个镜头特别容易换脸，可以针对这个镜头单独加负面提示词。比如侧面镜头容易把鼻子生成得特别高，那就加“鼻子过高、鼻梁过挺”；背面镜头容易把发型生成得不一样，那就加“发型变化、发色变化”。
3.4 种子固定：最便宜的一致性手段
如果工具支持固定种子，一定要用。种子决定了初始噪声，固定种子意味着每次生成的起点是一样的。虽然不能保证完全一致，但能大幅减少随机性。
我的习惯是，同一个角色的所有镜头都用同一个种子。如果某个镜头效果不好，先微调提示词，而不是换种子。换种子相当于重新掷骰子，之前积累的一致性就白费了。
有些工具还支持“种子微调”，就是在固定种子的基础上做小范围扰动。这个功能在需要轻微变化的时候很好用，比如同一个角色不同表情，可以用种子微调来实现。
3.5 提示词权重的分配策略
高级一点的工具支持提示词权重，比如用括号或数字来调整某个词的影响力。这对角色一致性很有帮助。
我的策略是：角色核心特征给高权重，比如脸型、眉眼、发型；服装和场景给中等权重；光线和氛围给低权重。这样模型会优先保证角色长相稳定，其次才是其他元素。
但权重不要给得太极端。我试过把脸型权重拉到1.5，结果模型生成的脸型确实稳定了，但表情变得非常僵硬，像蜡像一样。后来降到1.2左右，稳定性和自然度比较平衡。
4. 工作流设计：从单镜头到多镜头的稳定性方案
4.1 先做角色定妆照，再做视频
这是我这三个月最大的收获：不要一上来就生成视频，先用图片生成工具做一组角色定妆照。
具体做法是，用角色描述模板生成多张静态图，从中挑选最满意的一张作为“主参考图”。然后基于这张主参考图，生成不同角度、不同表情、不同景别的辅助参考图。这个过程可以用图生图来做，也可以用同一个角色描述配合不同种子来筛选。
定妆照的好处是，你可以在静态阶段就把角色长相确定下来，不用等到视频生成完才发现不一致。而且静态图的生成成本远低于视频，试错成本低很多。
我一般会准备至少五张参考图：正面特写、四分之三侧面、侧面、半身、全身。这五张图覆盖了大部分镜头需求，后续生成视频时，根据景别选择对应的参考图。
4.2 图生视频为主，文生视频为辅
在多镜头项目里，我建议以图生视频为主。文生视频适合做概念验证和风格探索，但一旦进入正式制作，图生视频的稳定性明显更高。
图生视频的关键是参考图的选择。正面特写镜头用正面参考图，侧面镜头用侧面参考图，全身镜头用全身参考图。不要用一张正面图去生成所有镜头，模型在推断侧面和背面时很容易出错。
如果某个镜头找不到合适的参考图，可以用图生图先“造”一张。比如你需要一个背面镜头，但手头只有正面参考图，那就先用图生图生成一张背面图，确认角色特征一致后，再用这张背面图去生成视频。
4.3 分镜拆分：把长视频拆成短片段
现在的视频生成工具，单次生成的时长普遍有限，而且越长越容易崩。与其硬着头皮生成一段长视频，不如把分镜拆细，每个镜头单独生成，最后再剪辑拼接。
拆分的原则是：每个片段只包含一个主要动作、一个主要景别、一个主要场景。比如“她走进房间”是一个片段，“她坐下”是另一个片段，“她拿起杯子”是第三个片段。每个片段都基于同一套角色参考图和角色描述模板来生成。
这样做的好处是，每个片段的生成条件都很明确，一致性更容易控制。坏处是后期剪辑的工作量会增加，但相比换脸带来的返工，这点工作量完全值得。
4.4 用工作流工具串联生成流程
如果你需要批量生成大量镜头，手动操作效率太低，可以考虑用工作流工具来串联。比如把角色描述模板、参考图选择、种子固定、负面提示词这些步骤做成一个标准化流程，每次只需要输入景别和动作描述，就能自动生成对应的提示词和参数配置。
我目前的做法是用一个简单的表格来管理：每一行是一个镜头，列包括镜头编号、景别、动作描述、参考图路径、种子、负面提示词、生成状态。生成的时候按行读取，批量提交。虽然不算全自动，但比每次手动复制粘贴强多了。
如果你熟悉工作流工具，可以把这套逻辑做成更自动化的流程。核心思路是一样的：把角色相关的参数固定下来，只让景别和动作变化。
4.5 生成后的筛选与补拍策略
生成完一批镜头后，不要急着剪辑。先逐个检查角色一致性，把明显换脸的镜头标记出来。
我的筛选标准是：面部特征与主参考图的相似度、发型和发色的一致性、服装和配饰的一致性、整体气质的一致性。如果某个镜头在这四项里有两项以上不达标，就判定为不合格，需要重新生成。
重新生成的时候，不要直接换种子重来。先分析问题出在哪里：是参考图选错了，还是提示词有漂移，还是这个景别本身就容易崩。针对性地调整，比盲目重试效率高得多。
如果某个镜头反复生成都不满意，可以考虑用后期手段补救。比如用面部替换工具把主参考图的脸贴上去，或者用调色和锐化让不同镜头看起来更统一。但这些手段是补救，不是常规方案，能不用就不用。
5. 常见问题与排查技巧实录
5.1 角色一致性常见问题速查表
| 问题现象 | 可能原因 | 排查方向 | 解决思路 |
|---|---|---|---|
| 每段视频脸型都不一样 | 提示词描述不统一 | 检查各段提示词的角色描述是否完全一致 | 建立角色描述模板，所有镜头复用 |
| 侧面镜头脸型崩坏 | 参考图角度不匹配 | 检查是否用正面图生成了侧面镜头 | 准备多角度参考图，按景别选择 |
| 发型和发色变化 | 提示词中发型描述太模糊 | 检查发型描述是否具体到长度、分缝、发尾 | 细化发型描述，加入负面提示词 |
| 服装颜色和款式漂移 | 服装描述权重太低 | 检查服装描述在提示词中的位置和权重 | 提高服装描述权重，或固定服装参考图 |
| 远景镜头角色完全变样 | 远景下面部特征占比太小 | 检查远景镜头是否依赖面部特征 | 远景镜头重点锁定发型、服装、体型 |
| 不同镜头肤色不一致 | 光线描述变化太大 | 检查各镜头的光线描述是否差异过大 | 统一光线描述，或后期调色统一 |
| 角色年龄感变化 | 提示词中年龄描述被其他词覆盖 | 检查年龄描述是否被场景或动作词稀释 | 年龄描述前置，提高权重 |
| 生成结果与参考图差距大 | 参考图质量不达标 | 检查分辨率、光线、遮挡、风格匹配度 | 更换高质量参考图，或先做定妆照 |
5.2 提示词写了但模型不听话怎么办
这是最常见的问题。你明明写了“丹凤眼”，模型偏给你生成双眼皮大眼睛。遇到这种情况，先不要怀疑模型，先检查三件事。
第一，提示词里有没有冲突描述。比如你写了“丹凤眼”，又写了“大眼睛”，模型就不知道该听谁的。第二，提示词权重是否合理。如果“丹凤眼”权重太低，被其他词盖过去了，模型自然不理会。第三，这个模型对“丹凤眼”的理解是否和你想的一样。有些模型的训练数据里，“丹凤眼”的样本很少，它可能根本不知道这个词对应什么特征。
解决办法是换一种描述方式。比如“丹凤眼”可以拆成“眼型细长、眼尾上挑、单眼皮或内双”。用更具体、更视觉化的词，比用抽象的风格词有效。
5.3 参考图很完美但生成结果就是不像
这种情况通常有两个原因。一是参考图的风格和视频风格不匹配。比如参考图是摄影作品，视频风格是动漫，模型在风格转换时会把面部特征“翻译”掉。二是参考图的信息量太大，模型抓不住重点。比如参考图背景很复杂，模型把注意力分散到背景上了。
解决办法：如果风格不匹配，先用图生图把参考图转换成目标风格，再拿去生成视频。如果背景太复杂，先用抠图工具把背景去掉，只保留人物，再作为参考图输入。
5.4 多镜头项目怎么管理素材和参数
多镜头项目最大的挑战不是生成，而是管理。镜头一多，提示词、参考图、种子、生成结果就容易乱。我的做法是建一个项目文件夹，里面按镜头编号建子文件夹，每个子文件夹里放这个镜头的提示词文本、参考图、生成结果、备注。
同时维护一个总表，记录每个镜头的关键参数和状态。这样即使隔了几天再回来继续做，也能快速找回上下文。别小看这个习惯，我因为没做记录，返工过好几次。
5.5 什么时候该放弃一个镜头重新设计
有些镜头就是天生容易崩，比如大角度俯拍、快速运动、复杂遮挡。如果你在一个镜头上反复生成超过十次还不满意，建议停下来，重新设计这个镜头。
换一个景别、换一个角度、换一个动作，可能比死磕原方案更有效。视频生成不是万能的，有些构图和动作就是超出当前模型的能力范围。与其硬碰硬，不如绕过去。
6. 一些实操心得和踩坑记录
先说一个我踩过的大坑：早期我迷信“提示词越详细越好”，把角色的每一个细节都写进去，结果模型反而抓不住重点，生成的角色像拼凑出来的，五官各自为政。后来我学会了做减法，只保留最核心的特征描述，反而一致性更好。
第二个坑是参考图选得太随意。我曾经用一张侧脸照片做参考图，去生成正面镜头，结果模型把侧脸的特征强行“正脸化”，出来的角色像被压扁了一样。后来我坚持参考图和目标景别匹配，正面用正面图，侧面用侧面图，问题就解决了。
第三个坑是忽略了后期调色的作用。不同镜头即使角色一致，如果光线和色调差异太大，观众也会觉得“不是同一个人”。后来我在剪辑阶段加了一步统一调色，把各镜头的色温、对比度、饱和度拉到相近水平，整体观感提升了很多。
还有一个心得是：不要追求百分之百的一致性。人眼对动态画面的容忍度比静态图片高，轻微的面部差异在视频里其实不容易察觉。把精力放在大特征的一致性上——脸型、发型、服装、体型——这些稳住了，小细节的差异观众基本不会注意。
最后分享一个提高效率的小技巧：把常用的角色描述模板、负面提示词、参数配置保存成预设，每次新建镜头直接调用。别小看这个动作，一个项目几十个镜头，每次省一分钟，累积下来就是几个小时。
下篇我会聊工作流层面的进阶方案，包括怎么用参考图组合、怎么设计分镜模板、怎么用批量生成工具提高效率，以及几个我实际项目里的完整案例拆解。如果你也在被角色一致性折磨，可以先从这篇文章里的角色描述模板和参考图策略开始试，这两步做完，一致性至少能提升一个档次。
