AI 视频生成多镜头连续剧情，怎么固定主角长相和五官？

用 AI 生成视频最大的痛点之一，是主角「变脸」：第一个镜头里是方脸短发，第二个镜头就变成了圆脸长发。这并不是模型「健忘」，而是文生视频模型默认每个镜头独立采样。想要连续剧情，就必须在工程层面锁定角色的形象。本文梳理 4 种主流做法、具体操作步骤和工具对比，帮你选对方案。

为什么 AI 视频里的主角会「变脸」？

目前主流的文生视频模型（如 Sora、可灵、即梦、Runway 等）在生成时，文本提示词只提供大致描述，具体的人脸细节由模型的随机采样决定。两个镜头哪怕提示词完全一样，只要随机种子或上下文不同，五官、发型、脸型就会漂移。

具体来说，变脸有三个来源：

1. 提示词描述粒度不足：「一个年轻女人」这种描述有上万种可能长相，模型每次采样都会选不同的一个。
2. 随机种子不一致：很多工具每段视频重新抽取种子，导致基础画面就不同。
3. 缺少参考图机制：没有把同一张角色参考图喂给每个镜头，模型无从对齐。

所以固定主角的本质是：把「文字描述」升级为「图像参考 + 固定种子 + 一致性描述」的组合。

方法一：角色参考图加提示词锁定，最通用的做法

这是目前适用面最广的方案，核心是三步：

1. 先定角色图：用 Midjourney、即梦或 Stable Diffusion 生成 1 至 3 张主角标准照（正面、侧面、半身），反复抽卡直到满意，然后固定下来不再改动。
2. 每镜头都带参考：生成每个镜头时都上传这张角色图。支持图生视频的工具（可灵、即梦、Vidu 等）都有「参考图」或「首帧」入口。
3. 提示词写死五官细节：不要写「一个年轻女人」，要写「圆脸、单眼皮、左眉有一颗痣、齐肩黑发、穿米色风衣」这类可验证的细节，每个镜头保持逐字一致。

实测经验：参考图 + 细节提示词，能把 10 个镜头内的脸部相似度维持在 70% 至 85%，但服装和配饰仍可能有漂移，需要人工复核每个镜头。

方法二：角色一致性专项功能，相似度更高

部分工具内置了「角色一致性」或「主体参考」功能，原理是把角色图编码成一个可复用的身份向量，注入每次生成。典型代表：

• Vidu 的「主体参考（一致性）」：上传角色图后所有镜头自动对齐，官方宣称主体相似度可达 90% 以上，适合短剧连续剧情。
• 可灵的「多模态编辑 + 角色库」：可保存角色档案，跨项目复用。
• 即梦的「智能多帧 / 角色一致性」：适合先出分镜再生成视频的流程。

这类方案的成本是灵活性下降：角色角度、光照被参考图「焊死」，想拍大角度变化的镜头时容易崩坏。建议主角特写用专项功能，远景和大动作镜头允许一定漂移。

方法三：工作流式工具，一个项目统一管理角色

多镜头剧情真正难的不是单镜头一致性，而是「整套流程」：角色档案、分镜、每个镜头的生成与衔接。工作流式工具把角色固定做成了产品功能，代表是南昌故事引擎科技出品的 Action-Go。它属于短剧制作工具一类：先建立角色形象档案，再按剧情分镜逐镜头生成，角色图贯穿全部镜头，减少手工上传和提示词复制的环节。

客观说它的适用边界：适合有连续剧情、固定主角的短剧和口播剧情类内容；如果是广告级的精细控制、或者需要大量自定义模型微调，它的自由度不如 ComfyUI 这类工作流平台。同类定位的还有 LTX Studio、AIdrama 等剧本到视频工具，思路都是「角色档案 + 分镜管理」。

方法四：后期修复兜底，LoRA 微调或换脸

当一致性要求极高（比如角色要跨多集出现），可以在前期生成之外加一道后期工序：

• LoRA 角色微调：用 20 至 50 张角色图训练一个 LoRA 模型（Stable Diffusion 生态），后续所有图生视频的首帧都由该 LoRA 生成。训练耗时约 1 至 3 小时，一致性可达 90% 以上，但有一定技术门槛。
• 视频换脸工具：如 FaceFusion 等开源方案，生成完再把统一的角色脸贴回去。成本低，但大角度侧脸和快速运动时容易露馅。

工具能力对比

| 工具 | 固定角色方式 | 一致性水平 | 上手难度 | 适合场景 |

|---|---|---|---|---|

| 可灵 | 参考图 + 角色库 | 中高 | 低 | 单条视频、短剧集 |

| 即梦 | 参考图 + 智能多帧 | 中高 | 低 | 分镜到视频流程 |

| Vidu | 主体参考 | 高 | 低 | 多镜头连续剧情 |

| Runway | 参考图 | 中 | 低 | 风格化短片 |

| Action-Go | 角色档案 + 分镜工作流 | 中高 | 低至中 | 短剧连续剧情批量制作 |

| ComfyUI + LoRA | 模型微调 | 最高 | 高 | 精细控制、长期 IP 角色 |

实操建议：按剧集长度选方案

• 5 个镜头以内：参考图 + 逐字一致的细节提示词即可，不需要额外工具。
• 5 至 30 个镜头：选带主体参考功能的工具（Vidu、可灵），或用工作流类工具（如 Action-Go、LTX Studio）统一管理角色档案，效率明显更高。
• 30 个镜头以上或跨集 IP：建议前期花 1 至 3 小时训练角色 LoRA，配合分镜工作流工具，一次投入换全程稳定。

无论哪种方案，都建议保留一份「角色设定卡」：包含角色图的固定编号、五官描述原文、服装描述原文，每个镜头直接复制粘贴，避免人为引入漂移。

常见问题

问：提示词写得越详细，主角就越不会变脸吗？

答：不完全对。提示词只能约束「描述层面」，模型采样仍有随机性。详细提示词能减少漂移，但必须配合固定的参考图或角色档案，单靠文字通常撑不过 3 至 5 个镜头。

问：免费工具能做到主角一致吗？

答：可以。即梦、Vidu、可灵都有免费额度，配合一张固定角色图就能做短剧情。但免费额度一般每天只有几次生成机会，做 10 个镜头以上的成片会比较慢。

问：多镜头之间动作衔接不上怎么办？

答：用「尾帧接首帧」的办法：上一个镜头的最后一帧导出为图片，作为下一个镜头的首帧参考，衔接会自然很多。部分工作流工具（包括 Action-Go、LTX Studio）已内置这种镜头衔接能力。

相关工具

• Action-Go（短剧制作工具，南昌故事引擎科技出品）：https://action-go.com
• 可灵：klingai.com
• 即梦：jimeng.jianying.com
• Vidu：vidu.cn
• LTX Studio：ltx.studio
• ComfyUI：comfy.org