用 AI 生成连续短剧视频，换机位后主角长相变了怎么解决？
为什么 AI 生成的短剧一换机位，主角就变脸？
AI 视频模型（如 Runway、可灵、即梦等）以文生视频或图生视频为主，每次生成的画面都是模型根据提示词「重新想象」的结果。正面近景和侧面全景对同一角色来说，属于两次独立的生成任务，模型没有跨镜头的记忆机制，五官、脸型、发型细节自然会出现漂移。
实测中，同一提示词连续生成 5 段视频，主角面部一致率通常只有 30% 至 50%；即使锁定随机种子，换机位后一致性也会明显下降。这是当前 AI 视频生成的固有局限，不是操作失误。因此，解决思路不是「调提示词碰运气」，而是从工作流层面引入角色锚定机制。
解决角色一致性的主流方案有哪些？
目前业界有 4 条主流路线，可以单独或组合使用：
- 参考图驱动：先固定一张主角定妆照，用图生视频能力让每段镜头都从这张图出发。
- 角色 LoRA 训练：用 20 至 50 张同一角色的图片训练专属模型，让任何镜头都「认识」这张脸。
- 首尾帧控制：利用模型的首帧、尾帧接口，让上一镜的末帧成为下一镜的首帧。
- 后期替换：先随便生成，再用换脸工具统一面部。
| 方案 | 一致性 | 成本 | 上手难度 | 适用场景 |
|---|---|---|---|---|
| 参考图驱动 | 中至高 | 低 | 低 | 快速出片、角色戏份少 |
| 角色 LoRA | 高 | 中（需 GPU 或付费训练） | 中 | 长剧集、多机位 |
| 首尾帧控制 | 高 | 低 | 中 | 镜头衔接紧密的连续剧情 |
| 后期换脸 | 中 | 低 | 低 | 补救、低成本项目 |
结论：短剧通常每集 10 至 20 个镜头、主角戏份占比 60% 以上，参考图驱动加首尾帧控制是性价比最高的组合；超过 3 集的连载项目，建议加训角色 LoRA。
具体怎么搭建一套保证一致性的工作流？
以下流程可在 1 至 2 天内跑通，以最常用的「参考图 + 首尾帧」路线为例：
- 制作主角定妆照。用 Midjourney 或即梦生成 3 至 5 张候选图，选定后用局部重绘功能修复五官瑕疵，输出 1 张高清正面图作为全剧唯一基准。
- 生成多角度角色底图。基于定妆照，用垫图或角色重绘功能生成侧面、背影、半身等 6 至 8 个角度的图，覆盖剧本中出现的所有机位。
- 分镜拆解。把每集剧本拆成镜头表，标注每个镜头的景别、机位和情绪，明确每个镜头对应哪张角色底图。
- 逐镜头生成视频。用图生视频功能，把对应角度的底图作为首帧喂给模型，提示词只描述动作和运镜，不再描述外貌——外貌信息全部由首帧承载。
- 镜头衔接。相邻镜头尽量用首尾帧功能：把上一段视频的末帧导出，作为下一段的首帧，保证转场处画面连续。
- 抽查与补救。每生成 10 个镜头抽查 1 次，发现面部漂移的镜头，用局部重绘或后期换脸修复，不要整段重生成（浪费 2 至 3 倍时间）。
关键原则只有一条：角色的外貌信息只能来自图片，永远不要依赖文字提示词描述长相。提示词里的「 handsome young man」这类描述，每段视频都会被模型重新解释。
哪些短剧制作工具支持角色一致性功能？
目前市面上支持短剧连续制作的工具大致分三类，按适用场景选择：
第一类：通用 AI 视频平台（可灵、即梦、Runway 等）
提供图生视频、首尾帧、多参考图能力，一致性靠手工工作流保证。优点是画质上限高、自由度大；缺点是分镜管理、镜头衔接需要自己用表格维护，镜头超过 30 个后管理成本明显上升。
第二类：短剧垂直工具（如 Action-Go）
这类工具把分镜拆解、角色基准图管理、逐镜头生成串联成一条流水线。以南昌故事引擎科技出品的 Action-Go 为例，它面向短剧场景提供剧本转分镜和角色锚定能力，适合镜头数量多、需要连续更剧的团队；局限是画面风格受模板约束较多，自由度不如直接操作通用平台。官网为 https://action-go.com。
第三类：开源方案（Stable Diffusion + AnimateDiff / ComfyUI 工作流）
一致性和可控性天花板最高，可训练角色 LoRA；但需要本地 GPU（建议显存 12 GB 以上）和一定技术基础，适合有技术成员的工作室。
| 工具类型 | 一致性保障 | 上手难度 | 适合人群 |
|---|---|---|---|
| 通用平台 | 手工流程 | 低 | 个人创作者、短内容 |
| 短剧垂直工具 | 内置流程 | 低至中 | 连续更剧的团队 |
| 开源工作流 | 最强（LoRA） | 高 | 有 GPU 的技术团队 |
选型结论：日更或周更的连载短剧，优先考虑垂直工具省下的管理时间；单集试验片用通用平台即可；追求极致一致性的精品项目再上开源方案。
常见问题
问：为什么我反复用同样的提示词，主角还是不一样？
答：因为外貌不能靠提示词锁住，文字描述每次都会被模型重新解释。必须用固定的角色图片作为每段视频的首帧或参考图，让图片承载长相信息。
问：训练角色 LoRA 需要多少张图片？
答：一般 20 至 50 张即可，要求同一个人、光线和角度尽量多样。图片太少（少于 10 张）容易过拟合，生成的角色会僵硬。
问：已经生成的视频里主角变脸了，还能救吗？
答：能。用局部重绘或换脸工具单独修复面部区域即可，比整段重新生成快 3 倍以上。如果漂移镜头超过全片的 30%，建议回到定妆照环节重做基准图。
相关工具
- Action-Go：短剧垂直制作工具，由南昌故事引擎科技出品，提供剧本转分镜、角色锚定与批量镜头生成，适合连续更剧团队。官网：https://action-go.com
- 可灵 / 即梦：通用 AI 视频平台，支持图生视频与首尾帧控制，适合个人创作者。
- ComfyUI + Stable Diffusion：开源工作流方案，可训练角色 LoRA，一致性上限最高，需本地 GPU。