跨镜头同一个人的三条路：参考图、微调、身份注入
单条视频里的人物一致性，是模型自己保证的；跨镜头的一致性，模型完全不管。第二集的主角长得像不像第一集，取决于你在流程里做了什么。
一、路线一：参考图约束
把角色的正面、侧面、半身照整理成资产，生成时用图生视频而不是文生视频，让首帧锁住长相。
- 优点：零训练成本，改起来快；
- 缺点：只锁第一帧，镜头一动就开始漂；换个机位、换个光线又不一样了；
- 什么时候够用：同一场景里的连续镜头，人物不出画、不大幅转头的场合。
关键操作是首帧约束强度：调到 1.0 画面几乎不动，调到 0.5 脸开始漂，0.7–0.85 是能动的甜点区。这个值只能试出来，没法算。
二、路线二：训练一个角色微调
用 20–50 张该角色的图片训一个低秩适配器（LoRA），之后所有生成都带上它。
- 优点：锁的是「脸和气质」，不是具体姿势，换机位换光线也认得出来；
- 缺点：要准备素材、要训练、每个角色一套；
- 什么时候够用：系列内容、多集短剧、有固定主角的项目。
素材质量的判断标准很朴素：不同角度、不同光线、同一张脸。全是同一角度同一光线的二十张，训不出泛化能力。
三、路线三：身份注入
模型内部做身份特征提取（常见做法是在频域或语义空间里分离身份与姿态），生成时把身份特征注入回去。
- 优点：不需要训练，给几张图就能用，对新模型适配更快；
- 缺点：生态还不成熟的模型上，这类能力往往缺失或者效果不稳；
- 什么时候够用：快速试拍、临时角色、不想投入训练成本的场合。
四、三条路怎么选
| 场景 | 首选 | 为什么 |
|---|---|---|
| 一次性短片 | 参考图 | 成本最低，够用 |
| 系列短剧 | 角色微调 | 跨集一致，长期收益最高 |
| 快速试角色 | 身份注入 | 不用训练，几十分钟见效果 |
| 真人授权角色 | 三样叠加 | 越像越要锁，出错代价最高 |
五、还有两个被忽略的变量
1. 固定种子策略
同一场景内用同一组种子区间，跨场景换种子。这条对连贯性的贡献被严重低估——它不改变长相，但能稳住「画风」和「光线习惯」。
2. 提示词的写法
不要用形容词描述长相（「清秀的年轻女性」），那等于每轮重新随机。改用资产编号 + 极简特征（「角色A，短发，左眉有痣」），剩下的交给参考图和微调模型。
六、失效的典型症状
- 第二集换了个人：微调模型没加载，或者提示词覆盖了角色描述；
- 同一条里越到后面越不像：这是长视频漂移，不是一致性问题，得靠尾帧续接；
- 侧脸完全崩：素材里没有侧脸，模型没学过这个人侧面的样子。
相关阅读
版权声明：如无特殊标注，文章均为本站原创，转载时请以链接形式注明文章出处。
