先看几个实测结果。这些都来自原创动画《歇脚星》第一集的资产制作,图片用 Seedream 4.0 生成:

  • 把两个角色放进场景试拍,身份没守住。 只给了角色参考板和场景空镜,结果主角嗡的机身偏黄;搭档绒绒长到了嗡胸口那么高,左橙右蓝的双色毛变成了大半身蓝。
  • 反打空镜里冒出了太阳。 按机位,红矮星"老灯"应该在摄影机身后,提示词也写了。这一轮 4 张派生空镜,4 张都把它画进了画面。
  • 版式能控,数量和位置难控。 要求一张 2×2 故事板,第一格却占满了一整行;要 6 个色块,画了 12 个。
  • 参考图里有的东西,文字改不掉。 定妆图里多出一条项链,之后的每张图都带着它,在提示词里写"没有项链"也拉不回来。

所以一致性不是写一句"保持角色一致"就能解决的。能控制的只有两样东西:喂给模型的参考图,和每次原样复用的文字。本文讲怎么把这两样东西组织起来。

业界怎么做?

来源做法对只用 API 的团队意味着什么
动画行业的 model sheet开拍前先画转面图、表情、道具、场景布局,所有镜头都对照它画设定图要在分镜之前做完,而且要分步做
Google Veo:参考图生视频每张参考图是单个人物、角色或产品,模型在视频里保持它的外观;动作由文字描述参考图只放一个主体,外观交给图,动作交给文字
Seedream API、Seedream 4.0 技术报告文生图、单图编辑和多图参考合成在同一个模型里完成同一个模型就能从定妆图派生三视图、表情和空镜
drama-skills 的出图和分镜 Skill每张参考图写明角色、管什么、不管什么;连戏锁的短语原样写进提示词;参考图里自带的水印和字幕用负面提示词去不掉和本文的做法基本一致,可以直接参考
StoryDiffusion、ConsiStory、The Chosen One改模型内部的注意力,或者迭代训练出一致的角色要能动模型,只调 API 用不上

研究上的方法大多要改模型,商用 API 留给用户的只有参考图和提示词。剩下的问题是工程问题:参考图从哪来,按什么顺序出,每张管什么,出完怎么检查。

先玩一下

演示里的资产库是这套做法的界面:每个资产一条产物链,每一步出 4 张候选并标出违反了哪条锁。角色和道具的图是实际生成的,其余是占位图。也可以在新窗口打开。

① 每个资产一条产物链

角色:定妆图 → 三视图(人审)→ 单视图 → 参考板 → 细节板(人审)→ 表情板。每一步都从上一步已批准的图派生。

原型截图
100% ↗
双击或 +/- 缩放,拖动平移;全屏时可用滚轮缩放。点「自由操作」可直接点击原型。

图分两种:给人看的和给模型用的

给人看给模型用
例子三视图、细节板、俯视布局、标注过的故事板定妆图、单视图、参考板、空镜、关键帧
版式可以多格,可以带文字标签单一主体、干净背景、没有任何文字
用途人审,确认结构和细节作为参考图喂给模型

带文字的图不要喂给视频模型,标签、箭头和尺寸线会被画进画面。drama-skills 也提醒过:参考图里自带的水印、角标、字幕,靠负面提示词去不掉,只能裁掉或者换一张图。

故事板是唯一的例外:它带镜号和运镜标记,同时作为参考图喂给视频模型。这一点放到后面单独讲。

产物链:先定源头,再往下派生

资产产物链(加粗的步骤要人审)
角色定妆图 → 三视图 → 单视图(正、侧、背各一张)→ 参考板 → 细节板 → 表情板
道具定稿图 → 三视图 → 和角色的比例 → 状态图 → 特效参考 → 设定板
场景主空镜 → 反打空镜 → 侧向空镜 → 背景近景板 → 俯视布局 → 试拍

主角嗡:定妆图、三视图和表情板

规则只有一条:源头图审过了,才往下走。 定妆图、道具定稿图和主空镜是后面所有图的母图。母图有瑕疵(多出一件配饰、颜色方向反了),后面几十张图都会继承,而且越往后越难改。前面的项链就是这样:要么把它写进锁,要么回头重出定妆图,没有第三条路。

每一步出 4 张候选,标出每张违反了哪条锁,人选一张。被选中的那张才成为下一步的参考。

连续性锁:写死,原样复用

不要指望模型"记住"一个角色。把不允许变的属性写成固定短语,每次生成都原样贴进提示词:

LOCK-WENG-TANK:背部白色搪瓷缸形能源罐,蓝色缸沿,缸身有磕碰掉漆,缸上无文字

写锁的几条经验:

  • 锁必须和参考图一致。 参考图的分量比文字重。图里有的东西,文字改不掉;两者矛盾时,模型通常听图的。
  • 每条锁带一块证据区域。 标出它在参考图上的位置,检查时直接对照这一块。
  • 小心左右。 锁里写的"左前臂"指角色自己的左边,但在正面图里,它出现在画面右侧。实测出来的正面图里,银灰色的手臂在画面左边,也就是角色的右臂。写锁时要说清楚是角色的左还是画面的左,检查时也要照这个标准看。
  • 锁是永久的。 某一集里拆掉了外壳、失去了冷却模块,写成这一集的状态,按集追加到提示词里,不改锁。
  • 不写质量词。 “8K、顶级、大师级"这些和身份无关的词不要加,画风交给全片共用的一段风格描述。

提示词的顺序固定为:用途 → 身份(锁原文)→ 造型 → 版式 → 光线 → 排除。

参考图要写明分工

一次生成往往带好几张参考图,要在提示词里写清每张管什么、不管什么:

图1 是角色参考板,只用于保持人物身份和造型,不决定构图和姿态;图2 是场景空镜,只决定场景地理和光线方向,不决定景别。

drama-skills 把参考图的角色归成一组固定类别:外貌、主体、造型状态、空间布局、构图、尺度、效果、起始帧、结束帧、风格,每张图都要写明作用范围。

试拍失败之后,我们把参考补全了:单视图负责正、侧、背的结构,身高对比图负责两个角色的比例,参考板负责身份。少了任何一种,模型就会在那一项上自由发挥。

场景:一张空镜只锁一个方向

参考图只管得住画面里出现过的东西。反打镜头看到的是空镜里没有的那一面;近景的背景是空镜里的一小块,放大以后细节由模型自己补。所以每个场景要做一组空镜,有几个机位方向就出几张:

坠落点:主空镜、反打空镜和侧向空镜

  • 先审主空镜,其余都从它派生。 提示词写"同一地点,摄影机转向 X”,地理和材质才对得上。
  • 方位用相对说法写进场景锁。 写"面朝残骸时,降落伞在右侧",不写"画面一侧"。
  • 光向按机位改写。 主空镜是逆光,反打就变成顺光,侧向是侧光。不想让光源入画,要在机位、光线、排除三处都写"不出现太阳圆盘"。上图中间的反打就是只写了一处的结果。
  • 俯视布局图用手画。 让模型画带标签的俯视图,画出来的是带透视的插画,标签还会重复、指错位置。站位和轴线这种要求精确的东西,人画草图更快。

一段一张故事板

视频按段生成,每段十秒左右、包含 4 个镜头。每段配一张 2×2 故事板,4 格对应 4 个镜头,整张图直接作为这一段视频的参考。这是 AI 短剧创作者常用的宫格分镜法:

左:SEG1 的故事板,第一格占了整行;右:把两个角色放进主空镜的试拍

  • 好处:一次生成,四格里的人物和场景天然一致;视频模型一次只读一张图,不用在大图里找对应的行。
  • 代价:每格分辨率低;版式不一定照办(上图第一格就占了整行),格子的顺序要靠镜号标签来兜底。
  • 每格只画起点那一瞬间。 动作交给视频提示词。没有参考图的变体(比如尾毛烧焦)不画进故事板,留给视频去做。
  • 标签只写镜号、时间、景别和运镜。 台词不写进格子,长中文容易写错字。

一段只有一个镜头时,故事板就只有一格,直接当首帧用。简单的段也可以不出故事板,只带资产参考图和镜头表。

逐镜检查:镜头 × 锁

生成完不是看"像不像",而是逐镜对照每一条锁。第一集主角的检查结果:10 个镜头 × 6 条锁,1 处偏离,8 处看不清。

  • 偏离:SH07 里光伏板挡住了身体,左前臂被画成了橄榄绿。被遮挡之后重新露出来的部位最容易出错。
  • 看不清:特写只露出屏幕下缘,全景太远看不清肩上的摄像球。看不清不算通过,要在相邻的镜头里确认。
  • 同样的问题会重复出现:绒绒在 SH10 被画到嗡胸口那么高,和试拍时一样。试拍发现的问题要写进锁,或者补一张参考图,不能指望下一次碰巧没事。

检查交给一个没参与生成的 Agent 来做,只给它设定卡、锁和抽帧图。偏离的镜头交给视频 Agent 修补,或者回到资产库补参考图。

为什么是这个方案?

做法适合问题
只写文字描述单张图、风格探索每次理解都不一样,跨镜头必然漂移
一张角色图走到底单人、正面、近景多的段子侧面、背面、反打全靠模型猜;道具和场景没有参考
为角色训练专属模型写实真人、长期连载要训练和托管模型,每改一次造型就要重训
产物链 + 连续性锁 + 逐镜检查(本文)风格化连续剧,只用 API前期出图多;锁要写准、要和参考图一致

产物链的出图量看起来不小,但都是图片,比视频便宜得多。把一致性问题压在出图阶段,预算就能留给"每段多出几条视频再挑一条"。

参考