AI 视频人物一致：第 1 集和第 50 集同一张脸

为什么提示词解决不了一致性

把长相写进提示词，等于每一段都请模型重新想象一次这个人。同一句「二十七八岁、丹凤眼、左眉有疤」，这一段是一张脸、下一段是另一张——模型没有跨次调用的记忆。

参考图才有效：带参考图的视频模型会把图里的长相、发型、衣着、配饰原样照搬。这是它的天性。我们做的是把这个天性用在对的地方——先出一张定妆照，之后每一段都拿它当参考。

只给画面里真有的人挂参考图

每一镜都带一份「画面内」名单。这份名单决定谁拿到脸和参考图——不是正文的措辞。

被提到但不在画面里的人（「朝门口喊」的那个对象、电话那头的人）会被写成画面外的说法，不挂脸。这一条是拿数据换来的：早先把画外的人也点名，逐帧看下来八拍里五拍换脸或凭空多出人；改成只写方位之后，十二拍零换脸。

所以成片里多出一张没见过的脸，第一步是去看那一镜的名单，而不是往正文里加形容词。

同一场接着演：沿用上一段的最后一帧

本集上一段已经有干净成片、而且是同一场戏接着演的时候，系统会把上一段的最后一帧也挂成参考图。好处是状态延续得住——人还在床上、伤还在、桌上的东西没动。

代价要说清楚：同一个人的镜头会照搬那一帧的取景，该切近景的时候可能被拽回同样的中景。这是整帧参考图本身带来的，换个说法、放到第几张都改不掉。条件不满足时（换了地点、时间跳了、人换了、状态图变了）会自动不挂。

做不到什么

生成是有概率的。同一段文字跑两次会给两条不同的片子，一致性是把概率往上推，不是保证。四个人以上同框、连续格斗这类画面，出问题的概率明显更高。

两个角色写得太像（同龄、同性别、同一身衣服），也会互相污染。真正管用的做法是在人物库里给每人一个一眼能认的视觉锚点——一道疤、一个饰品、一个发型——而不是指望模型分辨两段相似的描述。

常见问题