角色一致性怎么保证？AI 视频人物为什么总变形

不是模型不想画同一个人，而是它根本不知道上一条视频里那个人是谁。理解这一点，四种方案的取舍就清楚了。

角色为什么会变形

文生视频（t2v）的工作方式是：读你的文字，然后从噪声里一步步去噪出一段画面。整个过程没有记忆——它不知道你上次生成了什么，也不知道你下次要生成什么。你在每个镜头的提示词里写「同一个 30 岁的短发女性」，模型每次都会重新想象一遍「30 岁短发女性」应该长什么样。

于是就有了熟悉的结果：S01 里她眼睛细长，S02 里变成圆眼；S01 穿灰色卫衣，S03 里变成黑色夹克。这不是模型能力问题，而是输入信息不足的必然结果。

四种方案的对比

对大部分做短视频的人来说，参考生视频是性价比最高的方案：不需要训练，不需要等，把角色定义一次，之后每个镜头都引用。

四维锁定：让「同一个角色」可被定义

只说「用同一个角色」是不够的，因为「角色」本身要拆成模型能理解的维度。CanvasVid 的做法是拆成四维，每一维单独锁定：

• 脸：五官比例、脸型、发型、年龄感、肤色。这是观众识别「是不是同一个人」的主要依据，优先级最高。
• 身材：身高体型、肩宽、姿态习惯。全景和中景里，身材比脸更影响辨识度。
• 服装：颜色、材质、版型、配饰。同一条片子内服装必须固定，否则观众会以为换人了。
• 声音：音色、语速、口音。口播类内容里，声音的辨识度甚至高于脸。

实操中五个容易忽略的细节

1. 参考图要正面、清晰、单人。多人合影、侧脸 45 度、强逆光都会让模型提取到错误的特征。
2. 同一角色不要混用多张差异大的参考图。三张风格不同的照片会让模型在中间「平均」出一张谁都不像的脸。
3. 镜头景别跨度大时，参考图要配套。特写用脸部参考，全景用半身或全身参考，效果明显更好。
4. 避免剧烈动作镜头放在角色首次亮相时。角色刚出现时用稳定、缓慢的镜头，先把脸立住，之后再放开动作。
5. 光线和色温要保持一致。同一个角色在暖光和冷光下会被观众感知为不同的人，这跟模型无关，是人的视觉习惯。

什么情况下不必强求一致

不是所有视频都需要角色一致性。产品展示、风景空镜、抽象概念片、数据可视化动画，本来就没有固定人物，硬上角色系统只会增加复杂度。判断标准很简单：观众会不会因为「这不像同一个人」而分心。会，就锁定；不会，就别管。