人物一致性实战：三视图 + 声纹锁定，让角色 32 个镜头不换脸

做 AI 视频最劝退的瞬间：第 1 个镜头里还是那张脸，第 20 个镜头突然变成了另一个人。观众一眼出戏，整条片子的努力全部作废。人物一致性不是靠运气抽卡，而是一套可以复制的工程方法。

为什么 AI 视频总「换脸」

• 没有固定参照：模型每个镜头都在「重新想象」这个角色，而不是「还原」这个角色。
• 提示词漂移：镜头之间的描述措辞不一致，模型理解为不同的人。
• 相似角色互相污染：两个外形接近的角色（比如两个外星人）在多人镜头里交换特征。

方法一：三视图资产，给角色一个「身份证」

一致性的一切前提，是每个角色都有一份固定的参考图。正面、侧面、背面三视图是最低配置——模型在生成任何角度时都有据可依，不需要即兴发挥。

人物·老人人物·主外星人人物·陪同外星人

• 三视图只保留角色本体：纯色背景、无道具、无场景，避免模型把背景学进去。
• 相似角色必须分开生成、分开保存，绝不能共用一张参考图。
• 参考图一旦定稿就不要中途更换，换图等于换人。

方法二：每个镜头重申「位置 + 禁止项」

模型不会「记住」上一个镜头。一致性不是靠模型记住，而是靠你在每一个镜头里把关键约束重新写一遍——谁在左、谁在右、谁说话，以及明确禁止什么。

人物：___固定位于画面左侧；___固定位于画面右侧，不得交换左右位置。
外貌：严格保持参考图中的人物外貌、服装与体型，禁止换脸、禁止改变发型与服装。
台词：只有___张嘴说话，其他人物全程闭嘴。

禁止：人物交换位置、多人同时张嘴、外貌漂移、服装变化。

• 位置写死：用「固定位于画面左侧」而不是「站在左边」，措辞越强硬，模型越听话。
• 禁止项写全：换脸、交换位置、同时张嘴，这三条是多人镜头的保命符。
• 措辞统一：全片对同一个角色使用同一个称呼，不要一会儿「老人」一会儿「大爷」。

方法三：声纹锁定，别让声音「换演员」

脸没换、声音变了，同样出戏。只写「老人口音」这种文字描述，模型每次都会重新配一个声音。正确做法是使用固定的参考音频（声纹），并在提示词里声明锁定。

优先锁定人物口音、音色、音高、共鸣位置、咬字习惯、语速、停顿和句尾处理。
始终使用同一份参考音频和同一个声音设置，不得根据人物年龄重新生成通用声音。
准确口型同步，嘴部动作自然，人物说话时头部和身体不要频繁晃动。

方法四：抽帧回炉机制

即使前面三步都做了，个别镜头还是会翻车。不要等到剪辑时才发现——每生成一个镜头，立刻抽帧与参考图对比，不合格就只重做这一镜。

镜头14 抽帧镜头25 抽帧镜头06 抽帧

• ✓脸：与三视图对比，五官和皱纹位置一致
• ✓服装：颜色、款式、脏旧程度没有变化
• ✓位置：多人镜头左右关系与原片一致
• ✓道具：关键道具没有变形或消失
• ✓声音：音色与参考音频一致，口型同步

这套方法在《外星人要接我走》的 32 个镜头里全程验证过：三个角色全片零换脸、零交换位置。想拿到文中同款三视图、声纹和逐镜提示词，可以直接去复刻项目页下载素材包对照练习。