AI 实操 · 一份踩坑记录

AI 生成的人物为什么总换脸？我试了 4 种方法，只有 1 种管用

小董讲道理 · 2026 年 10 月 5 日

先说结论：AI 生成的人物总在换脸，不是模型不行，是方法不对。

这个问题我前前后后折腾了大半年。从纯文字描述，到垫一张参考图，再到做角色圣经表，最后落在一套“双锚定 + 同批次”的做法上。四种方法我都认真试过，效果差距大到不像同一个工具做出来的。

这一篇把过程完整写出来，包括每一步为什么失败。如果你也在做 AI 视频或者 AI 短剧，这份记录大概能帮你省掉几个月。

问题的样子

最典型的场景是这样的：同一段提示词，同一套参数，跑五次。出来的五张脸，脸型、年龄、眼神，没有一个对得上。

单独看每张都挺好——构图不错、光影不错、质感也不错。但把它们放在一起，你会发现问题：这不是一个人在不同镜头里的样子，这是五个人。

具体会崩在两个地方：换角度就崩，正面能对上，侧脸完全变成另一个人；换表情就崩，笑起来五官位置全变，年龄也跟着变。

如果你做的是单张图，这个问题不明显。但只要你做的是连续镜头——短剧、动画、广告——它就会在剪辑台上一次性爆发。

为什么会这样

根因是一句话：模型没有「记忆」，每次都是从零开始画。

你写“一个三十岁的男人”，它听到的不是某一个人，而是一个范围。这个范围里有几十亿张脸，任何一张都算“对”。它只需要保证画面说得通，不需要保证跟上次一样——这两件事，完全不一样。

所以换脸不是 bug，是默认行为。它有三个具体来源：

第一，文字本身是模糊的。“三十岁男性”这个描述，对应的可能性是天文数字，你写得再细，也只是把范围缩小了一点点。

第二，模型不知道你昨天生成了谁。每次对话都是独立的，它不记得上一张图长什么样。

第三，它只承诺“合理”，不承诺“一致”。在它的评价标准里，一张全新的、同样合理的脸，和一个跟上次完全一样的脸，是等价的。

想让它稳定，你得替它把这块“记忆”补上。下面这四种方法，就是补记忆的四种思路，效果依次递增。

方法一：纯文字描述人物

做法很直觉：把五官写细。脸型、眉眼、鼻梁、唇形、发色，全都写进提示词，再加年龄和气质，比如“三十岁、消瘦、眼神疲惫”，然后每次都用同一段，一个字不改。

我的结论是：几乎没用。

我试过把提示词写到四百字，五官精确到“眼距偏宽”。结果是五张脸依然五个样，只是都比较“像描述”。原因也不难理解：细节写得越多，模型自由发挥的空间反而越大——你没写到的地方，它全部自己补，而补的部分每次都不一样。

方法二：垫一张参考图

这是大多数人会用的方法：先生成一张满意的，把它当成这个角色的“标准照”，之后每次都垫它。提示词首句写清楚——用上传的这张，同一个人。

垫图的强度要调在中段：太低会换脸，太高又改不动表情和动作。

我的结论是：好一点，但不够。正面镜头基本能对上，一换角度、一换表情，就开始漂。

它的短板很明确：一张照片只能锁住一个角度。你给的是正脸，模型就知道正脸长什么样；侧脸、仰头、回眸，它没有参照，只能重新猜。而且它锁住的是“长相”，不锁“体型”——脸像了，肩宽和身高还是每次都不一样。

大多数人都停在这一步。因为到这里，“看起来已经能用了”。

方法三：做一张「角色圣经表」

这一步的关键，是承认一件事：三视图不够用。

三视图是给“人”看的设计稿，它解决的是“这个角色长什么样”；但 AI 视频要的是“拍摄素材卡”，它解决的是“这个角色在每一个具体镜头里长什么样”。全身信息，在分镜里基本用不上——因为镜头几乎全是局部的、短的：拍手、拍脚、拍眼神、近景。

所以我把一张图做成了六块：全身三视图（正面、侧面、背面，定住体型）、头部特写（正脸大图，定住五官比例）、眼部大特写（眼神是观众认人的第一依据）、手部两张（张开与攥紧，手最容易穿帮）、足部与鞋（全身镜头里最容易露馅的地方）、表情谱四联（喜怒哀惊）。

我的结论是：明显改善，但费工。六处锚点一起上，换角度也不太会漂了。

这里有一个最容易忽略、但特别关键的细节：表情谱必须做成“一张图四格”。因为同一次推理里，模型默认画的是同一个人；分四次跑，你会得到四张不同的脸——这点我踩过，四张表情，四个不同的人。

方法四：双锚定 + 同一批次

这是最后落下来的做法，也是唯一一个让我觉得“可以拿去干活”的做法。核心是三件事：

第一锚：面锁。用头部特写做参考，只负责一件事——五官不变。

第二锚：体锁。用全身三视图做参考，只负责另一件事——体型不变。

为什么一定要分开？因为一个锚管不了两件事。你让一张正脸照同时锁五官和身材，模型顾此失彼；拆成两个锚，各管各的，互不打架。

第三件事：同批次。所有需要保持一致、并且会出现在同一个镜头组里的画面，放在同一批里一起生成。原因前面说过：同一批推理里，模型默认画的是同一个人。

如果跨批次呢？那就必须重新垫一次图，不要偷懒——隔了几批之后，模型对“这个人”的印象已经淡了。

还有一条很实在的建议：手脚这类特写，能实拍就实拍。用手机拍一段，比生成更真、更快，还不用消耗生成额度。做 AI 视频的人容易陷入一个误区，觉得所有素材都必须生成，其实不是。

最后总结成三句话

把上面四种方法压一下，其实就是三条原则：

一、让模型“抄”，别让模型“猜”。给它一个不会变的锚（参考图），比给它一堆形容词可靠一百倍。

二、要放在一起的东西，放进同一批。需要互相出现的镜头，同一次推理出完。

三、能拍的别生成。手、脚、道具、实景，手机拍更快更真。

这三条背后是同一件事：把不确定的部分，尽量换成确定的。做 AI 内容，很多时候拼的不是提示词写得多漂亮，而是你有没有把不可控的变量一个个摁住。

换成这套之后，同一个角色终于能撑完一整场戏。从 20% 到 95%，差的不是模型，是方法。

别让模型猜。

给它一个不会变的锚，再把要放在一起的镜头放进同一批。

你在做 AI 视频、AI 短剧的时候，角色一致性是用什么办法解决的？评论区交换一下，我踩过的坑可能你也踩过。

     #AI视频 #AI短剧 #AIGC #提示词 #角色一致性 #AI绘画 #内容创作 #影视制作 #讲道理   

     数据来源：个人实测记录（2026 年）     本文为个人整理与解读，以官方发布文本为准。