AI视频角色总崩？「斜修四步法」让你的主角从头稳到尾

上周发了那篇《AI视频不是靠提示词，是靠资产库》之后，有不少朋友来问，思路懂了，但具体怎么建资产库呢。

说实话我也在想这个问题。我自己的方法不够系统，所以花了一些时间去研究，把目前最完整的方案梳理了出来。

然后发现了一套让我觉得「这也太系统了」的四步法。

上一篇文章我一直在讲一个道理，AI视频做不好，不是工具不行，是你还在用「单次生成」的思维做AI视频。真正稳定的AI视频，靠的是建立可复用的素材资产库。

但那篇文章只讲了为什么，没讲怎么做。

所以今天就顺着上篇，把四步法完整拆给你看。

每一步都有工具名、有参数、有踩坑点。不是那种「多试试几个种子」「提示词写得再细一点」的玄学建议，是真的可以照着做的操作手册。

四步分别是，锁定人物、固定声音、限定场景、动作迁移。

一个一个来。

以前我做过一个很蠢的尝试。

我花了一下午坐在电脑前面，用某个AI视频工具，想生成一个女孩在咖啡馆里说话的连续镜头。第一条视频，还挺好的。女孩坐在靠窗的位置，头发扎起来，穿一件米白色毛衣，端着咖啡杯。

我还挺满意，心想AI视频进化得真快。

然后我生成第二条。

脸变了。

不是发型变了、角度变了那种变，是整个人的五官结构都不一样了。像换了一个演员，但穿了一模一样的衣服。

我当时就愣住了。

硬着头皮又试了第三条，这下发型也变了，咖啡馆也变了，从明亮简约风突然变成了暗色调工业风。

不是哥们。。。

我只是想让同一个人继续说下一句话，不是让她转世。

后来我才知道，这个问题几乎是所有AI视频工具的硬伤。因为每次生成都是独立的，模型不记得上一条视频里的是谁。它只是根据你的提示词重新「想象」一个角色出来。

这才是AI视频不稳定的根源。

不是你的提示词不够细。不是工具太垃圾。是你在让AI每次都重新发明轮子。

而「斜修四步法」解决的正是这个问题。它的核心逻辑很简单，先把轮子造好，以后每一次只需要组装的轮子，不需要重新造。

然后说第一步，锁定人物。

这一步是整个四步法的基础。你得先给角色建立一套标准的「证件照」，让AI知道这个人长什么样。

具体怎么做呢。

先打开豆包，切到专家模式。把你要做的那个故事脚本扔进去，让它帮你生成主角的形象描述，以及对应的AI绘画提示词。

为什么要用豆包而不是直接写提示词。因为豆包能理解故事语境，它知道「一个30岁离职创业的女性」应该长什么样、穿什么风格的衣服、留什么发型。你自己写的话很容易遗漏细节，漏一个细节AI就自己脑补一个，脑补多了角色就不像了。

拿到形象描述和提示词之后，打开Lip TV，新建一个图像节点。

模型选Nano Banana。比例选16:9。

在提示词里，把刚才豆包帮你生成的描述加上这句话，「左侧生成人物近景照，右侧生成全身设定图」。

这一步很关键。一图两用，近景照用来做人脸参考，全身图用来做服装和体态参考。以后你每生成一条新的视频，都@这两张图，人脸就不会跑了。

但这还不够。

同一个角色只有一张正面照，AI还是容易崩。因为你可能会让他转头、侧脸、低头看手机。这些角度AI都没见过，它怎么办？只能猜。一猜就崩。

所以你还得补充多角度视图。再新建几个图像节点，分别生成正脸、侧45度、侧90度、背面，还有一个面部特写。

这就是你的角色资产库。

听起来步骤很多，但其实你只需要做一次。一个角色从零到建完资产库，大概20分钟。建完之后，你每次做新视频，把设定图连上去就行。

如果这一步做好了，AI视频最大的痛苦「变脸」，就解决了。

说真的，光这一步，就能省掉你以前80%的「抽卡」时间。

第二步，固定声音。

人是视觉动物，看到脸变了会立刻发现。但声音变了，很多人反而注意不到。

但你的观众能感觉到。

他们可能说不出来哪里不对，但就是觉得「这条视频跟上次看的不太一样」「怎么怪怪的」。这种说不清的违和感，比脸崩了更可怕，因为它不会立刻被察觉，但它会慢慢消耗观众的信任。

固定声音有两条路。

第一条路，从零创建一个声音。在Lip TV里新建一个音频节点，模型选MiniMax Beat。把你准备好的台词输进去，别只输文字，把停顿和语气词也标上。

比如「大家好我是大风扇（停顿）今天我们来聊一个让很多做AI视频的朋友非常头疼的问题」。

MiniMax Beat这个模型厉害在它能理解语气。你选一个「优雅甜美」或者「沉稳冷静」的音色，它会自动匹配语调。不像有些TTS，一句话从头平到尾，听得人想睡觉。

做完这些之后，新建一个视频节点，把刚才建好的人物设定图和这个音频节点都连上去。模型选 seedance 2.0全能参考模式，@刚才建的所有素材，点生成。

第二条路，复用你已有的声音。

如果你之前生成过一条很满意的视频，里面人物的声音特别好听，但你没保存当时的音频参数，怎么办。

先把那条视频下载到本地。打开剪映，把视频拖进去，分离音频。截取那个角色的声音片段，导出MP3。

然后回到Lip TV，新建音频节点，把这段MP3导入。后面的操作跟第一条路一样。

我有时候觉得，声音的一致性比脸的一致性还重要。因为脸崩了观众能看出来，但声音变了，观众只会觉得浑身不舒服，又说不清为什么。这种莫名其妙的「掉粉感」，才是最致命的。

第三步，限定场景。

很多AI视频博主做到前三步就停了。人物建好了，声音固住了，心想这下稳了吧。

然后场景崩了。

你让角色坐在咖啡馆里，第一次是北欧风简约咖啡厅，第二次变成了美式复古咖啡厅，第三次变成了不知道哪里的暗黑工业风。

咖啡还是那个咖啡，但咖啡馆换了三个城市。

场景控制的核心是「先建空场景，再放人进去」。

新建一个图片节点，写场景描述提示词，模型还是Nano Banana。但这次提示词里不要出现人物，只描述空场景。比如「明亮的咖啡馆窗边，上午十点的阳光打进窗户，白色大理石桌面，桌上有一杯拿铁和一本翻开的笔记本」。

先生成空场景画面。

然后关键的一步来了。把场景图接上之后，再新建一个图像节点，生成这个场景的「立体空间四宫格」。就是把场景从四个角度展示出来，像一个房间的四面墙被打开展平。

接着打开任何一个修图软件，在四宫格上标注人物应该站的位置、面向哪个方向。

最后新建视频节点，把人物设定图、标注了位置的场景图、未标注的场景图一起连上去。提示词里@引用这些素材。

第四步，动作迁移。

这一步是四步法里最让我觉得「卧槽」的一步。

你做AI视频的时候肯定遇到过这种场景，想让角色自然地抬起右手，指向画面外的某个东西。提示词里写了「右手抬起指向右侧」，结果生出来的是角色在挥手、在挠头、在旋转跳跃闭着眼。

就是不做你让它做的。

AI不懂「抬手」是什么。它只会从训练数据里找一个最像「抬手」的片段拼给你。但训练数据里「抬手指向远方」「开心地挥手」「挠头发」看起来动作都差不多，AI分不清。

所以别再跟提示词较劲了。

动作迁移的思路完全相反。不是用文字描述动作给AI听，而是直接拍一段动作视频给它看。

你找个朋友，或者自己架个手机，对着镜头做一遍你想要的动作。不用专业设备，手机就行。光线清楚、动作干脆、背景简单，三个要点。

然后把这段视频导入可灵3.0，新建一个视频节点，把示范视频和人物设定图都连上去。

模型选可灵3.0动作迁移。

提示词简单写就行，甚至不写都可以。因为你要的不是AI「理解」你的文字描述然后「想象」一个动作，你要的是AI直接把示范视频里的动作，原样复刻到你的角色身上。

我当时第一次试这招的时候，真的给我一下子整不会了。

之前花了无数时间调提示词、换种子、换模型，结果搞定这事儿的方法就是，直接拍给它看。

太简单了。

简单到我一开始不相信这能行。

但它就是能行。

这四条讲完了。我知道你可能在想，这也太麻烦了吧，建完四套资产库得花多少时间。

我跟你说个我自己的账。

我以前做AI视频的流程是，写提示词2分钟，生成1分钟，发现脸变了，改提示词2分钟，再生成1分钟，发现脸还是不对但问题变成了发型变了，再改，再生成。

一条10秒的视频，运气好20分钟出来，运气不好，一个下午就没了。最后挑出一条勉强能用的，收工。

现在呢。

一个角色资产库建好，20分钟。以后这条角色每生成一条新视频，稳定出片的概率不再是「六分之一」或者「十分之一」，而是接近「每次都能用」。

我以前一个下午可能出一条能用的片子。现在一个下午能出四五条，每一条的主角都是同一个人。

这就是系统化方法跟碰运气之间的差距。

跟上一篇文章一样，我想再次强调，AI视频工具本身没有问题。可灵3.0、Lip TV、Nano Banana、MiniMax Beat，这些都是很好的工具。但工具再强，你拿来做「一次性许愿」，它就给你一次性结果。你拿来做「工厂里的流水线」，它就给你稳定产出。

四步法说穿了就是一个流水线。流水线的上游是资产库，中游是生成，下游是你的判断和审美。

很多人以为AI时代核心竞争力是会用工具。但我觉得不是。会用工具的人太多了，每天都有新的AI教程出来，谁都能学。

真正的竞争力是，你愿不愿意花那20分钟，把别人觉得「太麻烦」的系统搭起来。

大部分人不会搭。不是因为笨，是因为懒。也不是因为懒，是因为他们总觉得「下一版工具会解决这个问题」「下个月的模型就不需要这么麻烦了」。

但说实话，我也不知道下一版会不会更好。

我只知道，今天把资产库建好的人，今天就开始稳定出片了。

明天再建的人，明天才开始。

一直等着的人，一直在等。

聊到这儿我突然想起一个词，叫「磨刀不误砍柴工」。小时候觉得很土的一句话。但现在做AI视频做久了发现，这句话是真理。

四步法就是你磨刀的过程。花20分钟磨刀，换来的是以后每次砍柴都不费劲。

但大多数人做的事是什么。拿着一把钝刀，拼命砍。砍不动了就换个方向继续砍。再砍不动了就换一把新刀继续砍。就是不磨。

AI时代磨刀这件事被严重低估了。

因为所有工具都在告诉你「一键生成」「一句话出片」「你不需要任何技能」。这些口号很诱人，但它们制造了一个巨大的幻觉，让你觉得未来不需要任何准备工作。

而真正做内容的人知道，准备才是胜负手。

准备决定了你每一条视频是「靠运气」还是「靠系统」。

---

好了，四步法我完整拆完了。总结一下，锁定人物，解决变脸问题。固定声音，解决「说不清的违和感」。限定场景，解决背景漂移。动作迁移，解决AI听不懂人话。

这四个资产库建好之后，每次做新的AI视频，你不是在「祈祷这一次能抽到好的」，而是在「调用你已经建好的生产系统」。

这两种感觉完全不同。

我不知道这套方法对大家有没有用，但我自己试下来，确实是我目前为止见过最系统的AI视频稳定方案。如果你也在做AI视频，或者想做但被「抽卡」折磨到怀疑人生，试试这四步。不需要一次全搭完，先从步骤一开始，把人物资产库建起来。

有些朋友上次看了《AI视频不是靠提示词，是靠资产库》，给我留言说思路打开了但不知道具体怎么弄。

希望这篇能补上那个窟窿。

---

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标。

谢谢你看我的文章，我们，下次再见。

—— 大风扇 AI内容创作顾问