ARTICLE · 993892
AI漫剧如何解决长剧本、角色一致性与视频质量问题?
AI漫剧如何解决长剧本、角色一致性与视频质量问题?之前的文章，我们聊了AI漫剧工具如何从0到1搭建，从剧本上传 → 资产管理 → 分镜文本 → 分镜视频，把一条原本依赖人工的内容生产链路变成多个Agent的协作。 做了一个AI漫剧工具后，发现最难的根本不是“生成视频”（上） 做了一个AI漫剧工具后，发现最难的根本不是“生成视频”（中） 做了一个AI漫剧工具后，发现最难的根本不是“生成视频”（完结） 但真正开始跑剧之后，就会遇到一些细节问题： 
稳定地讲同一个故事 今天，我们不聊虚的，就聊聊在实际操盘AI漫剧工具时，那些最让人头秃的细节是怎么解决的。 现在很多大模型的Context已经非常长，百万Token级别的模型也越来越常见。所以从“模型能不能读”这个角度，答案可能是：能。 可是，如果你真这么干，就是在给自己挖坑，会产生一堆的问题： 这就好比让一个过目不忘的人一口气读完一本百万字小说，然后立刻让他默写某个片段，他大概率会串台。 丢100万字给模型，最直接的后果就是到了第三十集，AI可能已经忘了主角在第一集设定是个左撇子。 
直接理解VS结构化记忆 在产品层面，我的解法是：全剧记忆+结构化资产记忆+当前镜头上下文。 
全剧记忆+结构化资产记忆+当前镜头上下文 主要负责回答：这个故事到底讲了什么？ 包括：世界观、主线剧情、章节结构、人物关系、时间线、核心冲突、重要剧情节点。 这一层可以理解为整个故事的Story Bible。 把故事里的关键对象单独管理：角色、场景、道具、关系、状态、事件…… 比如： 这些信息不应该每次都让模型重新“猜”。 把全局记忆和结构化资产记忆搞定后，到了第38个镜头，模型真正需要的可能只有：当前章节 + 当前场景 + 出场人物 + 前后剧情 + 人物状态 + 对应Reference。 所以，长上下文解决的是“能不能装下”，而记忆架构解决的是“能不能真正用好”。 剧本里最常遇到一个问题：角色长大了，或者黑化了，怎么处理？如果把这些全部当成不同角色，后面人物关系会越来越乱。同时，AI会在剧情连贯性上彻底懵逼，它不知道这两个人其实是同一个。 我们设计借鉴了UI设计里的Design Token思路：一个Character ID，多套Visual Version。 例如：张三 = R001
这样，“张三是谁”属于Identity层，“张三现在长什么样”属于Visual层。当剧本出现：“黑化后的张三走进大殿。”，系统直接调用：R001 - V3。 
一角色多状态 做AI产品很容易掉进一个坑：模型效果不好 → 加Prompt。还不好？继续加。再不好？再加。最后形成一个几千字的“超级Prompt”。 结果就是：模型根本不知道应该听哪句话。其实：Prompt不是越长越好，而是越明确越好。一个稳定的Prompt，需要符合以下特点： 不要让一个Agent同时负责：理解剧情 + 提取人物 + 生成图片Prompt + 判断人物关系 + 检查逻辑。 这相当于让一个产品经理同时当：产品、设计、研发、测试、运营、老板。最后大概率是啥都做不好。 告诉模型：你负责什么；也告诉它：你不负责什么。 比如资产提取Agent只负责：识别角色、场景、道具，并生成结构化描述。不要让它顺手把分镜提取了。 通过固定字段、枚举值，限制模型的自由发挥。比如提取角色时，不让模型自由描述“这个人物长什么样”，而是提前定义好字段：角色名、性别、年龄、身份、外貌特征、状态等，每个字段都有明确要求。 这样，模型就不是在“写作文”，而是在“填表”，也方便后续其他Agent直接调用。 现实世界最麻烦的不是“正常情况”，而是：剧本没写、信息冲突、无法判断等异常情况。 所以Prompt里要明确：不知道就返回UNKNOWN，不要自己编。这一点非常重要。因为AI产品最怕的不是“不知道”。而是：一本正经地胡说八道。 有些规则很难单纯靠文字讲清楚，这时候可以给：正确案例、错误案例、边界案例。让模型知道什么叫“对”。 但也不要疯狂堆案例，否则又回到了第一个问题：Prompt自己先把Context吃光了。 
稳定可靠的Prompt 这也是AI产品和传统软件产品一个很大的区别： 视频质量的提升不能只靠“换一个更强的模型”或者“再抽几次卡”。而是应该从资产、Prompt、Reference、模型和生成策略五个方面入手。 比如一个主角要出现在几十个镜头里，如果每次生成视频都让模型重新理解“一个30岁左右、黑色短发、穿深色夹克的男人”，那角色漂移几乎是必然的。更合理的方式，是先生成并确认角色标准图、场景标准图，再将这些资产作为后续生成的基础。 简单来说，就是先确定“这个人到底长什么样”，再让他去演戏，而不是每个镜头都重新“捏一个人”。 “男主愤怒地离开房间”这句话，人类很好理解，但对模型来说信息其实远远不够。人物怎么动？是猛地起身，还是缓慢转身？镜头是全景还是近景？摄像机跟拍还是固定？情绪通过表情体现，还是通过动作体现？ 实际生成时，更有效的方式是把人物、动作、表情、环境和镜头语言拆开描述，即结构化描述。例如，不只是告诉模型“男主离开”，而是明确：男主先皱眉看向对方，停顿两秒，随后转身快步走向门口，镜头从侧后方跟随推进。 这样做的目的不是把 Prompt 写得越长越好，而是减少模型的自由发挥。 很多一致性问题，单靠文字描述很难解决。这时候参考图就很重要。 比如角色进入一个固定办公室场景，除了使用角色资产，还可以把已经确认的场景图作为 Reference，甚至直接使用上一镜的尾帧作为下一镜的首帧参考。这样做不能保证 100% 一致，但至少能明显降低“换人、换衣服、换场景”的概率。 尤其是连续剧情镜头，参考图本质上就是给模型增加一个明确的视觉锚点。 这是实际生产中非常重要的一点。 比如“男主从桌前起身，推开椅子，快步走到窗边，拉开窗帘，回头看向女主”，这一连串动作全部塞进一个 5 秒视频里，模型很容易在中间任何一个环节出问题：椅子突然消失、手部变形、人还没走到窗边镜头就已经切过去。 更好的办法是拆成多个镜头：起身推椅子一个镜头，走向窗边一个镜头，拉开窗帘并回头一个镜头。 如果第二个镜头效果不好，只需要重生成这一个镜头，而不是整段视频全部推倒重来。 实际生产里，没有哪个视频模型能把所有类型的镜头都做得最好。 有的模型擅长人物表演和细微表情，有的模型适合大幅度动作，有的模型在镜头运动上更稳定。如果一个产品只提供“一个模型打天下”，最终用户只能不断抽卡。 更合理的方式，是根据镜头类型选择模型：对话镜头优先稳定性，动作镜头优先运动表现，复杂运镜则选择镜头控制能力更强的模型。 这一点其实特别重要，没有标准，就只能凭感觉判断成功与否，凭感觉优化。所以，我把视频质量拆成几个维度： 这样审核就从：“这条视频感觉不太对。”变成：“人物一致性通过，镜头通过，但动作合理性不通过。”只有知道问题出在哪，才能针对性地去优化。 所以，提升 AI 视频质量，不是找到最强的视频模型，而是建立一套能够约束模型、修正模型的生产流程：资产标准化 + 分镜拆解 + 参考图约束 + 模型适配 + 审核 + 优化。 当发现第38个镜头人物不对时，这时候要问的不是：“为什么模型这么垃圾？” 而是：问题到底出在哪一层？ 一个完整的视频生成链路其实是： 剧本 ➡️ 剧情解析 ➡️ 资产 ➡️ 分镜 ➡️ Prompt ➡️ 参考图 / 首帧 ➡️视频模型 ➡️ 最终视频 当视频出现问题时，要从结果往前回溯： 视频模型参数 ➡️ Prompt ➡️ 参考图 / 首帧 ➡️分镜 ➡️ 资产 ➡️ 剧情 ➡️原始剧本 
回溯链路 所以，在AI漫剧工具里，一定要非常重视AI生成Trace。每一个生成结果，都应该记录完整的生成路径。 例如：第38个镜头，除了视频本身，系统还需要记录：视频模型参数、使用的Prompt、参考图和首帧、分镜、参考图对应的资产、分镜对应的剧情、对应的原始剧本内容等等。 只有知道问题发生在哪里，才知道下一步该如何优化。 模型越强，产品经理就越不能只盯着模型。因为模型决定的是“能力上限”，而真正决定产品能不能落地的是：上下文怎么管理、记忆怎么沉淀、任务怎么拆、结果怎么校验、错误怎么回溯。 还是那句话，AI漫剧真正要解决的，从来不是：“AI能不能生成一条好看的视频？”而是：“AI能不能连续生成1000个镜头，而且这1000个镜头讲的始终是同一个故事。”这才是AI内容生产从“玩具”走向“生产力”的分水岭。
100万字的剧本，该如何处理？
同一个角色到了第38个镜头，脸还能不能是同一张脸？
少年时期的张三和成年后的张三，是不是当成一个资产处理吗？
如果视频出了问题，该如何查找问题？
1.100万字剧本，真的能直接扔给大模型吗？
token成本高：超长上下文，成本极高；
信息召回不准：文本太长，容易出现幻觉或遗漏；
长程一致性差：前期设定与后期剧情距离太远，容易出现人物设定、时间线、世界观前后矛盾；
Agent协作效率低：不同 Agent 重复理解原始剧本，无法充分复用前置 Agent 的分析结果；
上下文更新困难：修改某一章节后，如果依赖完整剧本重新处理，成本和效率都很差；
1.全局记忆
2.结构化资产记忆
角色：李玄、苏晚、王掌柜
场景：京城、客栈、王府
道具：轩辕剑、和氏璧、灵珠
3.当前镜头上下文
2.甄嬛与钮祜禄·甄嬛：多状态角色的“马甲”管理
状态 | Visual Version |
|---|---|
少年 | V1 |
成年 | V2 |
黑化后 | V3 |
3.Prompt越写越长，效果反而越来越不稳定
1.任务最好单一
2.明确边界
3.尽量结构化
4.给异常情况留出口
5.用Few-shot告诉模型边界
传统系统里，代码怎么写，结果基本是确定的；
大模型是概率系统，所以，AI产品设计必须天然考虑：不确定性、异常、重试和兜底。
4.如何提升视频质量
1.先把资产做稳定，再谈生成
2.Prompt不能只写剧情，要写清楚镜头
3.用 Reference 把关键内容“钉住”
4.复杂镜头不要硬生成，要学会拆
5.不同镜头，用不同模型
6.建立一套“质量标准”
人物一致性：脸、发型、服装、身体比例有没有变化？
动作合理性：人物动作有没有穿模、肢体畸变、动作断裂？
镜头质量：构图、景别、运镜是否符合分镜要求？
场景一致性：背景、光影、空间关系有没有突然变化？
剧情一致性：人物有没有做出不符合剧情和人物状态的动作？
整体观感：有没有明显的AI痕迹和影响观看的问题？
5.出了Bug算谁的？建立可观测的Trace链路