什么是”一致性”?AI视频里人物跨镜头不穿帮的技术方案
第一次用AI做视频的人,多半会经历一次迅速的幻灭:单独看每个镜头都挺惊艳,可她在这个镜头里是齐肩发,下一个镜头变成了长发;风衣从米色变成卡其,眼睛的颜色也换了两回。
剪到一起,观众立刻觉得”这是两个人”。业内把这个问题叫做”一致性”,它是AI视频从”能玩”走向”能用”之间最长的一道坎。
先把”一致性”拆成四层
很多人以为一致性就是”脸别变”,其实它包含四个相互独立的层面:
身份一致——骨相和五官,脸型、眼距、鼻梁、肤色。观众的识别系统对这些极其敏感,几十毫秒就能判断”这不是同一个人”。
外观一致——发型长度、发色、服装款式与颜色、随身道具。这层最容易出错,因为提示词里往往写得很含糊,”一件风衣”换个镜头就换了颜色。
光影一致——主光方向、色温、明暗比要统一。同一个下午,镜头A是暖黄侧逆光,镜头B变成冷调顶光,哪怕脸完全一样,观众也会觉得是两个时间点。
空间一致——同一间客厅,镜头A里沙发在左,镜头B里跑到右。观众未必说得出哪里不对,但会觉得”这是两个不同的房子”。
专业团队验收时会把这四层拆开逐项过。混在一起看,往往只能发现”感觉不对”,找不到具体错在哪。
为什么扩散模型天生就不一致
现在的视频生成,本质上是”逐帧去噪”:从一团随机噪声出发,一步步猜”这里该是亮像素还是暗像素”。起点随机、路径概率化,同一段提示词跑两次,得到两个相似但绝不相同的结果。
更关键的是,模型内部并没有一个”这个人长什么样”的持久记忆。它不是在”记住一个人”,而是在”每次重新想象一个人”。
这就是不一致的根源。镜头运动越大、角度变化越多、画面里人越多,重新想象的空间越大,崩的概率越高。
四类主流方案
一、角色参考图注入。
拿定妆照作参考,通过适配模块把身份特征注入生成过程。适合单人或双人、正脸到四分之三侧脸的中近景;侧脸、大角度俯仰、严重遮挡时基本失效。参考强度调高,人物会僵硬得像贴上去;调低又拉不住。
二、首帧驱动(图生视频)。
这是目前商业项目里最稳的一条路。先用文生图把每个镜头的关键帧都生成好、修到满意,再让图生视频只负责”让这张图动起来”。既然问题是”每次重新想象”,解法就是只想象一次、后面全部复用。
每个镜头的第一帧都是同一张脸、同一套衣服、同一个光,运动过程中的漂移就被压到最小。代价是前期要多一道”关键帧确认”工序。
三、LoRA 固化。
用几十张多角度照片把特定的人或产品微调进模型,让它变成模型”认识”的对象,不再依赖脆弱的参考强度参数。适合长期合作的代言人、固定产品线;缺点是需要训练,人物造型一大改就过期。
四、分段接续加后期兜底。 长镜头切成 3 到 5
秒,每段用上一段末帧作起点接力,再叠加换脸修补、色彩匹配、局部重绘。误差会累积,接力到第五段,漂移通常已经很明显。
参数层面最能救命的几个动作
- 单镜头控制在 3 到 5 秒。
时长翻倍,漂移概率不是翻倍,而是好几倍。 - 避开大幅度转身和正侧脸切换。
侧脸信息在训练数据里本来就少,一转向就容易换人。 - 减少同框人数。
两个人的一致性难度远大于一个人的两倍。 - 固定色温和主光方向。
光一变,观众的”同一个人”判断立刻失效,哪怕脸其实是对的。 - 先把关键帧修好再生成。
有瑕疵的关键帧动起来只会更糟,不会自我修复。
一致性做不好,广告就废了
商业项目里这个问题会被放得更大。一条 15
秒的AI广告,如果主角在三个镜头里是三个人,观众不会认为”这是AI的局限”,只会认为”这个品牌不专业”。技术瑕疵在广告语境下会被直接读作品牌态度。
所以在 AIGC广告
的流程里,我们把一致性拆成可验收的卡点:分镜确认时定死人物设定图,关键帧阶段逐张比对五官与服装,生成阶段每段出片先看首尾帧接不接得上,最后才是调色统一。返工大多发生在关键帧阶段,成本最低;如果放到成片阶段才发现,几乎等于重做。
结语
一致性不是某个模型的参数,而是一套流程设计。核心只有一句话:把”想象”的次数压到最少,把”复用”的比例提到最高。
如果你正在评估 AI广告制作
的落地方式,可以直接问对方一句:跨镜头一致性你们用哪条技术路线兜?能讲清楚这道题的团队,通常流程是真的跑通过的。