【二十三】拍AI短片时，人物老是“换脸”？先别怪模型，先改你的流程

你是不是也经历过这种崩溃：

花了半小时调出一张超满意的角色图，丢进可灵、即梦之类的视频工具，第一秒还行，第三秒鼻子歪了，第五秒发型换了，第七秒直接变成另一个人。

很多人第一反应是：「是不是我提示词写得不够细？」然后继续加形容词、继续重抽、继续烧积分。

先说结论：不是提示词不够细，是你让模型一次干了太多活。

这篇教程不讲玄学，不堆术语。我会用一个新手也能跟着做的完整案例——给一个独立咖啡品牌拍15秒角色短片——把「人物不崩」拆成三件你马上能上手的事。

看完你能直接照做，而不是「听懂了但还是不会」。

---

先看懂：模型为什么会“忘人”

把视频模型想成一个很会画画、但记性一般的实习生。

你给他一张人物照片，再口头说：「让她在雨夜里跑进咖啡店。」

他要同时想清楚三件事：

1. 这个人长什么样
2. 咖啡店和雨夜长什么样
3. 跑步时手脚怎么动、衣服怎么抖

这三件事每一帧都在变。他一忙就顾此失彼——通常最先牺牲的就是「这个人到底是谁」。

所以真正有效的思路只有一句：

一次只让AI解决一个问题。

下面三个方法，分别管三件事：人是谁、画面怎么定、时间怎么切。

---

案例设定（后面步骤都围着它）

• 片子： 15秒小红书/抖音广告
• 角色： 25岁女主理人「林夏」——短发、米色围裙、腕上有一枚铜色手环
• 故事线： 清晨到店 → 擦玻璃 → 拉下一杯浓缩 → 对镜头微笑
• 你要用到的能力： 出图工具（MetaDig/Midjourney / 即梦等）+ 视频工具（MetaDig / 即梦视频 / Runway等）+ 任意剪辑软件（剪映就够）

别急着一口气生成15秒。我们按「先锁人 → 再定画面 → 再切时间」来。

---

方法一：先把“这个人是谁”做成可复用资产

新手最常犯的错

提示词写成这样：

清晨咖啡店里，短发女孩穿着米色围裙在擦玻璃，窗外有阳光，氛围温馨……

看起来很完整，其实是灾难。因为人物、场景、动作绑死在同一张图里。后面一换场景，模型会把人物当背景的一部分一起重画，脸就漂了。

正确做法：先做人，不做事

第1步：出一张「角色设定图」，不是海报

目标不是好看，是把人看清楚。

你可以先生成一张正面全身立绘，再专门做三视图。提示词可以直接用中文（MetaDig 、即梦等都吃得下）：

你要检查的点（比“美不美”重要）：

• 正面、侧面、背面衣服细节是否一致
• 手环在不在同一只手腕
• 发型左右是否对得上
• 脸型有没有“每一张都换一个人”

不过关就重出设定图，别急着进视频。这一步省下的积分，后面能还你十倍。

第2步：把多视角喂给“角色/主体”功能

现在主流视频工具大多有「主体 / 角色 / 角色参考」一类功能。关键点不是再传一张美图，而是：

把正面、侧面、背面一起上传，创建一个可反复调用的角色。

你得到的不是“某张图”，而是这个项目里的一个「角色卡」。后面无论她在店里、街上还是厨房，都尽量调用同一张角色卡。

实战口诀：先锁定身份，再谈表演。

做到这里，你已经比「一张美图直接图生视频」稳了一个数量级。

---

方法二：先定死画面，再让视频只负责“动起来”

为什么直接文生视频容易崩

如果你直接输入：

林夏在拥挤的早高峰咖啡店里快速穿梭做咖啡

模型要在几秒内同时算：脸、店内光影、肢体动作、人群。三个变量一起抖，人物最容易先碎。

专业一点的做法是反过来：

视频工具不要负责“设计画面”，只负责“让已定好的画面动起来”。

按三步走（跟着案例做）

第1步：白底出「动作静帧」

还是用你的角色卡，但背景写成纯白/浅灰。只关心姿势对不对。

例如「拉开咖啡机把手」这一下：

这一步只问三句话：

1. 是不是同一个人？
2. 动作骨架对不对？
3. 围裙和手环还在不在？

第2步：把人贴进场景，先合成「完美静止帧」

准备一张空镜：清晨咖啡店吧台、暖光、窗外街道虚化。空镜提示词可以这样写：

把白底人物抠出来放进去，用你习惯的修图/AI合成工具统一光影方向（人物受光要和店里灯光一致）。

这一步你可以做出两张：

• 起始帧： 手刚搭上咖啡机
• 结束帧： 把手拉到位，蒸汽微微起来

两张都必须是「同一个人 + 同一套衣服 + 同一家店」。

如果工具支持「参考角色 + 场景描述」直接出合成静帧，也可以这样写（记得挂上角色卡）：

第3步：图生视频——只给位移，不给想象

把起始帧、结束帧丢进视频工具。提示词只写动作即可，例如：

动作流畅，双手平稳下拉咖啡机把手，杯口冒出少量蒸汽，
镜头固定不动，人物五官、发型、围裙和手环保持不变

这时候模型的任务变简单了：它不用猜她穿什么、店里长什么样，只要算像素怎么移动。

你会明显感觉：同样积分，成功率突然高了。不是模型变聪明了，是你把难题拆开了。

---

方法三：别拍“一镜到底”，把15秒切成小块

时间越长，人物越容易慢慢“漂移”

扩散类视频模型大致是在猜下一帧。猜得越久，误差越容易叠起来：第1秒还像，第4秒眼神漂，第8秒脸就换了。

所以新手最伤的执念是：我要一次生成完整15秒大长镜头。

别这么干。

把故事切成「原子镜头」

还是那个咖啡短片，建议切成这样：

镜头	时长	只做什么	景别
A	2–3秒	推门进店，背影	全景
B	2–3秒	擦玻璃，侧脸	中景
C	2–3秒	拉浓缩，手部+半身	中近景
D	2–3秒	对镜头微笑	近景

原则就一条：

一个片段只承载一个核心动作。

四个镜头的视频提示词，可以分别写成（都挂同一角色卡）：

每个片段尽量落在工具比较稳的区间（常见经验是大约2–4秒）。短了好控，长了才容易崩。

用剪辑把“稳”变成“好看”

四个短镜头在剪映里接起来，加一点转场音效和咖啡机声音，观感往往比一条晃荡的长镜头更像广告。

这不是偷懒，这是把AI当成摄影组：你是导演，负责分镜；模型是执行，负责单镜头表演。

---

一张表带走：今天就能用的作业流程

按顺序做，不要跳步：

1. 锁人： 三视图设定图 → 创建角色/主体
2. 定画： 白底动作静帧 → 合成到场景 → 得到首尾帧
3. 驱动： 图生视频，提示词只写运动
4. 切时间： 2–4秒原子镜头 × 若干条 → 剪辑成片
5. 验收标准：
   • 换场景后脸还像不像？
   • 手环、围裙有没有丢？
   • 单镜头里有没有突然换发型？

如果某一环崩了，回到对应那一层修，而不是整条片子重抽。

---

结尾：你不是在“抽卡”，你是在“控场”

回头看，三个方法其实在做同一件事：

• 拆身份： 先固定“谁在演”
• 拆空间： 先固定“在哪演、站什么姿势”
• 拆时间： 先固定“一次只演多长”

AI很强，但它不会自动替你当导演。你给的约束越清楚，它越像在执行拍摄；你给的约束越含糊，它就越像在抽奖。

今晚就用「林夏咖啡店」这个小题目跑一遍。不用追求大片，先追求一件事：

从第1秒到第15秒，她还是同一个人。

做到这一点，你就已经跨过了AIGC视频最劝退的那道门槛。