【六十六】人换成了，大衣还在：不是模型没看懂，是姿态图把整件衣服带过来了

先别看教程目录。先打开你上一次垫图失败的那张。

人也许换对了。店也许换对了。可你总觉得哪里不对：衣服串了味，墙上多出一块原图里的牌子，回头变成了证件照式微笑，镜头自己抬到了眼睛高度。

这时你最容易做两件事。换模型。或者把提示词再写长一截。

两件都先别做。

模型不是没看见你的参考图。它看见得太全了。你只想借一张图里的站法和机位，它把大衣纹理、廊灯、大理石反光、远处那块指示牌，全当成可以抄的东西。文字写得越勤快，越是在跟一张信息过载的照片打架。

这篇只做一件事：把「怎么站、从哪拍」从原图里单独抠出来，再拿去跟「是谁」「在哪」会合。图片和视频是同一套手势。你会在自己的手机相册上把两遍都跑完。

---

今晚只用相册里这三张

不要虚构客户，不要另开一个项目。就用你现在就能找到的东西。

图1：站法来源。 一张你并不是想「长成这样」的图。比如地铁柱子旁有人侧身回头，人偏画面右边，镜头略低，右手搭在柱子上。你喜欢的是这个回头，不是他的冲锋衣，也不是站台广告灯箱。

图2：你要换成的人。 一张清楚的半身或全身。脸、发型、衣服以这张为准。不要用美颜拉满的证件照也没关系，但不要和站法图是同一个人。

图3：你要换成的地方。 你家阳台、便利店夜班过道、工作室一角，都行。有前后层次最好：近处有栏杆或货架，远处有窗或灯。

视频稍后用同一组人和地。先把静帧做明白。静帧都不听你的，视频只会把错误拉长。

把三张图并排放在桌面上。生成之前，先用嘴说一句：

图1只许管站法和镜头。图2只许管是谁。图3只许管在哪。

说不出来，就还没准备好点按钮。

---

模型看见的，比你看见的多

你看图1，脑子会自动忽略。你看见：人在右边，镜头偏低，右手搭着，在回头。

模型没有忽略。它看见冲锋衣的面料、站台黄线、灯箱广告、柱子上的污渍、那个人的耳钉、天花板灯管。对它来说，这些都是特征。特征就能被抄。

所以你会看见四种很典型的废图，常常叠在一起：

• 动作有点像，人却穿着图1里那件冲锋衣
• 人换成了，回头变成正面微笑，因为图2的朝向在抢
• 地换成了，地铁灯箱却印到了你家墙上
• 人按低机位站，房间却按平视拍，脚悬空

不是「融合自然」四个字能压住的。照片每出现一次衣服，就跟「换成图2的衣服」打一次架。灯箱每出现一次，就跟「换成图3的墙」打一次架。

加第四张参考解决不了。要把图1里不该上班的东西先清走，只留下空间：谁近，谁远，谁挡住谁，人有多大，镜头在哪。

行业叫法是深度图。你不必先记名字。先把它看成一张空间底片。

它长得很丑。近处亮，远处暗。没有颜色，没有花纹，没有广告字。同一距离上的脸、衣服、头发，会是差不多的灰。它不负责好看。它只负责告诉后面的模型：东西在空间里怎么摆。

有的工具黑白是反的，近处反而更黑。用之前看一眼，不要猜。猜错等于前排后排对调，人会贴到墙上，栏杆会砸到镜头前。

---

三种灰，只有一种能用

新手最容易在这里浪费一晚上。因为三种图看起来都是灰的。

第一种：去色。 你把图1丢进调色，饱和度拉到零。冲锋衣还在，只是变成深灰冲锋衣。灯箱还在。黄线还在。去色只拿走颜色，明暗仍是衣服和灯光的明暗，不是远近。白衣服会很亮，不代表它离镜头近。黑头发会很暗，不代表它在远处。

第二种：灰色立体人。 你让模型「生成一个灰色的立体人物」。出来像游戏里没贴图的角色，脸上还有光。姿势往往已经被改过，镜头也变了。那是三维软件里检查造型的预览，不是每个点在记录距离。

第三种：空间底片。 人还是那个轮廓，世界只剩下前、中、后。右手如果比身子更近，会更亮。柱子后面的通道沉成深灰。没有面料，没有字，没有耳钉反光。同一块连续表面，灰是慢慢过渡的。

把这三张并排。能一眼分出来，再往下做。分不出来，后面的提示词再漂亮也是在给一张假底片打工。

为什么一张普通照片能估出第三种？模型靠透视、遮挡、近大远小去猜谁更近、谁更远。它不知道她离镜头一米五还是两米。所以这张底片适合管创作，不适合当尺子。身份、布料、光线气氛，它本来就带不走。这不是缺陷。这正是你要它的原因：把爱抢权的那些东西，先清掉。

---

不是每张喜欢的图都该抽底片

抽之前问一句。你真正想留下的是哪一层。

想留胶片金、窗格子投影、面料质感——用原图或风格参考。抽完，你要的东西正好没了。

想留关节怎么折，场景和镜头都可以换——姿态骨架更直接。底片只能给个大概，手指仍会糊。

只想要利落的人影边缘——线稿或边缘图更灵活。

要人站右边、镜头低、右手搭着、货架在后——这才是空间底片的活。

要人从冷柜走到收银台、镜头跟着往后撤——做成空间底片视频。它抄得动走位和推拉，抄不动捏瓶盖、交叉握手。那些距离太近，又互相挡，底片上会糊成一团灰。

你今晚这三张，如果图1让你心动的是站法和机位，就抽。如果让你心动的是冲锋衣和地铁灯，就别抽。抽错层，后面会怪模型，其实是你把要的东西先扔掉了。

---

静帧对照：同样三张图，先看它怎么死

素材不许换。只换顺序。

第一遍，故意做死

三张一起丢进去。写严一点也没关系。你要亲眼看见：写严压不住权限冲突。

出来以后不要马上改词。先给废图做标记：串了哪件衣服，搬来了哪块牌子，镜头抬了没有，脚悬空没有。这张废图留下。第二遍要对着它看，你才知道到底治了什么。

形容词救不了这一遍。「高级感」「电影感」「融合自然」只会把人往画面中间推，让它更像海报。

第二遍，先做底片，再会合

先看图1。 不要看衣服。问自己四句：人占画面哪一块、有多大；镜头偏低还是平视；哪只手在前；近处有没有东西挡在人和镜头之间。四句答不全，先别转。你自己都没决定抄什么，模型只能猜。

再转底片。 即梦、通义，或任何能看图的模型都行。句子里必须是「转换原图」，不能是「生成一张灰色人物」。后者它会重新摆姿势。

转完停三十秒。不合格就重转，不要带着一张脏底片去合图。合图翻车时，你会误以为是后面那句提示词不行。

看这五处：

1. 人还在原来那一块，没有被放大成居中海报。
2. 姿势还是回头、手还在柱子上，没有变成正面站。
3. 近处亮、远处暗；如果白衣服特别亮、黑头发特别暗，说明它还在抄明暗，不是远近。
4. 冲锋衣纹理、灯箱文字都没有了。还能认出广告，就重转。
5. 手和柱子是分开的，不是一团白。

脏的那张往往还能看见扣子和字。那不是底片，是一张灰色的地铁照片。把「禁止保留材质和花纹」再说一遍，再转一次。

然后三张会合。 上传顺序写死，避免它对错图：

1. 你要换成的人
2. 你要换成的地方
3. 空间底片

对照第一遍那张废图。人应该还是图2的人，地方还是图3的地方，回头和低机位还在，地铁灯箱应该没了。衣服上的纹路应该来自你自己那件，不是冲锋衣。

如果还不稳，先查三处，再考虑换模型：底片五条验收过了没有；三张图顺序乱了没有；提示词里又写回「电影感」没有。

静帧通了，再做视频。视频只是把同一只手势拉长。

---

视频对照：抄走法和退镜，不要抄原片那个人

去找一条十几秒的参考视频。不要找剪辑花活。找这种：一个人从深处走到近处，或从冷柜走到柜台，镜头慢慢往后撤，前景有货架或栏杆从画面边上刮过。

你要的是走法和退镜。不是原片那个人，也不是原片那家店。

第一遍你大概会这样：原片、你的人物图、你的环境图，一起丢进视频模型，写「动作保持，运镜一样」。

出来常见的是：你穿着原片的衣服，你家的墙变成原片的玻璃门，退镜变成推进脸。更糟的时候人在原地转圈。因为原片里的衣服、灯光、店面布局全在上班，动作和运镜被挤到边上。

所以原片先变成空间底片视频。每一帧都是远近，不要去色。去色之后围裙还在闪，玻璃还在反光。你要留下的是：人怎么移动，镜头怎么撤，前景什么时候刮过。

整段的亮暗标准必须统一。这一秒把人拉得很白，下一秒又压黑，看起来像更清楚，模型看起来像人物在闪。后面再让它抄动作，动作会跟着闪。

用能处理视频的助手或工具时，把这段当工单。原文件只读。

按大约 15 秒拆，是因为多数视频模型一段就吃这么多。硬塞二十秒，不如两段接。接的时候人物图、环境图、远近方向保持同一套，不要让第二段重新决定这盏灯有多亮。

转完先播，只看三件事：人还在走那条路，没有瞬移；镜头仍在后退，没有改成推脸；灰不闪，前景刮过时是慢慢变大。有一件不对，不要合成。合成救不了坏底片。

合成时上传顺序同样写死：

1. 你的人物图
2. 你的环境图
3. 空间底片视频

两段 15 秒再接。人应该还是你要的那个人，地还是你要的那个地，退镜还在，前景还会刮过。原片的衣服和玻璃门应该没了。

看到这里你会发现，图片和视频没有两套理论。都是先把空间里怎么摆、怎么动，单独做成底片，再让身份和场地认领自己的部分。

---

底片交不出的，不要回头去加强它

成片看起来对了，你还会不满意两件事。两件事都对。两件事都不该靠「把底片做清楚一点」解决。

脸太平。 底片上，脸经常只是一块灰。微笑、皱眉、眨眼、嘴张开一点、眼睛看向左侧，几乎不造成远近差。它知道脸在这儿、头往这边转。它不知道嘴角动不动。

回去改底片，脸还是一块灰。把脸写在合图或视频提示词里。写部位，不写评价。

不要写：表情自然，微微微笑，高级感。

写：

走路时要「有一点笑」，也写在动作之外。不要指望底片视频把笑带过来。带不过来。

手不对。 手指距离近，又互相挡。转到底片上，五指容易粘成一只白手套，甚至少一根。扣杯沿、捏瓶盖、按门铃，靠的是指节怎么折、指腹触哪一块，不是「手在身前还是身后」。

大动作继续交给底片：回头、走步、退镜。接触点另外写，写接触，不写漂亮。

还不行，就不要在这一段里赌手部特写。中景先把走位和退镜做稳。手另出近景。别让底片去干它交不出的活。

分界其实很清楚：

• 人在哪、有多大、谁挡谁、镜头高低、大幅度走位、推拉摇移：交给空间底片
• 表情、眼神、口型、手指、很近的道具接触：另外写字
• 是谁、穿什么、这个地方什么颜色、光从哪来：交给人物图和环境图

越过一次，模型就重新开始猜。看起来像有时灵、有时不灵。其实是同一张图上了两个班。

---

你现在就可以关文，去跑对照

不要收藏这篇文章。打开相册里那三张。

第一遍直接三图合，把废图留下。 第二遍先转空间底片，验收过了再合。 视频先转底片序列，不闪了再合成。 笑和手指最后写，不要回头去「加强」那张灰图。

两遍贴在一起看。你要看见的不是模型突然变聪明，而是图1终于不再把整件大衣和整面灯箱一起带过来。

你要的从来不是那件大衣。你要的是她怎么站，镜头在哪。