AI 人物一致性：為什麼同一個角色第三個鏡頭就變臉

2. 參考圖的「語意理解」不等於「身分鎖定」

目前多數工具的參考圖機制，底層用的是 CLIP 之類的視覺編碼器。CLIP 很擅長回答「這張圖裡有什麼」，例如「一位短髮、穿白襯衫的亞洲女性，在咖啡廳裡」。但它不擅長回答「這個人是誰」。它抓的是語意標籤，不是生物特徵。

這就是為什麼你放了一張參考圖，模型卻只學到「短髮、白襯衫、咖啡廳」這些標籤，然後在第三個鏡頭裡給你一個「風格很像但長得不一樣」的人。比較好的機制是基於人臉辨識模型的特徵注入，例如 IP-Adapter FaceID、InstantID、PuLID 這類方案，它們會抽取臉部 embedding，再投影回生成過程，對身份的保留能力明顯優於純 CLIP 參考。但即使是這類方案，遇到大側臉、遮擋、誇張表情、低光源時，仍然會失效——因為人臉辨識模型本身在這些條件下也不穩定。

3. 臉部像素佔比與解析度陷阱

這是實務上最容易被低估的因素。假設你輸出一張 1920×1080 的寬畫幅，人物站在畫面中央，全身入鏡，那張臉在畫面裡可能只有 80×100 像素。在這種情況下，模型根本沒有足夠的像素去描述眼型、鼻翼、唇形。等到第三個鏡頭切特寫，臉突然變成 600×600 像素，模型就必須「無中生有」補上大量細節，補出來的結果自然不會跟前面一致。

我的經驗值是：想讓臉部特徵穩定，臉在生成解析度裡至少要占 256×256 像素，理想是 512×512 以上。低於這個門檻，你就是在賭運氣。這也解釋了為什麼很多人在寬畫幅影片裡角色特別容易崩——不是模型笨，是臉太小了，資訊不夠。解法不是把整張圖拉到 4K（那只會讓模型在更大的畫布上繼續猜），而是改變生成策略：先在高解析度下生成臉部特寫，再透過裁切、合成或分層生成的方式組回鏡頭。

4. 提示詞漂移與語意稀釋

另一個常見的隱形殺手是提示詞漂移。第一個鏡頭你寫了「小美，25 歲，短髮，單眼皮，鼻樑上有小痣，穿米色針織衫」，第二個鏡頭你加了「在雨中奔跑」，第三個鏡頭你加了「回頭、特寫、電影感光線」。看起來很合理，但對模型來說，角色描述的權重被大量場景詞、風格詞稀释了。

尤其在某些模型中，提示詞的 token 預算有限，後面的詞會擠壓前面的詞。當你寫了二十個描述場景與鏡頭的詞，角色特徵可能只分到很少的注意力。更糟的是，如果你每個鏡頭都重新改寫角色描述，用詞稍微不同（「短髮」變成「鮑伯頭」，「小痣」漏寫），模型就會理解成不同的人。解法是把角色描述固定成一個「角色區塊」，每次原封不動貼上，場景與鏡頭描述另外放在後面，並且盡量使用一致的詞彙。

5. 鏡頭切換處的時間一致性斷層

如果你做的是 AI 影片，問題又多了一層。多數影片生成模型的時間注意力（temporal attention）只在一個短窗口內運作，它能在幾秒內維持臉部穩定，但一旦你剪接、換鏡頭、或分段生成再拼接，模型就沒有跨鏡頭的記憶。它不知道上一個鏡頭的人是誰，只知道這個鏡頭的首幀長什麼樣。

而且分段生成還有一個問題：不同片段的曝光、白平衡、鏡頭畸變、顆粒感可能不一致。觀眾的眼睛對臉部變化極度敏感，當膚色從暖調變成冷調、當鏡頭從 35mm 變成 85mm 的壓縮感，大腦就會判定「這個人換了」。很多時候不是五官真的變了，而是光影與鏡頭語言改變了，讓你覺得變臉。這也是為什麼統一調色與鏡頭參數，對角色一致性這麼重要。

三、工具層面的差異：誰比較會「認臉」

不同工具的底層邏輯不同，對角色一致性的支援程度也差很多。與其盲目追逐最新模型，不如先搞清楚你手上的工具到底在做什麼。

1. 文生圖、圖生圖、圖生影片的三種邏輯

純文生圖（text-to-image）是角色一致性最難的場景，因為每一張圖都是從噪聲獨立生成，沒有先驗身份。你只能靠提示詞、seed、參考圖去「引導」，但沒有真正的鎖定機制。

圖生圖（image-to-image）與重繪（inpainting）比較好一點，因為它有既有的像素作為條件。但這裡有個關鍵參數：去噪強度（denoising strength）。太低，畫面僵化、動作無法改變；太高，臉就被重新發明了。一般來說，角色臉部的重繪強度建議控制在 0.25 到 0.4 之間，並且搭配臉部遮罩，只重繪需要修改的區域。

圖生影片（image-to-video）則是以首幀作為強條件，開頭幾秒通常很穩，但隨著時間推移，模型對首幀的記憶會衰減，臉部開始漂移。所以拍 AI 影片時，鏡頭長度最好控制在三到五秒，並且在切鏡時使用相同角度或相近構圖，減少觀眾感知到的斷裂。

2. LoRA、IP-Adapter、FaceID、Reference 的極限

目前主流的角色一致性方案，大致可以分成幾類。第一類是訓練專屬的 LoRA 或 embedding，用十幾到三十張同一個角色的多角度圖片進行微調。這是最穩的方式，因為它直接把角色特徵寫進模型權重裡。但缺點是成本高、需要多樣化的素材，而且訓練過度會導致角色只能擺特定姿勢、特定表情，失去靈活性。

第二類是參考圖注入，例如 IP-Adapter、InstantID、PuLID，或是 Midjourney 的 character reference。這類方案不用訓練，機動性高，適合快速測試。但它們對參考圖的品質極度敏感：一張正面、均勻光、中性表情的圖，效果會遠好於一張大側臉、有遮擋、戲劇光線的圖。而且多張參考圖不一定更好，若角度或光線衝突，模型反而會無所適從。

第三類是影片模型內建的多圖參考或角色元素功能。部分平台已經支援上傳多張角色圖，讓模型在生成每個鏡頭時都參考同一組特徵。這類功能通常對「風格一致」很有效，但對「精細五官一致」仍有極限，尤其是在大動作或快速運鏡時。理解這些極限，才不會把工具當成魔法，也才知道什麼時候該改用人工修補。

四、實戰工作流：讓第三個鏡頭還是同一張臉

講完原理，接下來談做法。以下流程是我自己在影音創作專案裡常用的，分成前期、中期、後期三個階段。你可以依照手上的工具調整，但核心邏輯是通用的：先定義身份，再控制條件，最後驗收修補。

1. 前期：建立角色聖經與基準圖

第一步不是打開生成工具，而是坐下來寫一份「角色聖經」。內容包括：年齡、臉型、眼型、眼距、鼻型、唇型、眉型、髮際線、髮色、膚色、身高、體型、慣用表情、服裝色票、材質、配件、以及任何識別特徵（痣、疤、耳洞、項鍊）。越具體越好，因為這份文件會成為你每次寫提示詞、挑參考圖、驗收成果的依據。

接著製作「基準圖」。理想上要有正面、側面 45 度、側面 90 度、以及一張中性表情的特寫，背景乾淨、光線均勻、沒有強烈風格濾鏡。這張圖不是用來當藝術作品，而是用來當身份錨點。如果你打算訓練 LoRA，這些圖就是訓練素材的核心；如果你只用參考圖注入，這些圖就是每次生成都要附上的條件。

若角色會長期使用，強烈建議訓練一個專屬 LoRA。素材準備十五到三十張，涵蓋不同角度、表情、光線，但避免太多極端角度或遮擋。訓練時使用一個獨特的觸發詞，測試不同權重（例如 0.6 到 0.8），找到「像本人」與「可塑性」之間的平衡點。權重太高會過擬合，角色變得僵硬；太低則失去鎖定效果。

2. 中期：分鏡、條件控制與參數紀律

進入生成階段，最重要的不是模型多強，而是紀律。首先，在分鏡表上標註每個鏡頭的「臉部佔比」與「角度」。如果連續三個鏡頭都是大特寫，變臉風險自然高；適度穿插中景、遠景、過肩鏡頭，可以讓觀眾的眼睛有喘息空間，也讓模型有更多容錯空間。

其次，固定一組「生成參數」。包括模型版本、採樣器、CFG、步數、解析度、以及一組可重複使用的 seed 池。這不是為了讓每張圖一樣，而是為了在需要比對時，可以把變因降到最低。當某個鏡頭失敗時，你才能判斷是提示詞的問題、參考圖的問題，還是單純隨機性。

第三，把提示詞結構化。我通常會這樣排：角色區塊（固定不變）→ 服裝與配件（固定不變）→ 場景與動作（每個鏡頭不同）→ 鏡頭語言（每個鏡頭不同）→ 風格與畫質（固定不變）。角色區塊每次原封不動貼上，不要即興改寫。如果你使用 negative prompt，也把「不要出現的特徵」固定下來，例如「不要雙眼皮、不要圓臉、不要金色頭髮」，這能有效減少特徵漂移。

第四，善用姿勢與構圖控制。與其讓模型自由發揮，不如用 OpenPose、Depth、Canny 之類的控制圖，把姿勢與構圖固定住，讓模型專心處理臉部與材質。這樣做還有一個好處：當你需要重繪臉部時，身體與背景不會跟著變，減少後期合成的麻煩。

最後，如果你做的是影片，盡量採用「短鏡頭 + 首尾幀控制」的策略。每個鏡頭三到五秒，在切鏡處使用相同角度或相近構圖，並且在後期統一調色。與其追求一個十秒不切換的長鏡頭，不如用多個短鏡頭組成節奏，既能降低變臉風險，也更有電影感。

3. 後期：修臉、挑片與一致性驗收

生成完畢後，不要急著剪接。先做一輪「一致性驗收」，把每個鏡頭的角色臉部放大，逐一檢查：臉型是否一致、眼距是否一致、鼻樑高度是否一致、髮際線形狀是否一致、膚色與痣的位置是否一致。只要有一項明顯不同，就標記為待修。這份檢查表聽起來很笨，但它能幫你抓出大腦自動忽略的細微漂移。

修臉的工具很多，例如 ADetailer、FaceDetailer、CodeFormer、GFPGAN 等。使用時要注意兩件事：第一，修臉模型會把臉「美化」，過度使用會讓角色變成塑膠娃娃，失去原本的特徵；第二，修臉只能修復單張圖，不能保證跨鏡頭一致。所以修臉之前，最好先確定哪一張是「身份基準」，其他鏡頭都以它為目標修正，而不是每張各自修到好看為止。

最後是統一調色與質感。把每個鏡頭的曝光、白平衡、對比、顆粒、鏡頭畸變調到一致，必要時加上相同的色彩查找表（LUT）。這一步看似與臉無關，卻能大幅降低「換人感」。觀眾感知角色一致性，很多時候靠的是整體氛圍的連續性，而不是單一眼部特徵。

五、常見迷思與進階技巧

在論壇上關於角色一致性的討論，經常出現一些似是而非的說法。以下整理幾個最常見的迷思，以及幾個真的有用的進階技巧。

1. 五個常見迷思

迷思一：固定 seed 就能固定角色。如前面所說，seed 只在所有條件相同時有效。鏡頭一換，條件就變了，seed 的保護力非常有限。

迷思二：參考圖越多越好。不一定。多張參考圖若角度、光線、風格衝突，模型會學到混亂的特徵。與其放十張差不多的圖，不如放三張高品質、角度互補、光線一致的圖。

迷思三：提高重繪強度就能救回臉。重繪強度太高，臉會被重新發明；太低，則無法修正。真正該做的是用遮罩限定範圍，只重繪臉部，並且把強度控制在中等區間。

迷思四：輸出 4K 就不會崩。解析度高不等於臉部資訊足夠。如果人物在畫面裡很小，4K 也只是把一張模糊的小臉放大，模型仍然沒有足夠資訊。

迷思五：用同一個模型就一定會一致。模型版本更新、取樣器更換、甚至平台後端調整，都可能改變輸出。 consistency 是整條管線的紀律，不是單一模型的功勞。

2. 進階技巧：從「像」到「是」

第一個進階技巧是「分層生成」。不要試圖用一個提示詞同時搞定臉、身體、場景。先在高解析度下生成臉部特寫，確認身份，再用這張臉作為條件，生成半身或全身，最後合成到場景裡。這樣做雖然麻煩，但對特寫鏡頭特別有效。

第二個技巧是「3D 輔助」。如果你會用 Blender 或 Unreal Engine，可以先擺一個粗略的 3D 人偶，設定好姿勢、鏡頭、燈光，再匯出深度圖或線稿，作為 ControlNet 的條件。這能大幅降低構圖的隨機性，讓模型把注意力集中在材質與臉部。

第三個技巧是「負向角色提示」。除了描述角色是什麼，也描述角色不是什麼。例如「不要圓臉、不要雙眼皮、不要短下巴、不要濃妝」。這能壓制模型往錯誤方向漂移的傾向，尤其在使用參考圖時特別有用。

第四個技巧是「建立鏡頭銜接素材庫」。把每個角色的正面、側面、背影、手部、常用表情分別存成獨立的參考圖，剪接時若發現某個鏡頭臉怪怪的，可以快速用最接近的參考圖重生成，而不是從頭再來。這聽起來像土法煉鋼，但對長期專案來說，這是最省時間的做法。

六、結語：一致性不是魔法，是工程

回到最初的問題：為什麼同一個角色第三個鏡頭就變臉？答案是，AI 從來沒有「同一個角色」的概念，它只有「這一幀的條件」與「這一次的抽樣」。當條件不夠強、資訊不夠多、誤差開始累積，第三個鏡頭自然會崩。與其期待某個模型突然開竅，不如把角色一致性當成一項工程問題來處理：定義身份、控制條件、累積素材、驗收修補。

當然，這條路並不輕鬆。你需要寫角色聖經、準備基準圖、固定參數、逐鏡驗收，有時候還得手動修臉。但這些看似繁瑣的步驟，正是讓觀眾相信「這是同一個人」的關鍵。當第三個鏡頭切下去，觀眾看到的是同一個角色在同一個故事裡呼吸，而不是一個突然被換掉的演員，那一刻，所有的紀律都值得了。

如果你也在雅寶社區 · 頂客論壇的影音創作版摸索 AI 角色一致性，歡迎把你的工作流、踩過的坑、或是某個特別有效的參數組合分享出來。這個領域變化很快，但有些底層邏輯不會變：理解工具的限制，比追逐工具的功能更重要。

🏠 返回首頁