深度复盘:做AI短剧,怎么让同一个人每个镜头都长一个样?
- 2026-11-15 17:30:42

我的科普片里有两个固定角色:青绿头发的女生柒柒,和一个白色的人形机器人。
一条片子三四十个镜头,每个镜头都是 AI 单独画出来的。AI 每画一次,都是重新画一个人。
所以做 AI 短剧,最头疼的事不是画得好不好看,是画得像不像:上一个镜头和下一个镜头,是不是同一个人。
这件事我们栽过好几次。机器人有时一只眼,有时两只眼;做着做着,机器人越来越瘦,脸也变黑了;柒柒不管说什么话,都是一张愁眉苦脸。
后来摸清楚了,问题几乎都出在同一个地方:参考图。AI 画人,靠的是你给它的参考图。
参考图就像一个模子,模子正,画出来就正;模子歪一点,后面一路歪下去。
这篇就讲,这几个模子是怎么做出来的,又是怎么歪的。
◆◆◆
一、第一个模子:柒柒的脸
七轮定妆
柒柒的形象,最早是在第一条片子里定下来的,前后试了七轮。
第一轮、第二轮,脸像 3D 动画里的塑料人,一看就是 AI。第三轮换了件衬衫,我觉得太一般。第四轮换成白外套,出来的图左上角多了一个“AI生成”的字样,因为拿来当参考的那张图角上就有这个水印,它照着画了上去。第五轮是象牙白西装配香槟色内搭,我觉得颜色太近,发闷。第六轮换深蓝内搭。
第七轮才定下来:午夜蓝的缎面西装,白色真丝衬衫,青绿色长发。

最早的几轮定妆:像 3D 动画里的人
这七轮留下两条规矩。参考图拿来之前,先看四个角有没有水印。衣服里外要有深浅对比,同一个色系叠在一起会发闷。
太像 AI 了
用了几条以后,我又提了一个大问题:柒柒的形象太 AI 味了。我想要的是像真人一样真实、漂亮,形象不变。
AI 员工先用可灵改了三轮:加写实的提示词,换真实的演播室,给它一张更像真人的照片当参考。三轮下来,图几乎没变,原来那张 AI 脸怎么都改不动。
后来换了工具,用小云雀里的 Seedream 5.0 Pro,给两张参考图:第一张是柒柒早期一张最清楚的正脸照片,第二张是她的主播造型。这次皮肤和五官真实多了,脸也还是那张脸。
青绿色的头发也要写清楚:明亮的青绿,偏一点孔雀石的青蓝色,不要墨绿。不写,它会越画越深。
标准脸
最后定下来的,是一张“标准脸”:我定稿的那张科技号头像,把头部裁出来。正脸,自然微笑,柔和的光。
以后柒柒所有的镜头,都从这张脸出发。
有一条规矩是后来补上的:标准脸不要重新生成。每重新生成一次,脸就会变尖一点、变年轻一点,看着差不多,放在一起就不是同一个人。
漂移,就是从“再生成一张差不多的”开始的。
◆◆◆
二、两张参考图,各管一件事
一张管衣服,一张管脸
现在每个有柒柒的镜头,都给 AI 两张参考图。
第一张,是本条片子的服装定妆,管衣服和发型。第二张,是标准脸,管五官。
提示词里写清楚分工:图片一里的女生,五官、脸型、肤色完全按图片二,是同一个人;明亮青绿色波浪长发;穿图片一里的衣服。
还要加一句:不戴耳环。标准脸上戴着珍珠耳环,不写这一句,耳环会跑到每一个镜头里去,和本条的衣服搭不上。
每条换衣服,头发不能动
柒柒每条片子都换一套新衣服。这是我提的:连续几条都穿同一套西装,观众会觉得是素材复用。
换衣服的时候,先出三张换装图,挑一张。挑的标准不是衣服好不好看,是脸和头发保没保住。讲外国人来中国看机器人那条,三张换装图里,有两张把青绿长发弄丢了。
头发的规矩我也说过:跟主播那时候一样,不要盘到头上,要保证头发的颜色。所以提示词里写死,青绿色波浪长发自然披肩,不扎、不盘、不扎马尾。
场景图里不能有人
讲奶奶那条片子,柒柒在家里陪奶奶。给 AI 的场景参考图里,碰巧有一个扎着头发的柒柒,结果它把扎头发也照抄了过去。

情景演绎的关键帧审看图:场景图里的人,会被照抄
从那以后,场景参考图一律用不含柒柒的。模子只能有一个,两个模子同时给,它会挑一个你不想要的去抄。
给 AI 看什么,它就抄什么,包括你没想让它抄的。
◆◆◆
三、模子还会把情绪带进去
为什么柒柒总是一脸愁容
有一段时间,柒柒的表情始终是同一种:有点担忧,有点委屈。讲到吓人的地方是这个表情,讲到好笑的地方也是这个表情。
我说过一句话:对方能做到的你也可以做到,所以肯定是提示词的问题。
查下来,有两个原因。
第一个在参考图上。当时用来管脸的参考图,是一张侧脸,眼里含着泪,很忧伤。模子本身就带着情绪,所有镜头都被它带成了一张愁容。
换成标准脸以后,这个问题一下就轻了。管脸的模子,必须是中性的表情、正脸、柔和的光。
只写“吃惊”,它就给你一个淡淡的表情
第二个原因在提示词上。以前写表情,只写“一脸吃惊”“很疑惑”。模型拿到这样的词,只会给一个淡淡的、通用的表情。
AI 员工去看了对标账号的片子,用电脑自带的人脸识别,把脸占得大的镜头全挑出来,一共四百一十三个特写,一张一张看:什么景别,什么表情,配的是哪句台词。
看下来,对方写表情,写的是动作:眉毛挑多高,眼睛瞪多圆,嘴张成什么形状,嘴角往哪边撇,头往哪边偏,手放在哪儿。
比如“惊呆”,不写“很吃惊”,写:眉毛高高挑起,眼睛瞪得滚圆、露出眼白,嘴巴张成 O 形,下巴微微往前探。
比如“不屑顶嘴”,写:下巴抬起,翻白眼,嘴角一边往上撇一边往下压,鼻子轻轻哼一下。
一张标准脸,八种表情
按这个写法,拿同一张标准脸试了八种表情:惊呆、怀疑、不屑顶嘴、被吓到、开心大笑、冻得龇牙咧嘴、嫌弃。
全部演出来了,而且一看就是同一个人。

同一张标准脸,按动作写法试出来的八种表情
后来整理成了一份表情库,十二种表情,八种景别,每一种都写了用在什么台词上。比如听到惊人数字用惊呆,讲到恶心的东西用嫌弃,讲完一个道理用恍然大悟。
让表情动起来,也有讲究。图生视频的提示词写变化的过程,不写结果:先愣住半秒,然后眉毛猛地挑起,眼睛瞪大,身体往后一缩。一个镜头里,可以从平静变成某个表情,别从某个表情变回平静,后半截会显得木。
写表情,写的是脸上的动作,不是心里的情绪。
◆◆◆
四、第二个模子:机器人
一条传一条,越传越歪
机器人的形象,第一条片子做出来,我觉得就挺好。
麻烦出在后面。做下一条片子时,图省事,拿上一条片子里的截图当机器人的参考图。上一条画得稍微瘦一点,下一条照着画,再瘦一点。到了讲狗的那一条,机器人明显变瘦了,脸也变成了全黑。

左边是第一条里的机器人,右边是几条以后的
我看出来了,定了一条规矩:机器人全系列统一,参考图只用一张固定的,不再拿上一条的截图往下传。
拿上一条的成品当模子,模子本身就已经歪了一点。每一条都回到最初那一个模子,才不会越传越歪。
侧脸的模子,画出一只眼
后来又发现一个问题:机器人有时候一只眼,有时候两只眼。
查下来,那张固定的参考图是一张四分之三侧脸。黑色面罩上本来是两只蓝色的光眼,侧过去以后,第二只眼被面罩边缘挡住了一半。AI 看到的就是一只半眼睛,画的时候有时补全,有时不补。
办法是重做一张正面全身的标准像,两只眼睛左右对称,清清楚楚。提示词里,机器人后面固定跟一句:黑色面罩上两只圆形蓝色光眼,左右对称,两只眼睛都要清楚。
没有嘴,怎么做表情
机器人没有嘴。它要毒舌、要卖关子、要吃惊,表情从哪来?
我的意见是:机器人的表情,可以通过两只眼睛来实现。
于是做了一份眼睛表情库,八种:笑的时候,两只光眼都弯成向上拱的月牙;吃惊的时候,瞪得又大又圆;怀疑的时候,一只正圆,另一只压成一条细线;无语的时候,两只眼上半截被遮住,像半闭着;思考的时候,变成一圈一圈的同心圆,像在加载。

机器人的眼睛表情库:表情全靠两只眼睛的形状
这里有一个有意思的坑。提示词里写了一个“笑”字,模型就在黑色面罩上画了一张咧开的笑嘴。所以写机器人的表情,从来不写“笑”,写“两只光眼弯成月牙”。
它的眼睛会慢慢亮起来
还有一个只在动起来以后才看得见的问题。
可灵把机器人的关键帧变成视频时,常常让黑色面罩从全黑慢慢亮出眼睛。开头那零点几秒,机器人是一张没有眼睛的黑脸。
金字塔那条,有一个机器人特写开头零点二秒就是全黑的。现在每个机器人镜头都要看第一帧,两只眼都在,才用。
◆◆◆
五、配角也要有自己的模子
讲奶奶那条片子,第一次出现了配角。
奶奶也要从头做一个模子:先定她的样子,银白色的短卷发;再定她的声音,从可灵生成的一段原声里挑出我认可的那一段,复刻下来,以后每次都用这一个声音。
奶奶还有一个跟柒柒不同的地方:她出现在家里,动作要合理。最早写的是坐在沙发上择菜,我觉得不对,沙发上怎么择菜,改成了嗑瓜子、看电视、打电话。
模子管的是长相,动作合不合理,还得人来看。
◆◆◆
六、最后,用片子里的帧做模子
还有一个小技巧,是在对话短剧里摸出来的。
需要柒柒的面部特写时,与其再拿标准脸去画一张新的,不如直接用这条片子里已经出现过的特写帧当参考。同一条片子里的脸,光线、妆容、衣服都对得上,最一致。
反过来,拿一张证件照一样的正面照去做特写,出来的反而显得假。
◆◆◆
七、成片
回头看,角色走样这件事,几乎没有一次是 AI 突然犯傻。
每一次都能追到一张参考图上:侧脸的,带水印的,含着泪的,从上一条截下来的,场景里多了一个人的。
现在柒柒有一张标准脸,加每条一套的服装定妆;机器人有一张正面标准像,加一份眼睛表情库。新片子开工,先把这几个模子摆出来,再画第一个镜头。
模子正了,后面才不用一个镜头一个镜头地修。
FOUNDER · 关于本号
王二导
记录一个中年人,用AI把自己重新组织起来的全过程