AI短剧都在撞脸,《持械入宋》凭什么不撞
- 2026-11-18 23:23:37
摘要:AI短剧都在撞脸,不是模型不行。角色一致性可用率已从 20% 提到 90% 以上,可过审的脸全行业只有百来张,所有人都被赶到同一批脸上。《持械入宋》靠方言把五个人撕开,文末附角色资产包模板。
先给你一个数字:AI 短剧的角色一致性可用率,已经从大约 20% 提到 90% 以上。
拐点在 2025 年 12 月。群核科技 CTO 朱皓的判断被业内反复引用——视频生成模型开始能接收 3D 场景资产、角色参考图、首尾帧,对这些参数的遵循度上来了,物理规律也自然多了。
翻译成大白话:模型现在分得清张三和李四了。
那你打开三部 AI 漫剧,主角为什么还是长得一模一样?
我一开始以为是模型不行。还专门研究了半天 LoRA 权重,0.6 还是 0.8,调得像给自行车上链条。
后来才发现,这事跟模型一点关系都没有。
一、卡住你的不是模型,是那百来张脸
据从业者的说法,平台审核会识别 AI 角色和真人「撞脸」的风险。一旦被标出来,制作方就得逐条改。每改一次,都是一笔算力钱。
于是省事的做法出现了:直接用工具库里已经过审的脸。
而这类库里的形象,全行业加起来只有百来个。
百来张脸,对着今年上半年抖音新增的 22.19 万部 AI 剧。这个比例大概相当于——全城只有一家照相馆,还只有一个摄影师,而且他只会拍一种笑。
观众的感受更直接:连着打开三部剧,主角长得一模一样。这话不是吐槽,是现状的准确描述。
另一头还有条线。有报道称红果 8 月落了新规:AI 仿真人短剧人脸相似度超过 65% 直接毙,无授权肖像一律下架。这条我没找到平台官方公告,各位当参考听。
65% 是个什么概念?我承认我在那张截图前面站了很久——角色 A 指责角色 B 的时候,A 的脸也朝着观众。那条回答在知乎下面 81 万浏览。观众不是挑刺,是真的被这张脸拦住了。

图注:一条线爬到 90%,另一条线纹丝不动,中间那段距离就是过审成本。
二、它干的第一件事:给五个人五种口音
这部剧容易被忽略的一手,不是建模多好,是方言。
队长林昭,京片子。军械师马振邦,一口东北大碴子。通信兵王浩川,广东仔。医官陈素,湘妹子。
有个观众专门提到,机枪手飙的是东北话,他自己是东北人,说这个细节给加分。
这条为什么管用?
因为方言是唯一一种没法被脸库统一的资产。你把五个人的脸换成同一批过审脸,口音还在,人还是五个人。反过来只换口音不换脸,观众照样分得清谁是谁。
配音这步也有讲究。五个人的口音定下来之后,不是找五个 AI 音色随便配,而是先按口音分组。京片子那种吞字的节奏、东北话那种往上挑的尾音,同一句台词念出来是两个人。
再看职业轴:指挥、狙击、军械、通信、医疗,五个人的技能没有一项重复。所以观众记的是「那个造弩的」「那个打枪的」「那个看病的」,不是第几号男主角。
第三轴是甲胄服饰。不同身份的服饰、甲胄尽量贴宋代审美,五个人站在一块不会认错。
三轴一起上,脸的重合就被稀释了。观众记住一个人的方式,从来不只是看脸。

图注:脸这一轴最难改,方言和职业这两轴,今天就能改。
三、它也没解决的那个毛病
话得说回来。它没做到千人千面。
有观众说得很直接:角色 A 指责 B 的时候,A 的脸也是朝着观众的,「人物永远正面面对观众」。
这是竖屏带来的副作用。9:16 的画面里,两个人对话要么侧身挤在一起,要么就得转过来面对镜头。真人剧组能靠机位和景别绕过去,这套流程绕不过。
有人问,那为什么不干脆换个机位?能换,但换机位意味着重新生成。竖屏的构图余量本来就小,一改景别,背景、光、道具全要跟着变。这笔账制作方算过。
口型也一样。大段对白基本通顺,可语气层次平。生离死别那种戏,台词写得再动人,脸上的表情跟不上。
四、你要复刻,照这五栏填
说了这么多,落成能抄的东西。角色资产包,五栏。
- 触发词
这个名字每次生成都用同一个,不改写、不缩写 - 外貌
年龄、脸型、眉眼、身高,写成固定一段,不是每次现编 - 服装
分场次版本,上战场一套、进城一套,编号管理 - 方言与声线
这一栏常被漏掉。写清口音、语速、音色,配音阶段才不会全员一个嗓子 - 标志道具
他一出现就带着的那个东西——弩、枪、药箱
这五栏写好之后,每次生成都从里面调,绝不在中途临时发明一个新描述。
再补三条实操:
- 别只靠一张参考图打天下。
参考图能锁脸,锁不住「他这时候该有什么情绪」,要配分镜表。参考的强度也别拉满,业内多在 0.6 到 0.8,拉太高人物会僵,像立正拍证件照。 - 同质化先查方言。
五个人的脸实在分不开,先把口音分开,这是便宜的招。 - 改分镜,别硬抽。
同一个镜头抽二十次还不行,说明描述本身有问题,回去改景别、拆动作,硬抽只是往算力池里扔钱。
复刻一部《持械入宋》,脸是入场券,不是答案。
它真正难复刻的,是让观众追到第八季,还认得出「东北话那个造弩的」。

图注:五栏里最容易漏的是第四栏,脸能锁住,嗓子锁不住。
你在复刻的时候,卡得狠的一步是脸、是口音,还是分镜?评论区说说。
往期: