上个月帮朋友做第一集短剧八个镜头剪完导出主角的脸换了五次。前三镜还是个冷脸少年第四镜突然变成另一个人第七镜又变回来。剧本没问题分镜也没问题——问题出在提示词。文生视频模型是逐帧独立采样的镜头之间没有记忆。你写同一个少年模型在第二个镜头里完全不知道第一个镜头长什么样。所谓锁脸不是模型自带的能力而是提示词工程 参考图约束共同构造出来的结果。下面把我踩了两周坑之后稳定下来的做法整理成可复制的模板。## 为什么单靠文字描述锁不住脸一个 60 秒的短剧大概 20 到 30 个镜头。如果每个镜头都靠一段自然语言描述角色那么这 20 段描述必须有几乎相同的语义——而自然语言天生做不到这一点。“清瘦的十七八岁少年和面庞瘦削的年轻男子在人看来是同一个人在模型的向量空间里可能是两个不同的方向。再加上采样随机性同一个 prompt 跑两次都会出现五官漂移。所以文字描述只能定类型”定不住身份。## 三种锁脸路线的取舍| 路线 | 原理 | 稳定性 | 成本 | 适合场景 ||—|—|—|—|—|| 参考图锁定 | 把定妆图作为 image prompt 传入模型按图复用身份特征 | 中等长镜头末端仍会漂 | 最低无需训练 | 单集短剧、快速验证 || 首尾帧约束 | 指定镜头起止两帧让模型在中间插值 | 高跨度越大越稳 | 中需要额外生成关键帧 | 动作幅度大的镜头 || 主体微调 | 用角色多角度图训练专属权重 | 最高 | 高需素材与训练时间 | 系列剧、多集复用 |实操建议先用参考图锁定跑通一集把漂移最严重的镜头单独改用首尾帧补。绝大多数人不需要一开始就上微调——训练成本和调试成本会把节奏拖垮。一个细节参考图不要用精修过的海报图要用正面、无遮挡、光线均匀的半身图。带强烈氛围光的图会让模型把光也当成身份特征换场景就崩。## 角色描述串把固定项和可变项拆开这是最有效的一步。别每次重写角色描述而是维护一条身份串逐镜只改变量固定串每镜原样复制17岁少年窄脸单眼皮左侧眉尾有一道短疤黑色短碎发冷白皮深灰立领外套可变项每镜单独指定| 变量 | 取值示例 ||—|—|| 景别 | 特写 / 中近景 / 中景 / 全景 || 情绪 | 克制 / 隐忍 / 怒意初起 / 松弛 || 动作 | 抬眼看镜头 / 侧身让位 / 手按桌面 || 环境 | 雨夜窄巷 / 旧楼楼梯间 / 空教室 || 光线 | 侧逆光 / 顶光压暗 / 窗光冷调 || 运镜 | 固定 / 缓慢推进 / 手持轻晃 |固定串必须逐字一致不要为了句子好看改同义词。身份串里那个左侧眉尾短疤看起来多余但它是模型锚定身份最有效的稀有特征——缺了它稳定性会明显下降。## 分镜提示词的六段式结构按下面顺序拼接每段一句话不要写成散文[景别] [身份串] [动作] [环境] [光线] [运镜]示例- 镜头 03特写特写。17岁少年窄脸单眼皮左侧眉尾有一道短疤黑色短碎发冷白皮深灰立领外套。抬眼看镜头下颌绷紧。雨夜窄巷背景霓虹虚化。侧逆光面部左侧留一条高光边。固定机位轻微呼吸感。- 镜头 04中景中景。17岁少年窄脸单眼皮左侧眉尾有一道短疤黑色短碎发冷白皮深灰立领外套。侧身让开半步右手插进外套口袋。旧楼楼梯间墙面有水渍。顶光压暗眼窝有阴影。缓慢推进。注意环境、光线、运镜这三个变量是情绪的外化。情绪靠形容词写不出来靠顶光压暗 眼窝阴影才能让画面真的沉下来。## 图生视频的关键参数| 参数 | 建议值 | 说明 ||—|—|—|| 单镜时长 | 3~5 秒 | 超过 5 秒人物动作容易塌剪辑再拼比一次生成更稳 || 运动幅度 | 低到中 | 幅度拉满时面部形变最严重 || 一致性权重 | 中高 | 提高会牺牲动作流畅度按镜头类型调 || 参考图作用强度 | 中高 | 太高会让画面变成图片平移失去动态 || 输出比例 | 9:16 | 竖屏短剧按平台要求别用 16:9 再裁 |一个反直觉的点动作越简单越稳。“慢慢转头比转身奔跑稳定得多。需要大动作时拆成两个镜头或者改用首尾帧约束。## 常见的六种失败模式1.第二镜开始漂脸——身份串被改写成了同义词。逐镜复制固定串别手打。2.背景抢主体——环境描述太具体“贴满小广告的卷帘门”模型把注意力分给了背景。环境压到一句话虚化优先。3.画面变成静图微动——参考图强度或一致性权重过高。往回调宁可接受轻微漂移。4.人物比例失真——提示词里出现了两个以上人物。多人同框是人脸崩坏的高发场景尽量拆成单人镜头。5.光线从头到尾一样——情绪没有递进。按剧情给每镜分配光线别整集一个色调。6.成片节奏拖——单镜生成 6 秒以上再剪。生成 4 秒用剪辑把节奏提上来。## 常见问题**Q一定要写英文提示词吗**不必须。做中文短剧时环境、光线、运镜用中文描述反而更准因为最终画面里的文字元素是中文的。关键是身份串从头到尾用同一种语言、同一个版本。**Q一条身份串能用于所有角色吗**不能一个角色一条。角色多了就维护一个表格逐镜去查比凭记忆写靠谱得多。**Q分镜到底该由人写还是让模型写**让模型出草稿人改三个地方动作幅度调小、光线补上情绪、景别做段落内变化。全自动产出的一整套分镜往往 20 个镜头用了同一个景别剪出来非常平。**Q参考图用几张比较合适**单张即可。多张参考图如果彼此角度差异大模型反而会平均化产出四不像”。要提升稳定性不如把参考图的作用强度调高一点。**Q为什么前几个镜头很稳后面越来越崩**漂移是累积的。建议每隔 5 到 6 个镜头用一张新生成的高质量帧回填作为参考图等于给链条重新打一次锚点。**Q提示词里要不要写电影感“8K”大师作品这类词**基本无用。这些词既不携带身份信息也不携带构图信息只会稀释有效描述。把字数花在身份串和光线上收益高得多。—把这条链路固定下来之后我做一集 20 镜的短剧大概需要重跑 3 到 5 个镜头比最初重跑十几个已经好很多。真要省事用国内直连的 AI 短剧生成工作台如布咕咕会比在多个海外模型之间来回切换更顺中文文案和竖版比例都是现成的。核心还是前面那套提示词工程——工具只决定你能跑多快提示词决定你能不能跑对。