外观
角色一致性技术路线
角色一致性是漫剧制作的第一痛点，也是"能看"与"能追更"的分水岭。本章把四条主流技术路线的原理、成本与取舍讲清楚，最后给出单人云端管线的推荐组合。
1. 问题定义：为什么角色会"变脸"
回顾视频模型原理：每段视频都是从随机噪声独立采样出来的。模型内部没有"这是我的主角"的记忆——你两次输入"黑发眼镜男性"，它只是在训练分布里各自采样了一个"黑发眼镜男性"，恰好长得像而已。
一致性漂移是默认行为，一致性是工程的结果。 所有一致性技术，本质都是同一件事：给模型注入"这个角色长什么样"的额外条件，把采样空间收窄到角色附近。
一个 2025 年后的新变量值得知道：Seedance 系的"原生多镜头叙事"把多个镜头放进同一条采样轨迹——跨镜头共享条件与注意力上下文，模型去噪时"看得见"前一个镜头，一致性从"跨段对齐"变成"段内自洽"。这与上面"每段从新噪声独立采样 → 漂移是默认行为"的范式形成对照：段内漂移大幅缓解，但代价是单段总时长仍被注意力平方律封顶（token 随总时长线性增长、注意力开销随 token 数平方增长，见视频模型原理），段与段之间仍是独立采样——所以它缓解而非消除一致性问题，下面四条路线仍是主角。
四条路线按注入强度从弱到强排列：
text
弱 ←──────────────────────────────────────→ 强（身份锁定轴）
平台参考图绑定 云端 LoRA 微调 本地开源全定制
（即梦/可灵/Vidu） （LiblibAI/吐司） （VACE 等，需显卡）
无需训练·按次用 训练一次·长期复用 完全可控·门槛高
※ 首尾帧衔接（构图/姿态轴·非身份锁定）：锁两端构图姿态、解决镜头连贯，不入此轴，见第 4 节注：本图针对身份锁定维度单轴排序；首尾帧锁的是构图/姿态（镜头连贯），与身份锁定不同轴，故在第 4 节单列、不入图。
角色之外的第二战线：场景/空间一致性。 四条路线锁的都是"人"的身份；但漫剧还有另一半一致性——同一间卧室在第 3 镜与第 12 镜里陈设不能换位、主角的银框眼镜不能每镜换造型。2026 年各平台正把参考机制扩展到场景与道具（元素库/主体库类型扩展、多镜头叙事的空间自洽，行业口径见调研报告 §4.3），但工程现状仍是"半手工"：场景基准图 + 光线变体复用（每个场景出 1 张基准图，关键镜头以其为参考图或局部重绘改机位）与关键道具单独出图、特写直接引用（资产做法见图像资产§4），是目前最可靠的空间锁定手段；模型级的场景记忆尚未产品化，选型时把"场景/道具参考能力"列为与角色参考并列的考察项即可。
2. 路线一：平台内置参考图 / 主体绑定（首选起步方案）
原理一句话：把角色参考图作为条件注入生成过程（技术原型见 IP-Adapter 的解耦交叉注意力），每次生成都对齐参考特征，无需训练。
机制上，这类功能为参考图单独开一组 K/V 注意力通道，与文本通道并行——参考图管"像谁"，提示词管"干什么"，两路条件加权求和（机制详解见图生视频·解耦交叉注意力）。各平台的差异在工程封装上：参考图用几张、是否支持参考视频、强度滑块暴露多少，但底层思想相同。
各平台实现（截至 2026 年 9 月，功能上限随版本变化，以官方文档为准）：
| 平台 | 功能名 | 用法要点 |
|---|---|---|
| 即梦（Seedance） | 智能参考 / @引用 | 上传角色锚定图，提示词中用 @图1 调度；支持多图参考 |
| 可灵（Kling 3.0） | 元素（Elements） | 上传多角度角色图或一段参考视频建"元素"，提示词中 @元素名调用；多参考一致性约 95%（社区口径，2026-09 复核未检索到官方出处） |
| Vidu Q3 | 参考生视频 / 主体库 | 上传 1~7 张参考图建主体库，动漫风格是其传统强项 |
| Midjourney | --oref（omni-reference） | 仅用于出设定静帧，不生视频；注意 --oref 与 Niji 系模型的兼容性随版本变化（以 Midjourney 官方文档为准） |
社区实测经验（口径均为参考值，非官方承诺）：
- 锚定图选定后全剧不换——锚定图就是角色的"基因库"。
- 参考强度 70%~90% 是甜区：太低锁不住，太高会导致姿势僵硬、构图单一。
- 提示词里只写动作和场景，不复述外貌——复述反而与参考图打架。
取舍：上手门槛极低、按次付费；但跨集、跨场景的长线一致性仍需配合设定资产工程化管理。
3. 路线二：云端 LoRA 微调（长篇连载的进阶方案）
原理一句话：用 10~20 张角色素材对基础模型做低秩微调（LoRA 原论文：不改动原模型权重，只训练一对低秩增量矩阵），产出一个几 MB~几百 MB 的小权重文件，之后用触发词精确召回角色。
低秩分解：LoRA 为什么又小又稳
先看全量微调的两大问题：底模动辄几十亿参数，全量训练既贵又容易灾难性遗忘——角色是学会了，但模型把"怎么画画"忘了，出图质量整体塌方。LoRA（Low-Rank Adaptation，微软 2021）基于一个关键的经验发现：针对特定任务的权重增量 ΔW 是"低秩"的——矩阵虽大，有效信息量却可以用两个小矩阵的乘积近似：
text
W = W₀ + ΔW ≈ W₀ + B·A （B 是 d×r，A 是 r×k，秩 r ≪ d）训练时底模 W₀ 完全冻结，只学习 B、A 两个小矩阵；推理时把 BA 叠加回 W₀ 即可（合并后无额外计算量）。
工程红利由此而来：
- 小：只存 B、A 两个矩阵 → 几 MB~几百 MB 的文件，可下载、可分享、可进 Git 做版本管理；
- 稳：底模一个参数都没动，不会灾难性遗忘；效果不满意直接卸掉，底模毫发无损；
- 可叠加：角色 LoRA 与画风 LoRA 可同时挂载、各自调强度——"可插拔"是 LoRA 生态繁荣的根本原因。
训练质量的三个旋钮
云端平台把训练封装成了一键操作，但产出质量由三件事决定（社区共识经验）：
- 秩 r 与学习强度：r 常见 8~64。r 太小 → 欠拟合（学不像，产出是"大众脸亲戚"）；r 太大、训练步数太多 → 过拟合（角色只会摆训练图里出现过的姿势，换个构图就崩、画风被素材风格焊死）。平台默认档位对 10~20 张素材通常够用，先跑默认，按产出症状再调。
- 素材配比与质量（10~20 张）：面部特写 4~6 张（多角度）+ 半身 3~4 张 + 全身 2~3 张 + 表情差分若干。铁律：画风统一（全部来自同一画风模板）、背景干净、无遮挡、无水印——素材里的任何共同杂质都会被当成角色的特征学进去。
- 打标（captioning）与触发词：平台为每张素材图生成文字描述。关键规则反直觉——写进打标的特征会被视为"可变属性"，不写进打标的特征才会被"烙"进触发词。所以：角色的固有特征（黑发三七分、银框眼镜）不要出现在打标里，让它们全部绑定到触发词上；希望灵活变化的部分（服装、表情、姿势）则必须打标，否则换装都换不动。触发词用一个无意义的独占词（如
hero_guchen），避免与词典里的既有词撞车。
图片 LoRA vs 视频 LoRA：
- 图片 LoRA（基于 FLUX/SDXL）：锁定角色外观，产出稳定的关键帧/首帧图。成本低、训练快。
- 视频 LoRA（基于 Wan2.x）：可学习动作与运镜风格，直接作用于视频每帧，但素材要求高、训练贵。
社区主流组合是"图片 LoRA 出一致首帧 → 图生视频"——把一致性锁定在图像阶段（可控、可修），视频阶段只承担运动（参考 SegmentFault 漫剧方案对比）。
云端训练流程（LiblibAI / 吐司 TusiArt / RunningHub 大同小异）：
- 准备 10~20 张多角度、多表情、干净背景的角色图（用路线一生成即可），其中面部特写 4~6 张（多角度）——从图像资产章的设定包派生素材时，面部特写通常不足，应追加 3~5 张多角度面部图；
- 平台自动/手动打标，设定触发词（如
hero_guchen）； - 选底模（二次元角色推荐 FLUX 或 SDXL 动漫系底模）；
- 提交训练（约 30 分钟~2 小时）；
- 在平台内生图/生视频，或下载
.safetensors权重。
成本（截至 2026 年 9 月，以官网为准）：LiblibAI 训练会员约 55 元/月起；吐司连续包月约 25 元级（免费用户可排队训练公开模型）。单次训练消耗约几十元级算力。
为什么本地训练不可行（你的核显机器）：训练栈全链路依赖 NVIDIA CUDA，FLUX LoRA 训练最低需 12GB 显存且极慢，24GB（3090/4090）才顺畅。核显既无 CUDA 也无显存——这正是本教程走云端方案的根本原因。未来升级可考虑云 GPU 租用（RunningHub 等平台 2.5~6 元/小时）。
4. 路线三：首尾帧链式衔接（镜头级连贯）
原理一句话：给定首帧与尾帧两张图，模型只补中间运动（见图生视频原理），角色姿态与构图被两端锁死。
可灵、即梦、Vidu 均支持首尾帧（截至 2026 年 9 月）。漫剧的三种核心用法：
- 链式拼接：镜头 N 的尾帧截图作为镜头 N+1 的首帧，消除跳切感；
- 姿态控制：先在图像阶段生成"站姿→摘镜"两张关键帧（角色已被参考图/LoRA 锁定），再让视频模型补动作——复杂动作的成功率远高于纯文字描述；
- 无缝循环：首尾同图，做呼吸感、待机镜头。
关键参数：单段控制在 3~6 秒。时长越长，中间过程的漂移越不可控。
5. 路线四：开源本地方案（认知即可）
供技术背景读者了解原理与生态位置，本教程不做实操。硬件门槛分两类：视频侧方案（VACE/Wan2.x）需 24GB+ 显存；图像侧参考方案（IP-Adapter/InstantID/PuLID）8~12GB 显存可跑。但两者均依赖 NVIDIA CUDA 与 ComfyUI 工作流经验——对你的核显机器同样不可行，结论不变：
- IP-Adapter：参考图特征经解耦交叉注意力注入，即插即用免训练；细节还原有限，适合风格/构图参考。
- InstantID：人脸特征向量 + 关键点空间约束，零样本锁脸；只锁脸不锁服装，偏真人写真。
- PuLID：锁身份同时对原模型风格干扰更小；定位仍是"换脸向"。
为什么这类 FaceID 方案"偏真人"：它们锁的是人脸特征向量——由专门的人脸识别模型（如 InsightFace 系的 ArcFace）提取的 embedding。这类识别模型本身就是为真人照片训练的，对二次元面部的特征提取能力天然有限；而且"锁脸不锁服装发型"的设计目标，决定了它们服务的是"换脸/写真"场景，而非漫剧需要的"全设定锁定"。漫剧角色一致性靠的仍是"定妆照参考 + LoRA"这条更笨但全覆盖的路线。
- Wan2.1 VACE：统一编码参考图/遮罩/姿态等任意条件，开源侧最接近平台"参考生视频"能力的方案。
6. 工作流层：一致性的"工程地基"
无论选哪条技术路线，下面这套资产流程都是地基（社区共识公式）：
text
人物小传 → 定妆照（正面全身）→ 三视图（正/侧/背）
→ 表情差分（喜/怒/悲/惊）→ 姿势差分（含标志性动作）→ 服装配饰特写 → 角色说明书 → 角色资产库角色说明书锁定 6 个易失控变量：表情、动作、镜头、光影、穿搭、画风（画风指什么、怎么选）——用量化描述替代模糊形容词（如"眼裂长宽比约 1:1.2"优于"大眼睛"）。实操细节见图像资产生产。
7. 路线对比与推荐组合
| 路线 | 稳定性 | 门槛 | 成本 | 适合场景 |
|---|---|---|---|---|
| 平台参考图/元素 | ★★★★（单镜头高） | 极低 | 含在会员内 | 起步、快速出片 |
| 首尾帧链式 | ★★★★（镜头衔接） | 低 | 生成量略增 | 动作衔接、无缝剪辑 |
| 云端图片 LoRA | ★★★★★ | 中 | 约 25~55 元/月 + 训练算力 | 长篇连载、IP 资产化 |
| 视频 LoRA | ★★★★ | 高 | 更贵 | 动作/风格绑定，进阶 |
| 开源本地（VACE 等） | ★★~★★★★ | 高 | 云 GPU 租用 | 私有化、技术研究 |
单人云端漫剧推荐组合（社区主流做法）：
text
设定期：即梦出定妆照与三视图
资产期：需要长篇连载时，LiblibAI/吐司 训一个角色图片 LoRA（约 25~55 元/月级，见 §3 成本口径）
出图期：LoRA / 平台参考图批量生成各分镜关键帧
视频期：即梦 @引用 或 Vidu 主体库做图生视频；可灵负责长镜头与对口型
衔接层：首尾帧链式拼接
后期： 剪映统一调色与转场核心原则一句话：脸的一致性交给 LoRA/主体库，镜头连贯交给首尾帧，风格统一交给固定提示词模板。
起步期建议
第 2~4 周不要碰 LoRA。先用平台内置参考图跑通全流程（里程碑 1），确认要量产长篇时再投入训练——LoRA 是"量产工具"，不是"入门门票"。
自测
- 为什么说"一致性是工程的结果"，而不是模型自带的能力？
- 参考图/主体锁定后，为什么提示词里不要复述角色外貌？
- 什么时候才该投入训练 LoRA？
- LoRA 训练打标时，为什么角色的固有特征（黑发三七分、银框眼镜）不要写进打标？
- LoRA 的秩 r 或训练步数调得过大，产出会出现什么典型症状？
查看答案
- 每段视频都是从随机噪声独立采样的，模型没有"这是我的主角"的记忆——一致性漂移是默认行为。所有一致性技术本质都是同一件事：注入"这个角色长什么样"的额外条件，把采样空间收窄到角色附近（见第 1 节）。
- 角色外貌已由参考图的图像条件锁定（独立的图像 K/V 通道），文字复述会与图像条件打架，反而引入漂移；参考图模式下提示词只写动作和场景（见第 2 节）。
- 确认要量产长篇连载时再投入。起步期（第 2~4 周）先用平台内置参考图跑通全流程——LoRA 是"量产工具"，不是"入门门票"（见第 7 节）。
- 打标规则是"写进打标的特征成为可变的提示词属性，不写进打标的特征被烙进触发词"。固有特征写进打标，模型会认为它们是"可以变化的"——换装、换发型的自由度没换来，触发词的锁定力反而被稀释（见第 3 节"训练质量的三个旋钮"）。
- 过拟合：角色只会摆训练素材里出现过的姿势与构图，换个角度或动作就崩；画风被素材焊死，与全剧其他镜头的风格脱节。对策：降 r、减步数、补充更多角度/姿势的素材重训（见第 3 节）。