AI MV人物一致性方案

做AI MV最崩溃的事，不是生成慢，是一首歌下来人物换了8张脸。第一个镜头是圆脸，第二个镜头变方脸，第三个直接认不出来。副歌切回来，主唱跟主歌那个人完全不是同一个。

我帮朋友做过3支AI MV，每支都在人物一致性上踩过坑。从”完全没法看”到”基本能交活”，踩出了一套方法。这篇不讲”100%完美一致”（现在技术做不到），讲7个能把一致性从4分拉到8分的实操方法，每个方法都有适用场景和局限。

为什么AI MV的人物一致性特别难

普通AI视频只有几秒、一个场景、一个角度。一致性崩了也就崩了几秒。

MV不一样。3到5分钟、十几个场景、远近景切换、还要对口型。变量越多，崩的概率就指数级上升。

网上那些”一张参考图搞定一致性”的教程，放到单条短视频里可能够用，放到MV里根本不行。你会发现：第一个镜头还挺像的，换个场景就走样了，再换个角度直接变成另一个人。

所以MV场景的人物一致性，不是一个功能就能解决的事，是一套组合拳。

方法1：建立角色参考图集（基础中的基础）

这是所有方法的起点，没做好这一步后面全白搭。

一套合格的参考图集不是随便找几张图就行。要有结构：

• 正面清晰照：表情自然、光线均匀、五官完整。别选美颜过度的，AI识别不出来
• 侧面照：90度侧脸，能看到鼻子轮廓和下颌线
• 全身照：能看清服装、身材比例、整体风格
• 一张带情绪的表情参考：比如微笑或者专注的样子
• 再加一段精准的文字描述：发型、脸型、服装、显著特征（比如左边耳朵有个耳钉、左手有个纹身）

2到4张图就够，但每张都要高质量。模糊的、角度奇怪的、有遮挡的，不如不要。

最关键的纪律：每个镜头都用完全相同的参考图和完全相同的角色描述顺序。别这个镜头用2张图，那个镜头用3张图；别这段描述是”黑色长发”，那段又写成”长黑发”。差一个字，结果可能差很多。

第一次做MV的时候踩过这个坑。每个场景随手找一张参考图就生成了，结果人物差得离谱。后来统一用一套4张图加一段固定描述，一致性直接提升了一大截。说不上来提升了多少，但肉眼可见地稳了。

方法2：用角色锁定功能（各工具最佳实践）

现在主流AI视频工具基本都有角色锁定功能，但每个工具的用法和效果不一样。说一下我实际用过的三个主流工具的感受。

可灵（Kling）主体库

可灵的主体库3.0是目前中文工具里一致性最强的方案。

操作逻辑很简单：上传一张角色图，系统自动解析特征，还能一键生成不同角度和光线的变体。做视频的时候直接从主体库里调用角色就行。

优点：中文界面不用翻墙、一致性确实稳、支持最多3个主体同框。做写实风格和卡通风格都还行。

局限：大动作的时候偶尔会崩一下，比如跑跳或者大幅度转头。卡通风格比写实风格更稳一点。

即梦（Dreamina）Seedance

即梦的角色档案功能，适合追求电影感运镜的MV。

有两种方法保持一致。一种是人设提示词法——人物描述部分写死，只改动作和环境。另一种是参考图法——上传参考图，让AI跟着参考图的特征走。

即梦最大的优点是运镜好看，做出来的画面有电影感，适合追求MV质感的人。对口型效果也不错。

局限：快速运动的时候人脸容易糊。还有就是生成速度有时候比较慢，得等。

PixVerse Character 功能

PixVerse专门有个角色创建功能，操作最简单，新手友好。

上传一张图，起个名字，等它创建成功就能用了。适合做动漫、二次元风格的MV。

优点：操作简单，基本不会搞错。动漫风格的一致性出乎意料地好。

局限：写实风格的一致性不如前两个。功能相对少一些，高阶玩法不多。

方法3：固定关键词顺序与描述模板

很多人忽略这个细节，但影响其实不小。

AI生成视频的时候，prompt里前面的词权重更高，后面的权重更低。如果你每次人物描述的顺序不一样，AI”记住”的特征就不一样，生成出来的人自然就不一样。

正确做法是把人物描述做成一个固定模板，每次只改动作和环境部分，人物描述部分原封不动复制过去。

模板大概长这样：

[人物外观描述（完全不动）]，正在[动作描述（每段改）]，在[场景描述（每段改）]，[风格描述（基本不动）]

人物描述内部的顺序也要固定。比如永远是：发型→脸型→服装→配饰→显著特征。别这次先说发型下次先说服装。

听起来很简单，但很多人就是图省事每次手敲，敲着敲着就改词了。我自己的做法是把人物描述存成一个txt文件，每次生成直接复制粘贴，只改后面的动作和环境。

方法4：分批次生成 + 质量筛选

不要指望一次生成就完美。AI是概率性的，同一个prompt生成四次，结果可能四次都不一样。

正确的姿势是同一个镜头生成4个版本，选最稳的那个。

筛选的时候看三个东西：

第一，面部特征跟参考图一致吗？这是底线。 第二，服装、发型、配饰有没有变？有时候脸没崩但衣服换了，一样出戏。 第三，动作过程中脸会不会崩？别只看第一帧，要看整个视频过程中有没有崩的帧。

副歌和特写镜头多生成几个版本，因为这些镜头观众看得最仔细。远景和侧脸可以少生成点，反正看不清。

做副歌的一个镜头时碰到过，生成了4版。第1版嘴歪了，第2版发型从直的变成卷的了，第3版动作太僵硬像机器人，第4版虽然也不是100%完美，但整体最稳。虽然花了3倍时间，但总比用一个崩的强。

别心疼那点生成额度。一个崩的镜头会把整支MV的质感拉下来。

方法5：对口型场景的一致性技巧（MV特有）

对口型是MV的特殊需求，也是一致性崩的重灾区。

为什么对口型容易崩？因为嘴部动起来之后，面部特征变化很大，AI很容易”认不出”这个人了。就像你戴口罩的时候人脸识别不好用一样的道理。

分享几个踩坑踩出来的实用技巧：

第一，对口型镜头用中近景，别用大特写。大特写把脸放大到整个屏幕，一点点不一致都看得清清楚楚。中近景有身体和环境做参照，反而不容易看出来。

第二，尽量选正脸或者微侧的角度，侧脸对口型更容易崩。侧脸的时候嘴部的变形大，AI很难同时保持脸型一致和口型准确。

第三，生成的时候在prompt里强调一下”保持面部特征不变”或者”consistent facial features”。有没有用不好说，但加了总比不加强。

第四，如果某个字的口型崩了，别整首重做。单独生成那个字或者那一句的片段，后期剪进去就行。

工具选择上，即梦和可灵的对口型效果相对较好，Pika类的工具对口型支持弱一些。

方法6：多人物MV的一致性方案（进阶）

乐队、组合、剧情类MV需要多个人物，难度直接翻倍。

核心原则：一个一个来，别同时生成多人物。同时生成两个人物，AI的注意力被分散，两个人物都容易崩。

我的做法是：

第一步，分别给每个人物建立独立的角色档案或者主体。每个人物单独测试，确保单个人物是稳的。 第二步，单人镜头分别生成。这部分是最稳的，占MV的主要篇幅。 第三步，多人同框的镜头单独处理。用参考图加主体库双保险，多生成几个版本选。 第四步，如果多人同框镜头实在崩得厉害，就拆——拆成两个单人镜头剪在一起，用正反打或者分屏的方式，观众完全感觉不出来。

帮朋友做一支双人乐队的MV时踩过这个坑。一开始非要追求两个人同框，结果每次总有一个人崩。后来改了思路，大部分镜头用单人，副歌的时候才用同框远景，不行就切正反打。剪完之后看，完全感觉不到是分开生成的，还显得镜头语言很丰富。

别被”同框”执念绑架了。真实的MV本来就是单人镜头+多人镜头交替的，单人多拍点，多人少拍点，一样好看。

方法7：崩了怎么救：后期修复技巧

不管多小心，总会有崩的镜头。别慌，能救。

按崩坏程度分三种处理方式：

轻度崩。比如某个表情不对、某个角度稍微有点走样。这种直接重新生成这个镜头，多试几个不同的seed或者改一两个词。一般生成三四次总能找到一个能用的。

中度崩。脸型变了，但五官位置差不多，整体轮廓还在。这种可以用AI换脸工具把正确的脸换回去。FaceSwapper或者一些AI视频换脸工具都能做。换完之后调个色，基本看不出来。

重度崩。整个脸都烂了、五官错位、或者动作过程中直接崩坏。这种别救了，救回来也不自然。要么剪掉用其他镜头替代，要么只保留远景或者背影，要么用特效糊过去。

后期修复的原则：能前期解决的别拖到后期。前期花10分钟多生成两个版本，比后期花半小时修脸强多了。后期只是兜底，不是主力。

不同预算的一致性方案选择

不用一上来就全套上，根据你的预算和需求选：

零预算版。就用免费额度，靠参考图集加固定prompt模板加多选优。效果大概4到5分，练练手没问题。

基础版。花一杯奶茶钱充个可灵或者即梦会员，用上角色锁定功能。效果大概6到7分，做出来的MV已经能看了。

专业版。角色锁定加分批生成加后期修复，三管齐下。效果能到8到9分，接近专业级MV的观感。

没有10分的方案。现在的技术还做不到逐帧完美一致。但真的不用追求10分，观众看MV看的是整体感觉，不是逐帧暂停下来验你的脸对不对。8分就够了。

常见问题（FAQ）

Q：AI MV人物能做到100%一致吗？

做不到。现在的技术水平，多场景MV能做到80%到90%一致就不错了。观众完全能接受。追求完美会累死，而且收益很低——从90分到95分花的时间，比从40分到80分还多。

Q：哪个AI工具做MV人物一致性最好？

综合来看可灵主体库最好，中文工具里最强，支持多主体。即梦的运镜和电影感更好但大动作容易糊。PixVerse适合动漫风格，写实风格一般般。

Q：一首歌做下来大概要生成多少个版本？

3分钟的歌，大概10到15个镜头，每个镜头生成4个版本选1个，总共40到60次生成。熟练了之后，有些简单的远景或者背影镜头可以少生成几个版本，总数能降下来。

Q：人物一致性能完全靠后期解决吗？

不能。前期做不好，后期再怎么修都不自然。前期一致性是主力，后期只是补漏。别想着”先生成再说，大不了后期修”，那样修出来的东西一眼假。

Q：写实风格和动漫风格哪个更容易保持一致？

动漫风格容易太多了。写实风格人脸细节多，差一点就看得出来；动漫风格容错率高很多，只要发型和颜色对得上，基本就觉得是同一个人。新手建议先从动漫风格练手。

Q：多人物MV是不是特别难做？

是，但有技巧。别追求每个镜头都同框，大部分单人镜头加少量多人远景，剪在一起观众感觉就是在一起。别给自己加难度。

总结

AI MV人物一致性，不是靠一个神奇功能，是一套组合拳。

参考图是基础，角色锁定是主力，prompt规范是细节，分批生成是保险，对口型技巧是MV特有，多人物方案是进阶，后期修复是兜底。从方法1开始，一个一个往上加，一致性会稳步提升。

不用追求100%完美。8分就够了。观众看MV看的是整体的情绪和感觉，不是拿着放大镜逐帧验你的脸对不对。