AI 短剧「串戏」是怎么发生的：从定妆到成片的一致性断点排查
AI 短剧里人物换脸、场景串味、道具失忆，本质不是模型「抽风」，而是从定妆到分场再到镜头指令之间，有几处固定断点没被管住。把这些断点按剧组流程接上，一致性就从碰运气变成可验收的工序。
先把「漂」说清楚：从业者嘴里的不一致，到底是哪几种
短剧团队说「这集又漂了」，通常指的不是同一种问题。混在一起聊，永远修不对。
| 现场叫法 | 观众看到的症状 | 真正出问题的环节 |
|---|---|---|
| 换脸 | 同一角色这一场是圆脸，下一场变尖脸；痣的位置跑了 | 人物定妆资产没被每场稳定引用 |
| 换装 | 上一场穿黑西装，下一场没改剧本却变成白衬衫 | 提示词里又用文字描写了一遍服装，和参考图打架 |
| 串景 | 明明是现代办公室，背景冒出古风屏风 | 场景参考图缺失或被错绑，模型自由发挥 |
| 道具失忆 | 上集手里的关键信物，这集变成别的东西 | 道具没按集提取编目，本场没占参考槽位 |
| 画风断层 | 人物是日漫脸，视频动起来变成写实 | 立绘和视频走了两套风格路径 |
| 时代穿帮 | 穿越戏里古代场景出现现代发型 | 没按场景时代路由对应的造型定妆 |
视觉连续性（visual continuity）是指：同一份定妆资产、同一套场景与道具、同一种画风语言，被每一场戏稳定复用，而不是每生成一段就重新想象一次。
这一句话值得单独拎出来——因为它直接点出了 AI 短剧和传统剧组在一致性上的根本差别：剧组靠服化道和场记盯，AI 生产链如果没有对应的「数字场记」和「数字道具师」，就等于每场都在重新选角、重新搭景。
断点一：没有定妆就开拍，等于每场重新选角
传统剧组开机前有一个硬环节叫 look development——定妆、定场景、定道具，全部签字确认才进拍摄。AI 短剧最常见的翻车，就是跳过了这一步，直接拿一段剧本去生视频。
后果很直接：模型对「男主角长什么样」没有任何视觉锚点，只能根据每场的文字描述当场猜。文字里写「他冷笑一声」，模型这次给你一个冷峻的；下一场写「他红了眼眶」，模型可能给你一个完全不同的人——因为情绪描述会连带撬动面部特征。
工程化解法是把「先定妆再开拍」做成硬门禁：
- 阵容锁版：主角、配角、客串全部建档，姓名、身份、性格、人物弧光、视觉描述齐全才放行。
- 两段式立绘：先把档案里的文字描述用选定画风的人物手册润色成可出图提示词（这一步人可以改），再出图落库为可回看的历史版本。
- 硬规则兜底：性别是出图时的硬约束，不随模型发挥。
- 视频侧只消费「已完成且可读」的立绘，不拿半成品去绑参考。
做完这四步，你手里才有了一份「数字定妆表」——后面每一场戏引用的是这张图，而不是一段形容词。
一致性靠资产，不靠运气。
断点二：有了定妆，但提示词里又用文字把外观重写了一遍
这是最隐蔽、也最常见的一种漂移。团队明明做了定妆图，出片时人物还是换衣服、换脸。原因往往是：提示词里一边挂了参考图，一边又写了「身穿黑色风衣、面容冷峻的男人」。
模型同时收到两个信号：一个是「照这张图画」，一个是「按这段文字画」。两个信号一旦有任何细微冲突——比如参考图里是深灰外套，文字写的是黑色——模型就会自己调和，结果就是漂移。
专业流程里的铁律只有一句：
有参考图的人物，禁止再用文字描写服装和外观；参考图说了算，文字只写动作、表情、伤情。
剧本里「他穿着那件洗得发白的夹克」这种句子，在定妆完成后应该从视频提示词里剥离——因为夹克长什么样，定妆图已经定了。文字该保留的是「他攥紧拳头、指节发白、嘴角带伤」这类动态和状态信息。
这条规则听起来简单，但它直接消灭了 AI 视频里一半以上的「换脸换装」事故。
断点三：场景和道具没占槽位，模型就自由搭景
人物有定妆，不代表场景和道具也有。很多团队只给人物做了参考图，场景和道具全靠文字，结果就是「串景」和「道具失忆」。
工程化的做法是每场自动构建一张参考素材表，顺序固定：场景图 → 本场道具图 → 人物定妆图。
几个关键纪律：
- 空镜纪律：场景图里严禁出现人物，否则模型会把图里的人当成演员参考，和真正的定妆打架。
- 道具师视角提取：按集把剧本里出现的道具用原始称呼提出来（剧本叫「那枚玉佩」就叫玉佩，不擅自改名），全剧合并成编目，哪一集用了哪件一目了然。
- 有图才占槽位：没有图的道具明确标注「仅文字」，不强行编造绑定；但专业流程应该先把关键道具画出来。
- 手动纳入 / 排除：一场戏里提到的道具不一定都要视觉重点，导演可以决定哪些进参考、哪些不进，避免无关道具挤占槽位。
- 时代造型路由：穿越、闪回题材按场景地点的关键词判定现代 / 古代，取人物定妆时优先匹配对应造型版本。
这一套做完，模型拿到的就不是「在一个房间里」这种模糊指令，而是「这张场景图 + 这几件道具图 + 这几个人物定妆图」，自由发挥的空间被压到最小。
断点四：画风在立绘和视频之间走了两条路
另一种典型翻车：人物立绘是九十年代日漫风，视频一动起来变成了三维写实。观众一秒出戏。
根因是立绘和视频生成用了两套独立的风格描述——人物出图时选了一套画风，视频提示词里又随手写了另一套形容词。
解法是画风统一成一本手册。选定一种画风后，人物立绘、场景立绘、道具立绘、视频提示词共用同一条风格路径。手册里至少包含三类内容：
| 手册组成 | 管什么 |
|---|---|
| 人物出图手册 | 面容锚点、材质、气质、多视图一致性 |
| 场景 / 道具手册 | 环境的笔触、光影调性、物件材质 |
| 视频风格标签 | 运镜质感、色调、动态风格，注入每场视频提示词 |
画风一旦选定，整条链上的视觉语言就锁死了，不会出现「人是二维的、景是三维的」这种断层。
断点五：一集当成一大段生，而不是切成可控的场块
很多团队的用法是：把一整集剧本（1–2 分钟）一次性喂给视频模型，期待它吐出一整集。这几乎必然漂移——越长的生成，模型越容易在中途「忘记」开头长什么样。
专业做法是把剧本切成约 10 秒的视频场块，每场独立提示词、独立参考图、独立成片。正文软上限约 200 字，超过就按动作节拍、空段、句号再拆。
切完之后，导演看到的不是「第 3 集一个大文件」，而是「第 3 集 → 场 1、场 2、场 3……」，每一场都有自己的历史 takes，可以单独重拍、择优。
高质量短剧从来不是一条长生成硬剪出来的，而是一条条可控单元堆起来的。
这里要承认一个边界：约 10 秒是工程启发式，不是时间码精剪，偶尔会出现偏长的块；精剪和串场成片仍然需要后续剪辑环节。当前也不做跨场自动续写或延长视频的产品化工作流——产品单元就是「单场多模态参考 → 单段成片」。
断点六：镜头提示词在写小说，不是在写分镜表
同样的参考图，不同的提示词写法，出片一致性可以差很多。常见错误是用小说语言写提示词：「他缓缓转过身，眼中闪过一丝不易察觉的悲伤，窗外的月光洒在他棱角分明的脸上……」
这种写法对模型来说信息量太大、约束太松，「棱角分明」「缓缓」「悲伤」每个词都会撬动面部和动作的生成空间。
工程化的镜头提示词规范，核心是教模型用分镜表语言说话，而不是写小说：
- 八大要素齐全：精准主体、动作细节、场景环境、光影色调、镜头运镜、视觉风格、画质、约束条件。
- 一镜一运镜：一个镜头只给一种运镜（推、拉、摇、移、固定其一），禁止「推拉摇移叠加」。
- 用镜头序号，不用绝对秒数：写「镜头 1 / 镜头 2」，不写「0–3 秒」。
- 动作低缓连续：优先低缓、连续的动作，减少高爆发动态崩坏；肢体动作细化、程度量化。
- 强制兜底包：画质、面部稳定、无水印 Logo；多人场景加防双胞胎 / 分身约束；非写实风格必须锚定风格。
- 符号规范：台词用
{}、音效用<>、BGM 用（）标注，和视觉描述分开。 - 只给本场素材：提示词生成时只引用本场的场景、道具、人物参考，禁止串戏。
- 合规清洗：剥离具体影视作品 / IP 名称，只保留技法与美学描述，降低下游版权拦截风险。
简单场景一段式写完；复杂的影视化场景走三段论：总体设定 → 分镜头列表 → 约束包。生成参数偏保守，取稳定可控，而不是天马行空。
断点七：没有「改词重拍」和「多 take 择优」的工作流
即使前面所有断点都接上了，单次生成仍然可能出问题——这是当前生成模型的物理现实，不是流程没做好。把「一次生成必须完美」当预期，反而会逼团队去堆更长的提示词、加更多形容词，结果漂移更严重。
片场的做法从来不是「一条过」，而是多拍几条、选最好的。AI 短剧也一样：
- 每一场保留历史 takes，回看择优。
- 不满意可以改提示词（相当于导演改分镜说明）、换参考图（相当于换定妆 / 换场景板）、调整模型档位（质量 / 成本 / 速度权衡），再拍下一条。
- 出片时不重新发明提示词——用的是你已确认或编辑过的词 + 当时锁定的参考图映射；改了词再点生成，才是新的 take。
需要诚实说清楚的是：目前没有成片自动打分或自动择优重拍的引擎。 质量终审在创作者和监制手里，系统提供的是多 take 和改词重拍的工具，而不是替你判断哪条最好。
把断点串成一条链：从「碰运气」到「可验收」
把上面七个断点连起来，你会发现它们正好对应一条被工程化了的剧组流程：
- 创意简报锁版（立项会开完才开拍）
- 角色阵容与视觉确认，故事档案建档
- 选定画风，人物 / 场景 / 道具定妆出图
- 每集切为约 10 秒场块
- 每场绑定参考图（场景 → 道具 → 人物）
- 按镜头规范生成提示词，人工审词
- 多模态出片，多 take 择优，改词重拍
每一环都有可验收的中间产物：剧本、故事档案、定妆图、场块、提示词、成片。可看、可改、可回退。
这套流程里，机器负责的是把人已经确认过的方向——定妆长什么样、画风是哪种、这场戏用哪些道具、镜头怎么动——稳定地落到每一集、每一场。人负责的是关键节点的确认和审美判断：定妆过不过、画风对不对、这条 take 用不用。
猫斯卡（Maosika）把这条链固化成了一条从想法到成片的自动生产链：18 位数字专家对标真实剧组编制（档案秘书、制片人、编剧、场记、选角导演、视觉风格指导、美术指导、分镜师、摄影指导、导演、剪辑师等），用户能看到流式的工种工作记录，像监制看日报，不是黑箱。但它没有试图用一次生成替代剧组——它用工程手段强制执行了短剧工业里已经被验证的质量控制顺序。
也要说清楚不适用的场景：如果你追求的是单条极致视觉奇观、不在乎跨集连续性的实验短片，这套强约束流程反而会显得重；如果你做的是几十集上百集的连载竖屏短剧，需要人物、场景、道具在每一集都稳定可辨，那它正好对口。
猫斯卡的定位是可规模化生产的 AI 短剧操作系统——把专业流程固化进产品，而不是宣称无需人类、零失误出片。把重复的、易漂移的、易失控的部分变成可约束的流水线，审美判断仍然坐在人这边。
想进一步看剧本侧的工艺，可以读[竖屏短剧剧本工艺手册](#)；想看镜头提示词的完整写法，可以读[AI 短剧镜头提示词规范](#)。
常见问题
为什么我给角色做了定妆图，生成视频时还是会换脸？
最常见的原因是提示词里一边挂了参考图，一边又用文字描写了人物的服装和外貌。两个信号冲突时模型会自己调和，结果就是漂移。铁律是：有参考图的人物，文字只写动作、表情、伤情，不再写服装和外观。
场景和道具也需要做参考图吗，只写文字行不行？
可以走纯文字路径，但质量通常更差，容易出现串景和道具失忆。专业流程应该先把关键场景和道具画出来，每场按「场景图 → 道具图 → 人物定妆图」的顺序绑定参考。缺图时系统会提醒，但允许有意跳过。
一整集剧本一次性生成视频，和切成 10 秒场块分别生成，差别在哪？
越长的单次生成，模型越容易在中途丢失开头的视觉锚点，导致人物和场景漂移。切成约 10 秒的场块后，每场有独立的参考图、提示词和历史 takes，可以单独重拍、择优，最后再剪辑串成片。
AI 短剧能不能做到 100% 角色一致？
目前没有任何工具能做到 100% 零漂移。一致性靠的是定妆资产链路（先出定妆图、每场稳定引用、文字不重写外观），而不是人脸嵌入校验。最终观感仍取决于立绘质量、提示词是否遵守「有图不写外观」，以及多 take 择优。
穿越或闪回题材怎么避免古代场景出现现代造型？
需要按场景地点的关键词做时代造型路由——判定这场是现代还是古代后，取人物定妆时优先匹配对应时代的造型版本。这要求人物在定妆阶段就为不同时代各出一套造型图，而不是只出一张通用定妆。
关于猫斯卡 ｜ 猫斯卡 · 专业AI视频自动生产系统。把创意评估、剧本写作、人物场景道具定妆、镜头提示词与出片串成一条可审、可改、可回退的生产链。官网：www.maosika.com