AI 短剧参考图绑定：让模型先看见世界，再看见人

猫斯卡编辑部 ｜ 最后更新日期 2026 年 8 月 4 日

参考图真正决定的是模型“先看见什么”。先给世界，再给物件，最后给人；顺序反了，人物会抢场景，道具体量会失控，脸也更容易漂。

参考图绑定，本质是在给模型排“视线优先级”

很多人以为参考图越多越稳，于是一场戏里塞满人物特写、道具近景、氛围图、剧照。结果反而更容易出现：人物脸变了、衣服换了、道具时有时无、场景像另一个地方。

问题不在图多，而在模型没有拿到清楚的视觉优先级。

参考图绑定顺序，是把一场戏的视觉信息按“世界—物件—人物”逐层交给模型。

这个顺序不是界面操作习惯，而是在模拟剧组开拍前的准备逻辑：先确定这场戏发生在哪里，再确认场上有哪些关键物件，最后让演员穿着已定好的造型进入空间。

为什么必须是场景 → 道具 → 人物

可以把三类参考图理解成三层视觉语境：

场景先入位，是因为它决定光线、透视和氛围。道具第二，是因为它必须落在这个空间里，而不是漂浮在画面中。人物最后，是因为人物是动作主体，但不应该压过空间逻辑。

如果先塞人物图，模型很容易把人物脸部和服装当成最强视觉锚点，背景反而被弱化成“随便一个地方”。这就是为什么有些镜头人物看似清楚，但整场戏没有空间感。

场景图：只负责世界，不要抢人

场景参考图最容易犯的错，是图里本身有人。

空镜纪律很重要：场景图严禁出现人物。

因为一旦场景图里有人，模型会收到两个互相冲突的信号：这是背景，还是这是本场角色？它可能把图里的人当成角色参考，导致五官、服装、年龄被污染。

合格的场景图应该回答这些问题：

• 这是内景还是外景；
• 地点是什么，例如办公室、宫殿、医院走廊；
• 是白天、夜晚、黄昏还是雨夜；
• 光线方向和色调是什么；
• 空间纵深和主要陈设是什么。

场景从剧本里解析为“内 / 外｜地点｜日夜”，比手动填一堆标签更稳，因为它直接来自戏剧情境，而不是后期补写的美术说明。

道具图：只绑定本场真正需要出现的物件

道具不是全剧 catalog 里有什么就全塞进去。每场戏只应该绑定本场会被看见、被使用、被强调的道具。

道具提取最好以拍戏视角进行：道具师按剧本原始称呼把这集需要的物件提出来，例如“离婚协议书”“玉佩”“录音笔”，而不是把它们改写成模型可能误解的抽象词。

道具绑定要注意三件事：

1. 有图才占槽位。 没有道具图就标明仅文字，不要硬绑一张不相干的图。
2. 可手动纳入或排除。 某件道具虽然在全剧道具库里，但本场不出现，就不要挤占参考位。
3. 同名道具可替换历史版本。 如果玉佩在前期和后期形态不同，应选择对应剧情阶段的版本。

道具排在人物之前，是为了让模型先知道“桌上有什么、手里拿什么”，再让人物去接触它。否则人物动作可能很完整，但道具会随机变形。

人物定妆图：最后绑定，且文字不要再描写外观

人物参考图应该放在最后，但它的约束最强。

这里有一条必须记住的规则：

有参考图的人物，禁止再用文字描写服装 / 外观；以参考图为准，文字只写动作、表情、伤情。

这是减少换装、换脸最有效的机制之一。

很多翻车镜头不是图不好，而是提示词一边给了人物定妆图，一边又写“她穿着红色长裙，长发披肩”。如果图里是白色外套，文字和参考图就开始打架；模型每一次生成都可能在两套指令之间摇摆。

正确写法是把人物外观交给定妆图，文字只负责戏：

• 她猛地抬头；
• 他攥紧文件，指节发白；
• 她嘴角带伤，眼神变冷；
• 他后退半步，撞到椅背。

服装、发型、脸型、年龄感，都应该在定妆阶段解决，而不是在每场提示词里重新描述一遍。

手动绑定：解决剧本称呼和档案姓名不一致

短剧剧本里经常出现“警官”“前妻”“那个男人”“顾总”等称呼，但角色档案里可能是正式姓名。如果不做绑定，模型可能把这些称呼当成新角色。

手动角色绑定就是把剧本中的称呼对应到已定妆的人物资产。例如：

这一步对客串、替身、蒙面角色、穿越前后同一人物尤其重要。

穿越和闪回题材还要考虑时代造型。系统可以按场景地点关键词判断现代或古代，并优先匹配对应造型图。但最终观感仍取决于立绘是否准确，以及提示词是否遵守“有图不写外观”。

开拍前：先做齐套校验，不要带着缺图硬拍

生成镜头提示词前，应该先检查本场参考素材是否齐全：

• 场景图是否已有；
• 本场关键道具是否有图；
• 出场人物是否都有定妆；
• 剧本称呼是否都绑定到了正确角色；
• 是否有无关道具被误纳入。

缺图时，专业流程应先回到美术链路补齐，再进入拍摄。系统可以提醒缺失项，但参考图不是强制门禁；创作者也可以跳过，走纯文字路径。只是这种路径通常更难保持一致性，不适合作为常规生产方式。

一条可直接照抄的绑定检查顺序

每场戏开拍前，可以按下面顺序检查：

1. 这场戏在哪里？ 绑定一张无人物的场景图。
2. 这场戏会看到哪些关键物件？ 只绑定本场出现的道具。
3. 谁在场？ 绑定对应人物定妆图。
4. 剧本称呼是否对得上？ 把“警官”“顾总”等指代替绑到角色。
5. 提示词是否还在重复外观？ 删除服装、发型、脸型描写，只留动作、表情、伤情。
6. 是否有无关图占槽位？ 排除不相关道具和人物。

这六步做完，再去生成镜头提示词，稳定性通常会比“把所有图丢进去”高很多。

边界：顺序不能替代好立绘和好提示词

参考图顺序能减少冲突，但不能解决所有问题。

• 如果定妆图本身五官不稳，后续镜头仍可能漂；
• 如果道具图画得不清楚，模型会自由发挥；
• 如果场景图里有人，污染仍然可能发生；
• 如果提示词继续描写有参考图人物的外观，换脸和换装风险会回来；
• 约 10 秒的场块是工程启发式，不是时间码精剪，长场仍可能需要后续剪辑。

所以，正确说法不是“按顺序绑图就不会翻车”，而是：顺序让参考图各司其职，减少模型在多个视觉指令之间乱选。

一致性靠资产，不靠运气。猫斯卡把这套顺序固化在拍摄链路里：每场自动按场景图、道具图、人物定妆图的顺序构建参考素材表，并在开拍前做齐套校验；但审美判断和最终取舍仍在创作者手里。

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