参考图在场，文字为什么必须闭嘴：AI 短剧服装漂移的真正原因
AI 短剧里人物突然换装，根因往往不是模型不行，而是你同时下了两道互相打架的指令：参考图给了一套外观，文字又描写了另一套。要稳，就必须让参考图独占外观描述权。
先说结论：这是指令冲突，不是画功问题
很多团队第一次遇到 AI 短剧角色换装，会下意识去换模型、加关键词、反复重 roll。但真正的问题通常更简单：同一场戏里，参考图和文字都在告诉模型「这个人长什么样、穿什么」，而两者并不完全一致。
模型面对冲突时不会自动判断「以图为准」。它会在两套信号之间做混合，结果就是衣服颜色偏了、领口变了、饰品多了或少了，严重时连脸都跟着漂。
所以这条规则不是洁癖，而是工程上的止损：
有参考图的人物，禁止再用文字描写服装和外观；文字只写动作、表情、伤情。
文字描写是怎么把参考图「污染」掉的
可以把一次视频生成理解成模型同时在读两份材料：
- 一份是参考图，提供视觉锚点；
- 一份是提示词文本，提供场景、动作、镜头和风格描述。
当文本里出现「红色长裙」「黑色西装」「戴着项链」这类外观词时，模型并不会把它们当成废话跳过。它会把这些词当作新的视觉指令，和参考图一起加权。
常见的翻车路径有三种：
| 翻车类型 | 提示词里发生了什么 | 画面结果 |
|---|---|---|
| 颜色漂移 | 参考图是藏青，文字写了「深蓝西装」 | 模型在两种蓝之间调和，颜色变浅或偏色 |
| 款式改写 | 参考图是立领，文字写了「衬衫」 | 领型被改写，配饰增减 |
| 全身换妆 | 文字加了「礼服」「风衣」「围裙」等强服装词 | 模型直接按文字生成另一套衣服 |
更隐蔽的情况是，文字本身没有错，只是多余。比如参考图已经清楚显示角色穿着白衬衫，提示词里再写「白衬衫」三个字，看似无害，实际上是在邀请模型重新想象一件白衬衫——而它想象出来的那件，未必是图里那件。
正确分工：图管外观，文字管动作
专业流程里，参考图和文字应该各管一摊，互不越界。
参考图负责的：
- 脸型、五官、发型
- 服装款式、颜色、材质
- 配饰、妆容
- 整体气质
文字负责的：
- 角色在做什么动作
- 表情和情绪变化
- 伤情、污渍、破损等临时状态
- 镜头运镜、光影、场景
- 台词、音效、BGM
注意「伤情」是个例外。如果剧本里角色在这一场受了伤，参考图上没有，文字就必须写，比如「左眉骨渗血」「袖口被撕开一道口子」。这类是本场才发生的临时变化，不属于固定外观，不会和定妆图冲突。
换句话说：
定妆图回答「他是谁」，文字回答「他这一刻在经历什么」。
一个反例和一个正例
反例：
林薇穿着红色风衣，快步走进雨夜的巷子，靴子踩过水洼，神情紧张。
如果林薇已经有定妆图，「红色风衣」和「靴子」都是多余指令。模型可能照着图生成，也可能被文字带跑，重画一件红色风衣。
正例：
林薇快步走进雨夜的巷子，靴子踩过水洼，神情紧张，左肩被雨水浸透。
这里文字只交代动作、环境和临时状态（左肩湿透），外观完全交给参考图。
为什么这条规则在 AI 短剧里尤其重要
真人拍摄不存在这个问题：演员穿好定妆服站在镜头前，服装就是服装，剧本不会改写它。但 AI 视频生成没有「演员」这个实体，它每一场都在重新生成画面。如果提示词里夹带外观描述，等于每一场都在重新定义角色穿什么。
短剧的特点是集数多、场数多、角色反复出现。一场漂一点，几十场累积下来，角色就像每隔几集换了个人。这也是为什么「先定妆、再开拍」是专业流程和玩具玩法的分水岭。
猫斯卡的做法是把这条分工固化进流程：每场自动绑定场景、道具、人物定妆图，提示词生成时对已有参考图的人物不再追加服装和外观描写，文字只保留动作、表情和伤情。如果剧本里对角色的称呼和档案不一致，还可以手动绑定到对应定妆，避免「警官」「李队」「李强」被当成三个人。
两种可以用文字写外观的例外
规则有边界，不是所有外观词都该删。
- 本场才出现的临时状态：血迹、水渍、破损、凌乱发型、被撕掉的袖子。这些是剧情造成的变化，定妆图上没有，必须写。
- 没有参考图的角色或道具：群演、泛指路人、本场一次性道具，没有图可依，文字是唯一指令来源。
除此之外，只要某个角色已经有定妆图，文字里再出现「穿着……」「戴着……」「一身……」这类句式，都应该当成质检项删掉。
自检清单：开拍前扫一遍提示词
提交出片前，可以逐条过：
- [ ] 每个有定妆图的角色，提示词里是否还留着服装、颜色、配饰描写？
- [ ] 是否有「穿着」「戴着」「一身」「发型是」这类外观句式？
- [ ] 临时伤情、污渍、破损是否写清了？（这些该留）
- [ ] 剧本里的角色称呼，是否都绑到了正确的定妆图？
- [ ] 道具是否只保留本场该出现的，没有无关道具挤占参考位？
这套检查不需要多高深的技术，它本质上是在做一件事：确保模型只收到一套外观指令。
边界也要说清楚
参考图不是万能的。它能大幅降低换装和换脸概率，但不能保证百分之百一致。最终观感还取决于定妆图本身的质量、画风是否统一、以及提示词是否真的遵守了「有图不写外观」。
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。审美判断和最终取舍，仍然在创作者这边。
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