一个人用 AI 做短剧（四）：让角色长得一样，从 2D 静帧到 3D 宽屏

幕后2026年10月18日 · 约 6 分钟读完

没人提前告诉你的难题

让图像模型画“一个疲惫的程序员坐在工位前”，它能给你一张很好看的图。再让它画下一镜，你会得到另一个程序员、另一张桌子、另一件衣服。出一张好图不难，难的是三十个镜头里，同一个人坐在同一把椅子上、待在同一个房间里。这才是真正的活。

这部剧画风的每一次升级，几乎都是在和这一个问题较劲。

三种画风，三个卡点

会动的漫画

最早几集是静帧，加上缓慢的推拉摇移，再配音、加字幕。便宜、快，足够验证梗好不好笑。但同一张脸在镜头之间会一点点走样，观众很快发现“主角”的鼻子每镜都不一样。

部分真视频

后来我把一部分静帧换成生成的短视频片段。画面会动了，观感好了很多，但也带来了新毛病：背景里走进来没人要的路人，同事多了一个双胞胎，机位一换，办公室的布局也跟着变。

3D 宽屏

现在这部剧是暖色调的 3D 动画风格，16:9 宽屏。换过来不只是为了好看。风格化的 3D 比写实更能藏住小瑕疵；宽屏能让两个人同框，周围的房间还看得见。更重要的是，到这一步我已经不再让模型每一镜自己发挥了。这才是真正解决问题的地方。

方法：素材只做一次，每一镜都是拼出来的

现在每个镜头都要走四步。

1. 角色定妆。每个角色一张全身参考图，纯色中性背景。描述要写死到很无聊的细节：年龄、体型、发型、每件衣服的颜色，再加一件标志性道具。定妆我只审一次，整个系列都用它。一集里不允许重新描述角色。
2. 空场景。每个地点出一张完全没有人的空景。
3. 合成起始帧。用图像编辑模型把第一步的角色放进第二步的场景里，得到这个镜头的第一帧。
4. 跟着配音出视频。把起始帧和这一镜的配音一起交给视频模型，让画面动起来，嘴型跟着台词走。

每一步都有自己的坑，下面一步一步说。

让空景真的是空的

场景的画风描述里只要提到人物，模型就会往空房间里塞人。所以场景只用描述环境的词，写成“一个空房间的静物镜头”。

布局写相对关系，不写方位。我以前会写哪面墙朝北。模型根本不知道北在哪，每换一个机位就重新定一次“北”，结果上一镜工位正对窗户，下一镜就侧过去了。现在写“工位和窗户那面墙平行”，换哪个角度都站得住。

每一面会入画的墙都要有一个地标：门、窗、白板。留一面空墙，模型就会“好心”帮你填满，通常是一排书架，而且每次是不同的书架。

只要一场戏里不止一个人，生成任何东西之前我都会先写一张站位表：平面图、谁坐哪儿、每个人脸朝哪边、机位在哪。一分钟的短剧做这个听起来小题大做，其实不是。两个角色在镜头之间互换座位，是最快让观众出戏的方式之一。

合成：一次放一个人，全部从一张母版来

一次把两个人放进场景，模型容易把他们混在一起，比如给两人穿上同一套衣服。所以一次只放一个：先放左边的人，再在结果上加右边的人。

每场戏只做一张全景母版，最多再加一个反打。近景从母版里裁出来，而不是单独生成，这样角色身后就是同一个房间，一模一样。同一个人、同一个机位说的几句台词，共用同一张起始帧。

合成出来的画面往往太满，脸几乎占满屏幕。我会把景别往回拉，让人物周围露出房间。坐着的角色用坐姿参考来合成，否则站姿参考放到桌子后面只剩半个人。每张图还要查头顶留白，被切掉的头顶一旦看见就忘不掉。

光线和肤色也在这一步定。起始帧是什么光，整个镜头就是什么光。后来我挑了一集自己最喜欢的配色，把它的光线定为之后每一集的标准。

视频跟着声音走

配音是先做好的（第三篇讲过），视频模型由这条音轨驱动，所以嘴型跟着真实的台词动。长对话拆成几个短段首尾相接：每一段都从上一段在剪辑里被切走的那一帧开始，动作接得上，不会跳。

起始帧关

出图便宜，出视频又慢又贵。所以进视频之前的最后一道检查，是整条流程里最重要的一道。所有起始帧拼成一张联系表，再逐张放大核对：

• 坐着的人真的坐在座位上，没有悬空半蹲。
• 每只手都落在实处：腿上、桌上、扶手上，没有抓空气的手。
• 对话中的人在看对方，而不是眼神错开。
• 没有多余的人，包括“单人镜”里一个虚化的后脑勺。
• 没有假字，没有编出来的 logo。
• 头顶没有被画面上沿切掉。

其中一部分是自动的：机器会把每张起始帧和站位表对照，标出坐错位置或者朝向不对的人。但比任何一项检查都重要的是一条规矩：出图的一方永远不给自己打分。早期有一次自查把所有座位都判成正确，而画面里两个角色明明坐反了。

下一篇

第五篇讲镜头都有了以后的事：合成、自查与发布。一集怎么拼起来，机器能查出什么、查不出什么，以及为什么发出去之前我一定要自己从头看一遍。