AI视频真人质感全流程拆解：人物资产、情绪时间轴、运镜提示词与一致性排查

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

先说结论：AI视频做不真，九成不是模型不够强，而是你缺一套"从人物资产到成片"的顺序。 这篇长文把我自己折腾下来觉得最有用的东西整理成一条完整链路：先用三视图和微距纹理把人物资产做扎实，再用"正向词 + 负向词"把皮肤质感调到真人档位，然后用"起始表情、变化过程、终点表情、保持条件"四段式把情绪写成一条时间轴，最后只给一条视频安排一个主运镜，并用一份排查清单把人物、服装、场景、光线、镜头语言五类一致性逐项锁死。

文中我给了可直接复制的提示词模板（三视图、皮肤优化、表情过渡、运镜公式、首尾帧衔接），也给了成本控制、抽卡止损、平台合规（AI生成内容标识、肖像授权、商用素材授权）这几件容易被忽略、但迟早要面对的事。新手最该记住的一句话是：人物先稳住，再谈场景；场景先稳住，再谈动作；一个镜头只做一个主运镜。 顺序错了，你会把算力全烧在返工上。

想看完整拆解，往下翻。

第一章 一条AI视频为什么"一眼假"：先用眼睛做质检

很多人刚接触AI视频的时候，都会经历同一个瞬间：刷到别人的作品，觉得"这也太真了"；自己上手跑了一条，发出去没两分钟就有点后悔——点赞的人不少，评论区却总有那么一两条"这脸是AI吧"。

同行之间也常聊这个事。有人归因于模型不行，有人归因于自己的提示词不够长，还有人干脆归因于运气。我自己折腾了小半年，慢慢意识到一件事："一眼假"其实不是一个毛病，而是五个断层叠在一起的结果。

1.1 把"假"拆开看：五个断层

我把常见的失败场景归了归类，做成了下面这张表。你可以对照自己的作品，看看卡在哪一层。

这五个断层里，只有第一个跟模型能力有关，剩下四个全是流程问题。所以我给自己的判断标准是：如果一个作品看起来假，先去查流程，别急着换工具。

1.2 新手最常踩的第一个误区：把工具当成答案

我接触过不少刚入门的朋友，问的问题高度一致："哪个工具最好用？""哪个模型画人最像？"

这个问题本身没有错，但它排错了优先级。业内有一种说法很形象：工具是杠铃，流程才是动作。杠铃换得更贵，动作不对，照样练不出东西。AI视频同理——真正拉开差距的，是你能不能把一个普通想法，稳定地拆成人物、场景、动作、情绪、镜头这几块，并让它们前后咬得住。

现在的平台上确实有一句话生成分镜、再自动连成多镜头的能力，用起来很爽。但只要你观察得够细，就会发现它的短板也很明显：镜头与镜头之间的人物关联偏弱，上一段和下一段的身份、发型、服装经常会飘。这不是我一个人的感受，公开的评测里也反复提到"跨镜头的角色一致性"仍然是各家模型的重点攻坚方向。

所以我的选择是：先把可控的手动流程跑通，再回头用自动化能力提效。 顺序反过来，你会一直不知道自己错在哪一步。

1.3 我平时用的"四问质检法"

每次成片导出之前，我都会问自己四个问题。问题很糙，但很管用：

• 脸还认得出是同一个人吗？ 把第一镜和最后一镜并排放，遮住衣服只看脸。
• 动作有没有起点和收尾？ 如果人物的运动是均匀、匀速、从头到尾一个速度，那基本是AI味。
• 光线有没有偷偷变？ 同一场戏里，柔光变硬光、暖调变冷调，观众一眼就能察觉。
• 每个画面是否都为了讲同一件事？ 把分镜按顺序默读一遍，读不出因果关系的画面，就该删。

这四个问题背后，其实是一条完整的链路：人物资产、质感、情绪、运镜、节奏。接下来我就按这条链路的顺序，把每一步的原理和操作展开讲。

1.4 顺手说说选平台的三个判断维度

总有人让我推荐工具，我的回答一直没变：先看三件事，再看具体是哪一家。

• 第一看一致性能力：有没有角色绑定、多图参考、首尾帧控制这几项功能，它们直接决定你能不能做多镜头的内容；
• 第二看成本结构：按秒计费还是按次计费、有没有更经济的档位、失败重试怎么算，这些细节长期下来差距不小；
• 第三看它是否在你已有的工作链路上：能不能和你在用的工具打通，导出格式是否方便继续剪辑。

拿这一两年的变化来说，可灵在镜头语言理解和微表情上的进步比较明显（公开评测里，3.0 这一代已经能比较稳地还原推近、拉焦这类镜头语言），即梦体系在画面稳定性和首尾帧控制上的口碑不错（Seedance 系列这两年也在持续迭代），哩布哩布这类平台的优势是把多个模型和画布式工作流聚合在一起，新片场旗下的 Shotlab 则把 AI 画布做成了节点式的工作空间，把一个项目从分镜到成片都装进同一张画布。这些平台都能在国内环境里正常访问和使用，具体功能建议直接去官网看当天的版本说明。

境外的一些图像与视频模型，能力上确实有独到之处，但境外模型使用需遵守国内网络与内容管理相关规定，同时还要考虑素材上传与数据安全的问题。如果你的项目对合规性要求高，优先选国内合规平台提供的同类能力，通常会省心很多。

最后一句话提醒：功能、价格、模型版本变得太快，我上面说的只是我写稿时的体感，请以官方文档和平台公告为准，不要拿任何一篇教程当长期有效的说明书。

第二章 人物资产底座：三视图、微距纹理与四到六张细节组

如果只能保留一条心得，我会留这条：人物一致性不是一个提示词问题，而是一个资产问题。

你手里的参考图越完整，后面越省力。只有一张正面照，模型就只能靠"脑补"侧面和背面；等镜头一转，脸型、发型、发际线立刻开始飘。反过来，如果你有一整套正面到背面的角度图、有五官的微距细节、有服装和配饰的多角度图，模型就有了足够的信息去"照着做"，而不是"猜着做"。

2.1 先建一张资产清单，别急着出片

我把人物资产分成六类，做项目的时候按这个清单收集，缺一块就补一块。

顺序上我的习惯是：全身三视图先出，它是最重要的那张"底片"；然后再补中景、近景，最后做微距纹理。原因很简单，全身图决定了比例，比例错了，后面所有的细节都白做。

2.2 三视图提示词的写法：把"一致性"写成明文约束

三视图的提示词不需要华丽，需要的是把约束一条条写清楚。下面这个模板是我改过很多版之后留下的，你直接替换描述就行。

生成人物全身三视图角色参考图，纯白背景，1×3横向排版。
左：正面全身站立；中：90度侧面全身站立；右：背面全身站立。
同一张脸、同一肤色、同一发型、同一身材比例、同一套服装、同一双鞋。
人物自然直立，双臂自然下垂，肩颈放松，全身完整入画，头顶到脚底都在画面内。
高级电商白底摄影风格，画面干净无杂物。
超写实真人质感：皮肤有毛孔、轻微瑕疵、细小绒毛，头发有单根发丝和自然碎发，
服装有真实布料纹理，真实棚拍光影，高清4K。

近景版本只需要把构图范围改成"头部到胸口"，再把重点换成"脸型轮廓、眼睛、眉毛、鼻子、嘴唇、下颌线、耳朵、发际线、发丝层次、皮肤纹理与妆感"。

这里有个特别容易翻车的细节：生成 1×3 的横向网格时，画面比例一定要选横构图。我早期图省事用了竖向比例，结果三格里的人物全被裁掉了半条腿，拿去做参考的时候，模型学到的就是"这个人没有脚"。凡是排版类提示词，构图比例和排版方式要配套想清楚。

2.3 什么叫"4K真人感"？它其实是六个词的组合

素材里我见过的说法我觉得挺准，就沿用下来：真人感约等于毛孔、瑕疵、油光、绒毛、单根发丝、真实光影。

这个组合为什么有效？因为它对应的恰好是"AI感"的反面。模型默认倾向于讨好眼睛的完美皮肤——光滑、均匀、零毛孔，而这种"完美"在现实里不存在，所以观众一看就觉得假。你把这六个维度写进去，相当于给模型下了一道"别修图"的指令。

我常用的表达是"4K高清、真人感，可见的自然毛孔、细微皮肤纹理、少量自然瑕疵、轻微油光、细小绒毛、单根发丝清晰、真实光影，拒绝磨皮，拒绝蜡像感"。这套词我基本每个项目都会带一次。

2.4 细节组要按"商品逻辑"来补

细节图不是越多越好，而是按你后面要展示什么来决定。

• 卖鞋的，就多生几张鞋子的多角度图，防止展示时鞋子变形；
• 卖袜子的，就把袜子的纹理、材质、褶皱补齐，避免穿帮；
• 做服装内容的，面料的纹理、缝线、褶皱、毛领的绒毛质感一定要有；
• 只做人像氛围的，重点放在手部、肩颈、发丝这三块。

数量上我的经验是每类 4 到 6 张就够，多出来的边际收益很低，反而占用你的算力和整理时间。

最后提一句素材整理习惯：这类资料的原始版本往往是语音转写或者随手记录，错字、断句、术语混用都很常见。我处理的时候会先按语义批量修正一遍，比如把明显是同音错写的工具名、把"生图"误写成别的词的地方统一改回来，再拆成自己的分类。这一步看着琐碎，但它决定了你后面能不能靠关键词检索到提示词。

2.5 风格也要"锁定"：主色、材质、背景三件套

人物资产之外，我每个项目还会先定一套"风格三件套"：一个主色、一种材质、一种背景处理方式。

比如做温柔知性向的内容，我会定"低饱和米白 + 缎面质感 + 柔焦植物虚化背景"；做清冷气质向的内容，就换成"浅灰蓝 + 纱质面料 + 纯色极简背景"。这三个词一确定，后面所有画面都围着它转，自然就不会出现"前一镜温柔、后一镜硬朗"的割裂感。

写法上有条小经验：把风格三件套写进每一条提示词，而不是只写在第一条里。 原因和前面讲的一样——模型不会记得你上一轮交代过什么，它只处理这一次给它的信息。

同理，凡是要换服装、换发型、换背景的变体类操作，一定在提示词里写明"只改服装与背景，五官轮廓、脸型、表情保持不变"，并把"不要改变五官、不要改变脸型"放进负面词。这是所有变体操作通用的安全锁，缺了它就等着人物崩。

第三章 真人皮肤质感：把毛孔、瑕疵、油光写成可控参数

人物资产解决的是"像不像同一个人"，皮肤质感解决的是"像不像真人"。前者靠角度，后者靠参数。

我一开始也不理解，为什么同样一张脸，加几十个字的描述就能从"高级感写真"变成"路人抓拍的真实感"。后来我把它想通了：AI的图像生成本质上是在对"什么才叫自然"下注，你给的词越多地指向真实世界的细节，它就越不敢用那套讨好眼睛的模板。

3.1 皮肤优化要一步一步加，不能一次性全上

这是我最想强调的一点：皮肤优化属于"过量即翻车"的操作。我踩过的坑是，一口气把毛孔、瑕疵、油光、光泽感全写进去，出来的脸确实有细节了，但整体发黄发暗、显得很脏，反而不如原来那版干净。

所以我现在的做法是分三步往上走，每一步都对比一次：

我的经验是：大部分人做完第一步就够了。 第二步、第三步属于"风格选项"，适用于需要更强纪实感或广告质感的项目。如果你做完三步发现脸色发暗、人物"变脏"了，那就退回上一步，别硬撑。

3.2 只改皮肤、不动其他：正负词要成对写

皮肤优化最容易出的事故，是"顺带把五官也改了"。模型改质感的时候，往往会顺手重新画一遍脸型、眼神甚至发际线。要防止这种情况，就必须把"不要改什么"写到负向词里，写细、写全。

我在做这类优化时用的正向词和负向词大致是这样：

正向提示：
在保持原图完全一致的前提下，仅提升皮肤质感。
可见的自然毛孔，细致的脸颊毛孔与鼻周细小毛孔，
皮肤细腻微纹理，轻微自然泛红，少量真实瑕