生成视频的人物为什么会「变脸」？

用 AI 生成一段十几秒的视频，人物前几秒还是同一张脸，镜头一转就悄悄换了人，观众口中的「变脸」就是这么来的。可灵、即梦AI 这类视频生成工具都在和这个问题较劲。要理解它为什么难治，得先看视频是怎么一帧帧长出来的。

变脸发生在哪一步

视频生成模型通常以图生视频或直接文生视频的方式工作：按时间顺序分段生成一帧帧画面，帧与帧之间靠模型内部的记忆维持连贯。问题在于，这份记忆是概率性的，不是数据库里存好的一张身份证。每生成一段，面部特征都有微小的重新采样，累积几段之后，差异就从看不出来变成一眼假。

打个比方，像传话游戏：第一个人描述得再准，传到第五个人嘴里也会走样。帧与帧之间传递的就是这种「描述」，而不是原图本身。

人物数量是另一个变量。单人生成时，特征只需要守住一条线；两人同框时，模型要同时押住两套特征还要防止互相污染，难度翻倍。常见穿帮是两个人的五官互相渗透，A 的鼻子长到了 B 脸上。给双人镜头做生成时，把两人的外貌差异拉得越大越稳妥，比如一高一矮、一深一浅的发色。

镜头切换是重灾区

同一镜头内，相邻帧的传递链条短，脸还能稳住；一旦切镜头或大幅运镜，模型等于重新起笔，参考信息断了档，五官、发型甚至脸型都可能悄悄重掷。所以观察生成的视频会发现，变脸高发于转场之后，而不是镜头平稳的段落。

可带走的判断：想压住变脸，先压住镜头数。一个镜头一条生成任务，比一段视频里塞三个机位稳得多。

参考图和提示词的拉扯

现在的主流做法是首帧参考加文字描述：先给一张确定的人物图，让后续帧向它看齐。参考图给了锚点，但提示词也在同时发力，如果文字里出现「回头」「奔跑」这类大幅动作，模型为了完成动作，可能牺牲五官细节。动作幅度和面部保真之间，始终存在一笔隐性账。

还有一个容易被忽略的因素：时长。生成越往后，离参考图越远，约束越弱，脸也越容易飘。重要的人物特写尽量安排在片段前半段，效果普遍更好。

实操里可以用这套配合：首帧用静态图定妆，生成到三分之一长度截断，取最后一帧当作新的首帧再续生成。分段续接虽然多了工序，但每段都贴近锚点，变脸概率明显下降。代价是段与段的衔接处要逐段检查，动作接不上就回退重来。

帧间约束怎么起作用

工程侧的补救思路是给帧与帧之间加显式约束，比如限制相邻帧的特征差异范围，或者在面部关键点上做对齐。各家产品的具体实现以官方技术说明为准，但方向一致：把概率性的记忆，换成带锚点的传递。声音侧也有类似的连贯性话题，标点是怎么影响语音合成的讲的是另一个「守住节奏」的战场；形象固定在静态图里的解法，见数字形象的风格是怎么固定的；光影层面的穿帮则归生成图像的光影为什么会「假」管。

压制变脸的速查表

• 少切镜头，一镜一条任务。
• 首帧放清晰正面参考图。
• 动作提示词别与长相细节抢戏。
• 人物特写安排在片段前段。

最后一句：锚点越近，脸越稳。

人物变脸快问快答三则

• 为什么人物越常见越稳？：训练数据里同类面孔多，特征分布集中，采样不容易跑偏，虚构的罕见长相则相反。
• 时长翻倍脸必翻车吗？：概率大增但不必然，锚点强、镜头稳的情况下，长片段也能守住。
• 变脸能后期修吗？：局部可以，用视频编辑工具逐段替换面部，代价偏高，不如在生成阶段就控制住。