> ## Content Index
> Fetch the complete content index at: https://orbiorbi.com/news/llms.txt
> Use this file to discover other available public pages before exploring further.

# AI 生图人物不一致怎么办？参考图、提示词与批量出图指南
- URL: https://orbiorbi.com/news/ai-shengtu-juese-yizhixing/
- Published: 2026-10-15T16:42:11.000Z
- Updated: 2026-10-15T16:42:11.000Z
- Description: 同一角色换个角度或场景就变样，先检查参考图、提示词和生成条件。本文整理小样测试、逐张审核与局部修复的通用流程。
- Author: Orbis News
- Tags: AI 创作指南

第一张图像同一个人，换个场景就像换了演员；单张看起来都不错，放在同一组里却对不上。制作虚拟人物、产品模特图或故事分镜时，真正需要稳定的是整组图片中的角色身份。

这里的“角色一致性”指图像中的人物外观保持可辨认的连续性，不是聊天机器人的说话风格。你需要同时管理参考素材、生成条件和筛选标准，不能只依赖一句“保持同一个人”。

## 人物总在变，先检查这五项

1. **确认图片真的作为输入发送。** 把文件名写进提示词，不等于模型收到图片；API 接入时还要检查图片字段、地址可访问性及模型是否支持这种输入方式。
2. **确认参考素材没有互相矛盾。** 不同年龄、重度修饰或外观差异明显的图片，可能让目标身份变得含糊。
3. **确认提示词没有改写身份。** 请求换衣服时，不要同时加入一套全新的面容描述。
4. **确认你比较的是同一套生成条件。** 记录模型版本、参考图、提示词和关键参数，避免边换模型边判断提示词好坏。
5. **把结果与同一张基准图并排看。** 不要只凭上一张生成图的印象判断下一张是否相似。

## 先明确哪些特征固定，哪些可以改变

把角色要求写成一份简短的“角色卡”，将身份特征与当前镜头要求分开。

| 类型   | 示例                 | 怎样管理                |
| ---- | ------------------ | ------------------- |
| 身份基准 | 面部轮廓、五官相对关系、显著识别特征 | 以选定的角色素材为准，不随每次提示改变 |
| 项目要求 | 发型、服装、配饰、画风        | 先确定哪些必须连续，哪些允许按镜头调整 |
| 镜头变量 | 场景、动作、构图、光线        | 每次清楚描述这次需要改变的部分     |

“同一个人”和“每个细节都不变”是不同要求。换装项目可以改变衣服，连续剧情却可能需要保持同一套服装。先确定验收边界，审核时才不会各凭感觉。

## 参考图怎么准备：清楚、一致、与镜头相关

先选一张身份清晰、没有明显生成错误的基准图。根据计划生成的镜头，再补充其他角度或身体比例信息；不必把参考数量当成越多越好的指标。

准备素材时，可以检查：

- 人脸是否足够清楚，眼镜、刘海或遮挡是否影响判断；
- 不同角度是否确实属于同一套角色设定；
- 光线和修饰是否让肤色、轮廓或五官发生明显变化；
- 需要全身镜头时，是否提供足够的体态与比例信息。

背景尽量简洁，减少无关信息即可，不需要把纯白背景当成模型通用要求。参考图数量、尺寸和上传方式，以目标模型及接口的规则为准。

保留一份经过确认的基准素材。后续生成图可以成为候选参考，但应先与基准核对，再决定是否加入；否则，一次偏差可能在连续修改中被当成新的标准。

## 模型怎么选：检查能力，再做相同样例的比较

选模型时，先确认它能否接收参考图、执行图像编辑，以及是否支持你需要的多图输入或局部修改。纯文字生成与基于参考图的编辑，不应被当成同一种调用方式。

例如，[Black Forest Labs 的 FLUX.1 Kontext 说明](https://bfl.ai/blog/flux-1-kontext?ref=orbiorbi.com)介绍了参考角色保持和定向编辑能力；[Google 的图像提示指南](https://blog.google/products-and-platforms/products/gemini/image-generation-prompting-tips/?ref=orbiorbi.com)也展示了跨场景保留角色的用法。这些是能力参考，不构成针对你当前素材的效果排名。

更实用的选择办法，是让候选模型完成同一组任务，再比较：角色是否仍可辨认、场景是否符合要求、需要修复多少次，以及最终可用图片的成本。

如果你使用支持相关组件的扩散模型工作流，还可以研究图像条件控制，例如 [Diffusers 的 IP-Adapter 文档](https://huggingface.co/docs/diffusers/main/using-diffusers/ip%5Fadapter?ref=orbiorbi.com)。这类方法需要相应管线支持，不能把一个参数直接加到任意商业 API 上就期待生效。

## 提示词怎么写：把身份依据和修改要求分开

一种便于复用的写法是：先指明使用哪个角色素材，再说明当前镜头和需要保留的条件。

下面是本文编写的通用提示词示例，不是实测结果，也不是某个模型专属的参数语法：

```text
使用已附参考图中的同一位角色，保持其面部身份。

本次画面：角色坐在书店窗边，正在翻阅一本打开的书。
构图：腰部以上的中景，镜头与眼睛接近同高。
本次允许改变：场景、坐姿，以及浅灰色针织外套。
需要保留：角色身份和既定发型。
画面风格：自然的纪实照片，窗边柔和日光，避免夸张修饰。

```

参考图已明确面容时，通常没有必要在每次请求中重新写一套细致的五官设定。若文字与图片矛盾，应先消除矛盾；若确实要改变发型、年龄表现或其他外观条件，则明确这是有意修改，并重新定义验收标准。

照片感也要符合任务。生活照可以要求自然取景和不过度修饰；电商素材则可能需要规范的布光。不要把“随手拍”或“棚拍”当成适用于所有项目的一条规则。

画幅也会改变构图、人物在画面中的大小与裁切。比较一致性时，先使用相同画幅；确认稳定后再测试其他比例。

## 批量生成前，先建立一个小样测试

可以用下面这组测试作起点。它是本文建议的检查方案，不是经过验证的行业基准。

| 镜头        | 主要检查什么               |
| --------- | -------------------- |
| 熟悉角度、简单背景 | 基本身份能否保持             |
| 改变角度或动作   | 侧脸、表情变化后是否明显漂移       |
| 更远的景别或新场景 | 人物变小、环境变复杂后是否仍符合角色要求 |

先测试一种变化，再逐步叠加。一次同时更换服装、年龄表现、画风、角度和光线，失败后很难知道是哪一项造成了问题。

如果要比较两个模型，可以各做三个镜头、每个镜头生成两次，共十二次请求。这个数量只是一个可控预算的起步方案，不能据此宣布某模型普遍更强。

每次保留模型及版本、参考图编号、完整提示词、画幅、质量档位和实际费用。接口提供 seed 时也可以记录，但不要把相同 seed 理解为跨提示词或跨模型的身份保证。

通过小样后，再扩展到整批；更换基准素材或模型版本时，先重跑关键镜头。

## 如何审核：先看身份，再看是否符合任务

不要让漂亮的光影掩盖身份漂移。建议按固定顺序检查：

1. \*\*角色身份：\*\*与基准并排看，是否仍像同一位角色？
2. \*\*项目连续性：\*\*必须保留的服装、发型、配饰或画风有没有变化？
3. \*\*画面完成度：\*\*手部、文字、道具、背景和构图是否存在问题？

再给结果一个明确的后续状态：

- \*\*可交付：\*\*身份和任务要求均通过。
- \*\*需局部修复：\*\*身份正确，只有范围明确的画面问题。
- \*\*需重新生成：\*\*身份明显变化，或关键要求整体不满足。

评分标准最好附上一句原因，例如“侧脸轮廓变化明显”或“身份通过，手部需修复”。如果出现“看起来精致但不像本人”的结果，不要仅因为画质好就纳入角色素材库。

## 只错一处，怎样减少重复生成？

身份与主体构图都合格时，可以优先尝试支持的局部编辑，只修改有问题的手部、文字或背景细节。保留原图作为回退点，编辑后重新检查整张图。

如果人物身份本身已经明显漂移，先回到基准素材与原始请求条件排查，再决定重做。不要在偏离目标的结果上不断叠加修改。BFL 的官方说明也提到，过多轮编辑可能引入画面伪影。

批次管理可以从简单的文件夹和记录表开始：每张结果保存来源请求、审核状态和修改原因。审核通过后才进入最终交付目录，不需要依赖某个特定平台的按钮或图库结构。

## 成本怎么看：算每张可交付结果，而不只看单次价格

可以同时观察两项指标：

```text
可交付比例 = 已审核通过的图片数 ÷ 本批审核的图片数
每张可交付成本 = 本批实际总支出 ÷ 最终可交付图片数

```

总支出应包含生成、修复、放大等实际收费。假设同一批任务共花费 12 元，最终有 6 张通过，则每张可交付成本为 2 元。这只是计算示例，不是模型价格或效果数据；没有合格图片时，不应报告为零成本。

不同模型、角色与验收标准会得到不同结果。不要从别人的可用率推断自己的预算，也不要把放宽审核后的通过率与严格审核的结果混为一谈。

## 常见问题

### 只用一张参考图可以吗？

可以作为起点，尤其是角度和构图变化不大时。需要大角度或全身镜头时，再根据结果与模型能力补充素材；多图并不自动保证更稳定。

### 每次都需要描述眼睛、鼻子和脸型吗？

参考图已经明确时，重复的外观描述可能没有必要，矛盾的描述还会让目标变得不清楚。文字更适合明确身份依据、当前镜头和真正要改变的内容。

### 提高质量档位就能解决换脸吗？

不能保证。质量档位、尺寸和身份保持是不同维度；仍要检查素材、编辑方式和提示是否匹配。具体档位只在模型确实提供时使用。

### 用相同 seed 能锁住同一个人吗？

不能作这样的通用保证。seed 的作用与模型及实现有关，跨模型、跨提示词或更换其他参数时，仍需要重新检查结果。

### 能承诺整批图片百分之百一致吗？

这套流程不提供这样的保证。它的作用是帮助你更清楚地控制生成条件、发现漂移并筛出可交付结果。效果要通过自己的素材、任务与审核标准来验证。

准备批量调用前，可在 [API 平台](https://api.tmlab.store/?ref=orbiorbi.com)核对目标模型的图片输入、编辑方式、尺寸与费用规则，先跑小样再扩大任务量。需要程序化批处理时，也可参考 [API 429 限流与重试排查指南](https://orbiorbi.com/news/ai-api-429-paizhang/)。

### 参考阅读

这篇文章由参考图、提示词、审核与成本控制等问题重新组织，提示词和检查方案为本文编写，并非原文中的实测记录。流程思路参考了 [角色批次一致性指南](https://www.personifex.com/guides/consistent-ai-persona?ref=orbiorbi.com)，能力说明见正文所引官方资料。