Jak zachować spójność postaci i lokalizacji w ujęciach AI

Każdy narracyjny film AI napotyka ten sam problem: pierwsze ujęcie przedstawia idealną postać, a w czwartym ma już inną twarz, kurtkę i linię włosów. Modele wideo nie mają pamięci między generacjami. Spójność nie jest czymś, o co prosisz — to system, który budujesz wokół modelu: jeden obraz referencyjny, jeden zamrożony blok deskryptorów i etap edycji, który pochłania ostatnie dwadzieścia procent.

Ten przewodnik buduje ten system. Przykładem jest botaniczka terenowa, która pojawia się w dwóch lokalizacjach — jaskini z bioluminescencyjnym mchem i na szlaku w dżungli — wygenerowana z tej samej karty postaci. Potrzebujesz modelu obrazu do karty referencyjnej i narzędzia wideo, które akceptuje referencje obrazów, takie jak /studio.

Karta referencyjna to Twoja pamięć

Przed wygenerowaniem jakiegokolwiek materiału filmowego, zaprojektuj postać raz jako pełnowymiarową, nieruchomą grafikę. Ten pojedynczy obraz jest używany jako referencja w każdym kolejnym ujęciu, co znacznie lepiej kotwiczy tożsamość niż jakikolwiek przymiotnik w podpowiedzi. Napisz podpowiedź do karty jak ogłoszenie castingowe: garderoba, włosy, akcesoria, poza, tło.

Full-body character design of a woman in her thirties,
a field botanist: olive field jacket with rolled sleeves,
round glasses, dark hair in a single braid, canvas satchel,
standing relaxed pose facing camera, neutral light-grey
studio background, soft even lighting, consistent character
reference sheet look.

Trzy zasady dotyczące samej karty. Neutralne szare tło studyjne, aby żadne środowisko nie przenikało do referencji. Płaskie, równomierne oświetlenie, aby model wideo odczytywał kształt, a nie nastrój. Zrelaksowana pozycja stojąca twarzą do kamery, ponieważ ekstremalne pozy zanieczyszczają każdą kolejną generację. Wygeneruj dwie lub trzy kandydatki i wybierz jedną przed przejściem dalej; nigdy nie zmieniaj kart w trakcie projektu.

Jedna referencja, dwie lokalizacje

ONE REFERENCE, TWO LOCATIONS

INPUT

PROMPT

The botanist kneels in a bioluminescent moss cave at night, lifting a glowing fern leaf toward her lantern, awe on her face, medium shot, cool teal glow against warm lantern light, gentle handheld drift.

OUTPUT — GENERATED WITH MANIFOLDGEN

Ujęcie 1 — jaskinia mchowa · 4s

Ujęcie 2 — szlak w dżungli · 4s

Oba ujęcia dołączają tę samą kartę postaci jako referencję obrazu, podczas gdy podpowiedzi zmieniają tylko lokalizację, akcję i światło. Podpowiedź do ujęcia 2: „Botaniczka przedziera się przez nasłoneczniony szlak w dżungli, rozsuwając liście jedną ręką, ujęcie śledzące od przodu w tempie spacerowym, rozproszone zielone światło, realizm dokumentalny, ta sama postać co w referencji”. Tożsamość jest zachowana, ponieważ pochodzi z obrazu, a nie z tekstu.

Zauważ, co zmieniło się między ujęciami, a co nie. Lokalizacja, akcja, ruch kamery i oświetlenie są nowe w każdym ujęciu. Garderoba, okulary, warkocz i torba na ramię nie pojawiają się w żadnej podpowiedzi do ujęcia — są one przenoszone z obrazu referencyjnego. Ten podział pracy to cała technika: obraz odpowiada za tożsamość, podpowiedź za inscenizację.

Powtarzaj deskryptory dosłownie

Referencja wykonuje większość pracy, ale tekst nadal się wkrada. Kiedy postać musi być opisana prozą — zbliżenia, gdzie karta słabo się kadruje, lub modele bez obsługi referencji — kopiuj dokładnie ten sam blok fraz za każdym razem:

• Stwórz jeden kanoniczny ciąg deskryptorów dla każdej postaci („kobieta po trzydziestce, oliwkowa kurtka polowa z podwiniętymi rękawami, okrągłe okulary, ciemne włosy w jednym warkoczu, płócienna torba na ramię”) i wklej go bez zmian do każdej podpowiedzi, która ją nazywa.
• Nigdy nie parafrazuj. „Ciemne włosy w warkoczu” i „jeden warkocz” tworzą różne osoby w dużej skali.
• Umieść deskryptor natychmiast po imieniu postaci lub zaimku, przed czasownikami akcji — wczesne umieszczenie w prompcie ma większą wagę.
• Zrób to samo dla powtarzających się rekwizytów: latarnia, torba, paproć. Nazwane rekwizyty również otrzymują zamrożone frazy.
• Przechowuj wszystkie zamrożone ciągi znaków w jednym pliku notatek na projekt. Kiedy zmieniasz postać, zmień plik raz i wygeneruj ponownie.

Prowadź biblię lokacji

Postacie otrzymują obrazy referencyjne; lokacje otrzymują nazwane detale. Biblia lokacji to krótka lista konkretnych, powtarzalnych cech dla każdego planu: jaskinia mchu ma wąskie wejście, płytki basen odbijający blask i skupiska paproci na piętrowych półkach skalnych. Każde ujęcie tam osadzone ponownie wykorzystuje te rzeczowniki dosłownie, dokładnie tak jak deskryptory postaci.

Nazwane detale przewyższają słowa atmosfery, ponieważ przetrwają kompresję promptu. „Bioluminescencyjna jaskinia” generuje się inaczej za każdym razem; „płytki basen odbijający niebiesko-zielony blask pod piętrowymi półkami skalnymi” rekonstruuje rozpoznawalnie tę samą przestrzeń. Dla kluczowych lokacji, wygeneruj jedno ujęcie wprowadzające z każdego kąta i użyj go jako referencji obrazu, tak jak używasz karty postaci — ten sam mechanizm, zastosowany do planów.

[Character name], [frozen descriptor block verbatim],
[action], [location with bible details],
[shot size], [camera move], [lighting],
[reference image attached].

Kiedy tożsamość i tak dryfuje

• Twarz się zmienia, ale garderoba pozostaje — obraz referencyjny był zbyt ciasno przycięty. Wygeneruj ponownie całą postać z wyraźnym marginesem nad głową i widocznymi rękami.
• Garderoba zmienia się w trakcie sceny — blok deskryptora został sparafrazowany lub pominięty. Przywróć dosłowny ciąg znaków obok imienia postaci.
• Postać wygląda dobrze, ale wiek zmienia się z ujęcia na ujęcie — dodaj frazę wieku do zamrożonego bloku („po trzydziestce”), zamiast ufać tylko referencji.
• Styl oświetlenia przytłacza tożsamość — ekstremalny kontrast kolorów (turkusowy na ciepłym) może zmyć detale twarzy. Zmiękcz kluczowe światło lub skróć czas trwania tych ujęć.
• Lokacja wygląda inaczej po cięciu — detale z biblii zostały pominięte. Wklej ponownie listę nazwanych detali do promptu powracającego ujęcia.
• Prawie wszystko działa — przestań generować. Tnij wcześniej, przeplataj i graduj; publiczność czyta sekwencję, a nie klatki.

Zbuduj kartę raz, zamroź ciągi deskryptorów, zapisz swoje lokacje, a następnie wygeneruj oba ujęcia testowe obok siebie w Studio, aby sprawdzić dopasowanie przed wyprodukowaniem pełnej sceny. Kinowe presety kamery w /tools/cinematic-cameras utrzymują język ruchu tak zdyscyplinowany, jak system tożsamości.