Ein konsistentes Gesicht über 24 Episoden von KI-Videos hinweg beibehalten
Warum KI-Videos zwischen den Aufnahmen schwanken, die drei Hebel, die einen Charakter tatsächlich sperren (Blickaufforderung, Referenzbild, Startwert), was immer noch kaputt geht und wie man eine einzelne Aufnahme anstelle einer Episode erneut aufnimmt.
Die erste Frage, die sich jedes Studio zu KI-Dramen stellt, lautet nicht: „Sieht es echt aus?“ Es heißt: „Wird es in Folge 19 dieselbe Person sein?“ Ein Betrachter verzeiht eine leicht plastische Hand. Sie verzeihen einem Hauptdarsteller nicht, dessen Kiefer-, Haaransatz- und Augenfarbe sich zwischen den Szenen ändert – das liest sich wie ein Fehler, und Fehler brechen den Bann.
Hier erfahren Sie, was die Konsistenz tatsächlich steuert, in der Reihenfolge ihrer Auswirkung.
Hebel eins: die Look-Eingabeaufforderung, einmal geschrieben und nie bearbeitet
Eine Blickaufforderung ist ein kurzer, langweiliger, spezifischer Absatz, der nur beschreibt, was eine Kamera sehen kann:
Frau, Ende Zwanzig, Ostasiatin, ovales Gesicht, glattes schwarzes Haar bis zum Schulterblatt, dünne Brauen, kleines Muttermal unter dem linken Auge, grauer, maßgeschneiderter Blazer über weißem Hemd, kein Schmuck, neutraler Gesichtsausdruck.
Drei Regeln sorgen dafür, dass Look-Eingabeaufforderungen funktionieren:
- Nur sichtbare Attribute. Keine Persönlichkeit, keine Hintergrundgeschichte, kein „Selbstbewusstsein“. Das Modell kann nicht selbstbewusst wirken; es kann einen Kinnwinkel darstellen.
- Nur permanente Features. Alles, was sich pro Szene ändert (nasse Haare, ein Verband, ein Mantel), gehört in die Aufnahmeaufforderung, nicht in die Look-Eingabeaufforderung.
- Ein identifizierendes Detail. Ein Muttermal, eine Narbe, ein bestimmter Ohrring. Dies ist es, was der Betrachter verwendet, um die Identität über Schnitte hinweg zu bestätigen, und es ist das, woran sich das Modell klammert.
Jeder Schuss-Prompt verweist dann namentlich auf den Charakter und erbt den Look-Prompt wörtlich. Wenn Sie die Eingabeaufforderung für das Aussehen in Folge 12 bearbeiten, handelt es sich bei den Folgen 1–11 jetzt um eine andere Person.
Hebel zwei: ein gesperrtes Referenzbild
Allein der Text driftet. Ein Referenzbild verankert das Gesicht. Wir speichern einen kanonischen Frame pro Charakter – neutrales Licht, neutraler Ausdruck, nach vorne gerichtet – und geben ihn bei jeder Aufnahme weiter.
Praktische Hinweise:
- Generieren Sie die Referenz mit der höchsten Auflösung, die Sie jemals benötigen werden. Eine Referenz, die weicher als Ihre Ausgabe ist, wird zur Decke.
- Halten Sie den Referenzausdruck neutral. Eine lächelnde Referenz bringt jede weitere Einstellung in Richtung eines Lächelns, einschließlich der Beerdigungsszene.
- Eine Referenz pro Zeichen, kein Ordner. Mehrere Referenzen geben dem Modell die Wahl, und es wird an verschiedenen Tagen eine unterschiedliche Auswahl treffen.
Hebel drei: ein fester Startwert pro Charakter
Samen sind keine Zauberei, aber sie beseitigen kostenlos eine Varianzquelle. Legen Sie den Seed pro Charakter fest und ändern Sie ihn nur, wenn Sie bewusst eine Variation wünschen (eine Traumsequenz, eine Rückblende mit anderer Beleuchtung).
| Einstellung | Behoben | Variiert |
|---|---|---|
| Schauen Sie prompt | ✅ pro Zeichen | — |
| Referenzbild | ✅ pro Zeichen | — |
| Samen | ✅ pro Zeichen | Schusshöhe nur bei Absicht |
| Schussaufforderung | — | ✅ pro Schuss |
| Beleuchtung / Linse | — | ✅ pro Szene |
| Kleiderschrank | — | ✅ pro Szene, explizit beschrieben |
Was noch kaputt geht
Ehrlichkeit ist hier wichtiger als Marketing. Dies sind die Fehler, die wir immer noch sehen:
- Extreme Winkel. Profil- und Flachwinkelaufnahmen driften stärker als frontal. Planen Sie ein erneutes Rendern für Heldenprofilaufnahmen ein.
- Hände in Nahaufnahme. Im Bild 1/8 sind die Hände immer noch deformiert. Schreiben Sie um das Objekt herum: Schneiden Sie es auf ein Gesicht oder halten Sie das Objekt außerhalb des Rahmens.
- Crowds. Jede Aufnahme mit mehr als drei Personen verliert die Identitätszuordnung – das Model tauscht gerne zwei Spuren. Halten Sie Gruppenaufnahmen weit und kurz.
- Lange Einstellungen. Nach etwa 12 Sekunden in einer einzigen Aufnahme beginnen die Features zu verrutschen. Aus genau diesem Grund beträgt unsere Schusseinheit 5 Sekunden; Lange Takes werden im Schnitt zusammengestellt und nicht in einem Durchgang generiert.
- Stimme in allen Sprachen. Eine geklonte Stimme spricht nicht automatisch eine zweite Sprache mit derselben Klangfarbe. Wenn Sie lokalisieren, müssen Sie davon ausgehen, dass die Stimme je nach Sprache neu besetzt wird, und teilen Sie dies Ihrem Kunden im Voraus mit.
Drehen Sie eine Einstellung noch einmal, nicht eine Episode
Da Aufnahmen einzeln gerendert werden, lässt sich ein Fehler einfach beheben: Identifizieren Sie die Aufnahme, passen Sie eine Variable an (Winkel, Beleuchtung oder ein einzelnes Adjektiv in der Eingabeaufforderung) und rendern Sie sie erneut. Die Kosten betragen eine Aufnahme – 22 Credits für 5 Sekunden bei 1080p – nicht die ~430 Credits, die eine Episode mit 75 Sekunden kostet.
Die folgende Workflow-Regel lautet: Akzeptiere niemals eine Aufnahme, die du nicht vor einem Kunden zeigen würdest, nur weil der Rest der Episode fertig ist. Ein wanderndes Gesicht in Aufnahme 9 wird das Einzige sein, was irgendjemand erwähnt.