如何防止 AI 视频角色形变：阻止脸部与身体畸变的提示词技巧

TL;DR

• 角色形变——脸部融化、四肢拉长、手部畸变、年龄漂移、服装替换、肢体重复——源于时间不一致性与参考漂移：在运动、近距离与风格压力下，模型的把控力会减弱。
• 提示词模式与模型局限一样会造成形变：相互竞争的主体、损伤解剖结构的动词（“扭曲”“变形”）、极端特写叠加快速运动，以及风格混用。
• 防御性词汇——“解剖结构正确”“全程面部特征稳定”“自然人体比例”、数字化的肢体数量——把身份从假设变成显式约束。
• 镜头距离会放大风险：先用中景建立主体，只有当角色在较宽画幅中证明稳定后，才可争取特写。
• 遵循运动克制阶梯——静止与慢速最安全；快速动作叠加手部交互再加上镜头运动，是最高风险层级。
• 当形变仍然出现时，分诊依据损伤的局部程度选择重roll、分段重生成或局部编辑。

形变分类学：为出错方式命名

你见过一张脸融化：转头途中鼻子滑过脸颊，下颌线软化成任何头骨都不可能容纳的形状——然后它又弹了回去，你拖动时间轴，怀疑会不会有人注意到。

任何人都会注意到。角色形变是 AI 视频中仅次于跨镜头不一致的第二大失败模式——它发生在*单个*片段内部，毁掉完美的镜头。

每种失败模式对应不同的防御性token——先命名，再修复：

两种机制可以解释全部六种；两者都能在提示词层面修复。

时间不一致性。 视频模型为每个瞬间优化局部合理性，而非全局身份：没有稳定性约束时，动态姿势就可能违反解剖结构，因为模型从不会回头核对两秒前渲染的那张脸。Animate Anyone 正是用基于区域的外观控制攻击了这一问题，让整个序列以一个持久参考为条件（Hu et al., 2023）。商业模型只有在你的提示词给了它们可依附之物时，才会继承这一思路。

参考漂移。 即使有参考图，条件化在生成最难处也最弱：极端特写、遮挡、快速运动、风格冲突。随着置信度下降，模型会回退到通用先验——一张通用的脸、通用的手、通用的服装。形变就是你的参考与先验之间的过渡。

VBench 将其确立为一等评估维度——“主体一致性”如今是可测量的属性，而不是一种感觉（Zheng et al., 2023）。能提升主体一致性分数的抓手——稳定的参考、克制的运动、显式的解剖约束——正是你防止形变时要拉的那些。

提示词中的形变触发器：你做错了什么

防御性提示词从做减法开始：四种模式比任何模型缺陷都更可靠地引发形变；大多数创作者不知不觉就写了至少两种。

1. 多个相互竞争的主体

“一个女人和她的倒影”、“两个穿风衣的侦探”、“一个男人面对年轻时的自己”：两个被同等强调的主体意味着两套身份嵌入需要维护，在压力下它们会互相渗透——倒影戴上了错误的耳环；第二个侦探长着第一个侦探的脸。

冲突也可能来自自我矛盾：一个角色被两次描述成不同属性（“赤褐色头发……她把金色的头发捋到耳后”）同样是竞争主体。

修复： 每个提示词只保留一个主要主体。若必须有两人，从结构上区分（年龄、轮廓、服装色系），并标记焦点：“焦点对准前景中年长的侦探；年轻的那位在后面保持柔焦。”

2. 损伤解剖结构的运动动词

“扭曲”、“变形”、“不自然地扭转”、“morph”、“扭动”、“过度伸展”都是违反解剖结构的字面指令——模型会将其视为许可。更温和的近邻也一样：“流畅如水的动作”、“身体如波浪起伏”、“像水一样舞动”都会把生成推向四肢拉长的橡胶物理。

这些动词通常出自良好的创作意图。但模型实现“扭曲”的方式是放弃骨骼——而正是骨骼让手和脸保持完整。

修复： 以关节为锚点的运动语言——“转动躯干，同时保持双臂垂于体侧”、“轻盈迈步，膝盖放松，双肩水平”。把超自然节拍留给孤立的短片段。

3. 极端镜头贴近叠加快速运动

“她的面部特写，镜头快速绕她甩动”叠加了两个放大器：特写让画面大部分落在脸上，任何身份抖动都会变得可见，而快速运动恰好在这一刻降低条件化置信度。手的版本更糟——“极端特写：双手快速组装手表”把贴近、精细运动细节和速度结合在一起——手部最容易失败的三件事同时发生。

修复： 遵循下文的镜头距离规则。贴近是争取来的，不是宣布的。

4. 风格混用

“一部吉卜力工作室风格拍摄的写实纪录片”给了模型两套互不兼容的解剖学：写实先验与风格化先验相互竞争，输出在镜头中途在两者之间漂移——眼睛一时放大，比例随之软化。混用还会削弱你的防御性词汇，因为“解剖结构正确”对不同先验意味着不同的东西。

修复： 每个提示词只有一种主导风格。如果必须融合，把风格分配给不同图层（写实主体、风格化背景），而不要混在主体上。

这些类别与 mstudio 提示词指南中列出的常见失败模式一致（mstudio）。

防御性提示词词汇：锁定解剖结构的 token

原则：永远不要让解剖结构保持隐含。“一个女人喝咖啡”没有给模型任何可防守的东西；“一个解剖结构正确、全程面部特征稳定的女人喝咖啡”则有。

核心防御短语（跨模型通用）：

• “解剖结构正确” ——主约束。直接放在主体名词之前，使其绑定身体而非场景。
• “全程面部特征稳定” ——对抗脸部融化最强的短语：“全程”把约束延伸到时间维度，而不只是第一帧。
• “自然人体比例” ——防范四肢拉长与躯干拉伸；搭配身高token（“5’7”）。
• “肢体一致——两条手臂，两条腿，十根手指” ——数字化冗余。听起来冗余；它是只要手出现时对抗肢体重复与畸变最廉价的保险。
• “每一帧都是同一张脸” ——面向特写的帧级重述，因为单独的“全程”在此容易被降权。
• “服装全程不变” ——在会重roll服装的快速运动中锁定衣物。

负面提示词伴随项（在支持的平台上）：“no face morphing, no extra fingers, no warped limbs, no age change, no costume change。”每条负面项要对应你实际观察到的形变——具体胜过笼统。

放置规则与用词同样重要：

1. 解剖约束放在第一句，绑定在主体上。
2. 时间约束（“全程”、“每一帧”）放在提示词结尾——尾部token在生成时会被重新读取。
3. 长提示词中，每个主要动作节拍重复一次主体锚。重复很廉价；漂移不是。

各模型的等效机制

2026 年的每个模型都提供了超越纯文本的机制；你的防御性词汇可以接入其中：

机制各异；语法不变。对于 I2V 路径，图生视频角色锁定指南展示了固定帧如何与文本约束交互。

镜头距离规则：特写放大漂移

画幅不是在提示词之后决定的——在生成中，它是*在*提示词里做出的稳定性决定。

规则 1 ——永远先用中景。 任何新角色或新镜头都以中景（腰部以上）或全景开场。脸只占画面的一小部分，身份抖动低于像素级，模型先获得轻松的热身帧。

规则 2 ——循序渐进地争取特写。 沿着节拍或分镜头从中景 → 特写 → 极端特写推进，绝不要从冷启动一镜推到底。在中景距离渲染干净的主体，是模型已经承诺过的主体；而*以*特写开场的片段没有这种承诺。

规则 3 ——极端特写是受限资产。 只在同时满足以下条件时才保留眼睛或嘴唇特写：(a) 主体在同一片段早先已在较宽画幅中建立；(b) 推进动作缓慢；© 没有手部交互。三条必须同时成立。

规则 4 ——绝不把贴近与速度结合。 甩镜头或快速推轨保持中景或全景；极端特写则让镜头锁定或缓慢爬行。两者永不同框一个节拍。

规则 5 ——手遵循同一阶梯。 “手部特写”换任何名字都是极端特写。先在中景距离引入手（“搅动一个杯子，腰部以上”），一次正确渲染后再切近。

运动克制阶梯：从最安全到最危险

运动强度是第二个放大器：用这条阶梯决定一次生成可以尝试什么。

三条工作原则：

一次生成只承担一种风险。 4 级运动*或*极端特写*或*重度手部交互——绝不同时两个。“极端特写中的快速舞蹈”是贴着 4 级标签的 5 级提示词。

把安全部分前置。 结构上让风险片段前半段主体动作简单，然后再行动——早期稳定帧在难点到来之前锚定身份。

限制是一种特性。 Haiper 的珠宝视频工作流使用克制的运动预设——缓慢旋转、最少触碰——因为脆弱主体会随运动增强而更快失败（Haiper）。专业人士在主体脆弱之处都会约束运动——而人脸是最脆弱的主体。

12 个提示词模板，按所防御的形变标注

替换方括号中的字段；防御性子句保持原样。

模板 1 ——脸部融化（肖像，缓慢转头）

Template 1 — face melt defense
Medium close-up of [subject anchor: hair, eyes, age range, build, marks, wardrobe x3]. Anatomically correct, stable facial features throughout, identical face in every frame. She slowly turns her head to center, shoulders still. One photoreal style, camera locked. No face morphing.

模板 2 ——手部畸变（手进入画面）

Template 2 — hand corruption defense
Medium waist-up shot: [subject anchor] stirs a ceramic cup. Anatomically correct hands — two hands, ten fingers, consistent limbs throughout. Hands visible but not magnified, slow movement, camera locked. No extra or fused fingers, no warped limbs.

模板 3 ——四肢拉长（行走镜头）

Template 3 — limb elongation defense
Full shot of [subject anchor] walking toward camera on a quiet sidewalk. Natural human proportions, 5'7", anatomically correct skeleton, consistent limbs — two arms swinging naturally, two legs with correct joint bends. Camera static at waist height. No limb stretching, no body morphing.

模板 4 ——肢体重复（手势丰富的讲话）

Template 4 — duplicate limbs defense
Medium shot of [subject anchor] speaking to camera, gesturing with open hands. Exactly two arms, exactly ten fingers, consistent limbs in every frame. Gestures stay frame-center, elbows soft, camera locked, stable facial features throughout. No third arm, no hand duplication.

模板 5 ——年龄漂移（长镜头）

Template 5 — age drift defense
Medium shot of [subject anchor: numeric age range, e.g. 30-34 years old] reading at a desk. Age locked at 30-34 throughout — no aging, no de-aging. Stable facial features, unchanging skin texture, natural proportions. Minimal motion: slow blink, page turn, camera static.

模板 6 ——服装替换（运动镜头）

Template 6 — clothing swap defense
Full shot of [subject anchor] walking briskly through a station. Wardrobe unchanged throughout: [outer], [mid], [inner] layers with exact colors named — no costume change, no garment morphing, no color shift. Anatomically correct, consistent limbs, camera tracks slowly.

模板 7 ——推近中的脸部融化

Template 7 — face melt defense (camera movement)
Opens medium: [subject anchor] in a sunlit kitchen, stable facial features throughout. Slow dolly push-in easing to a stop at close-up — never extreme close-up. Subject still during the push, subtle breathing only. Identical face in every frame, one photoreal style, no morphing during camera move.

模板 8 ——竞争主体合并（双人场景）

Template 8 — subject-merge defense
FOCUS (foreground): older detective, 55-59, gray beard, charcoal coat — anatomically correct, stable facial features throughout. BACKGROUND (soft focus): younger detective, 28-32, no facial hair, navy jacket, partially turned away. Distinct ages and wardrobe, no face borrowing. Medium two-shot, camera locked. No identity blend.

模板 9 ——快速动作（4 级）

Template 9 — limb elongation defense (fast action)
Medium-wide shot of [subject anchor] sprinting across a field, leaping a low barrier. Natural human proportions, anatomically correct, consistent limbs through the full stride and jump — two arms, two legs, correct joint range. One fast action only, no hand interaction, side-tracking camera. No rubber limbs, no face melt.

模板 10 ——渐进特写（眼睛）

Template 10 — extreme close-up defense (progressive)
Opens medium: [subject anchor] looks up from a letter. Cut to close-up as she lifts her gaze — face carried stable from the medium shot, identical face in every frame. Final beat: eyes close-up, camera slow and locked. Anatomically correct, age locked at [range]. No feature drift, no morphing.

模板 11 ——手部交互（物体操作）

Template 11 — hand corruption defense (object interaction)
Medium shot: [subject anchor] at a workbench tying a cord. Anatomically correct hands — two hands, ten fingers, consistent limb count in every frame. Motion slow and joint-anchored: fingers loop and pull, wrists steady. Camera locked at chest height. No fused fingers, no hands merging with the cord.

模板 12 ——跨镜头重roll（收尾括号模式）

Template 12 — cross-shot distortion defense
[Full 7-token anchor, identical wording to shots 1-4]. Anatomically correct, stable facial features throughout, natural human proportions, consistent limbs. Wardrobe unchanged throughout: [three named layers]. Same face, same body, same clothing as prior shots — no drift, no morphing, no age change. [Tier-appropriate action]. One photoreal style.

模板 1-3 覆盖静止到慢速层级，4-6 覆盖中等层级，7-12 覆盖镜头调度、竞争主体、速度或跨镜头连续性带来额外放大器的情形。对于必须读起来像人写的提示词，2026 自然提示词公式将这些约束折叠进流畅的行文，同时不丢失防御性token。

生成后分诊：尽早发现形变，策略性重生成

预防降低发生率；分诊处理剩余部分。在第 2 秒捕捉形变很便宜；在剪辑里捕捉就不便宜了。

以四分之一速度、关掉音频拖动检查。 形变存在于运动中；正常播放速度下，眼睛会原谅一个在 0.25× 下却无可否认的六帧脸部融化。

按顺序检查五个热点：(1) 转头和镜头移动时的脸，(2) 手进入画面或抓取物体的任何时刻，(3) 光线变化处的服装过渡，(4) 最后一秒——漂移向结尾累积，(5) 每一个 4-5 级运动节拍。

做首尾帧对比。 导出第一帧与最后一帧并排查看；脸、发际线、服装颜色或轮廓的不匹配，会暴露出你尚未拖动检查过的漂移。

逐帧步进每个手部节拍。 手部畸变常常是单帧事件——一帧六指在复看时消失，因为你记得前后的帧。

选择重生成策略

一行决策逻辑：随机且短 → 重roll；局部化 → 重生成该段；几帧 → 属部编辑；反复出现 → 重写提示词。

关于更广泛的生成失败家族中的形变，参见姊妹篇 AI 视频生成失败与提示词修复。

FAQ

什么是 AI 视频角色形变？

任何在片段中途对主体物理身份或解剖结构的违反：脸部融化、四肢拉长、手部畸变、年龄漂移、服装替换和肢体重复。它区别于跨镜头漂移——形变发生在单次生成内部，由运动、特写与风格冲突下的时间不一致性和参考漂移驱动。

哪些短语最可靠地防止脸部融化？

“全程面部特征稳定”加上“每一帧都是同一张脸”——前者设定时间约束，后者以帧粒度重新锚定它。把两者与主体名词前的“解剖结构正确”，以及缓慢、锁定、中距离的镜头搭配。没有短语能补偿极端特写叠加快速运动；先修画幅。

我真的需要写“两条手臂，十根手指”吗？

需要——数字化冗余把解剖结构从假设转化为显式条件，它对 hand 畸变和肢体重复格外有效。token 成本微不足道；只要手可见或运动高于 2 级，就保留它。

形变与角色一致性有何不同？

形变是镜头内的不稳定；一致性是镜头间的稳定性。它们共享根因与防御——锚、参考和防御性词汇对两者都适用。2026 角色一致性指南讲的是在镜头之间保持身份；本指南讲的是即使你的锚完美无缺，片段内部仍会发生什么。

运动预设真的能减少人物（而不只是产品）的形变吗？

能——这一原理可以推广：克制运动预设的存在，是因为脆弱主体——珠宝、玻璃器皿、精密机械——会随运动增强而更快失败，见 Haiper 的珠宝视频工作流。快速推近下的脸是同一个问题、更高的赌注：脆弱细节乘以运动等于失败倍增。运动克制阶梯就是产品拍摄运动预设的人物版。

结语

形变不是你必须容忍的模型局限——它是一个形状明确的提示词塑形问题。触发器是可识别的（竞争主体、损伤解剖结构的动词、贴近加速度、风格混用）；防御性词汇跨模型通用；镜头距离遵循一条规则——先中景，特写循序争取；运动遵循阶梯，任何镜头不同时承担两种风险。当形变仍然出现时，分诊选出能保留好帧的最便宜修复——而反复出现的形变永远意味着提示词手术，绝不是更多重roll。

深入阅读：

• 关于跨镜头版本——整个 campaign 中的同一身份——从 2026 AI 角色一致性提示词开始。
• 关于用固定帧锁定角色，见图生视频角色锁定指南。
• 关于更广泛的失败模式家族，读 AI 视频生成失败与提示词修复。
• 关于读起来像人写的提示词，使用 2026 自然提示词公式。
• 关于参考驱动生成背后的防漂移清单，见 Ref2V：Seedance 参考转视频。

建立主体，约束解剖，克制运动，争取特写——然后在发布前以四分之一速度拖动检查。

由 videosprompt.org 编辑团队审校 · 2026 年 10 月