AI 角色生成教學：2026 如何在 AI 影片中維持角色一致性？

AI 角色生成器如何在每個分鏡中維持同一個角色？#

AI 角色生成器之所以能維持角色身分一致，是透過將 4 到 30 張已確認的參考靜態圖傳入下游影片模型，而非單靠文字提示詞。如果只給純文字，模型每次點擊生成都會隨機創造新的五官、髮型與骨骼結構；提供參考圖片則能引導模型在每個分鏡中準確重現同一張面孔、身形比例與穿著。

正如 [ScreenWeaver 的角色參考課程](https://www.screenweaver.ai/academy/courses/ai-filmmaking-course/consistent-ai-characters-reference-sheets) 所述，人類觀眾對臉部特徵的不連貫極度敏感，些微走樣就會打破觀影的沉浸感。為了解決這個問題，專業製片工作流會將「身分」與「分鏡變數」嚴格拆分：參考圖片專門定義臉部骨骼結構與服裝輪廓，文字提示詞則負責調度運鏡軌跡、情緒演出與場景光影。

在 DramaCanvas 上，這種拆分是透過實體節點連線具體實現的。你在文字節點中撰寫劇本，在圖片節點中渲染參考靜態圖，再透過連線將圖片傳送至影片節點。下游模型會將連線傳入的像素視為演員的外貌依據，大幅降低跨分鏡剪輯時角色臉部走樣的問題。

如何設計與撰寫角色設定集的提示詞？#

標準的角色設定集需要 4 個核心視角：正面肖像、四分之三側角、正側面與全身剪影，且均需在純灰色的攝影棚背景下渲染。先在圖像模型中產出這張設定集，能為下游影片模型提供角色的下顎線條、髮際線與體態輪廓等完整空間資訊。

根據 [Astorie 的角色一致性工作流](https://astorie.ai/how-to/keep-same-character-across-ai-videos) 指出，在同一張主設定集上同時生成四個不同角度，能有效避免分開生成單張肖像時必然出現的臉部特徵漂移。像 GPT Image 2 與 Nano Banana Pro 這類圖像模型，在給予明確的多格版面約束時，特別擅長輸出乾淨俐落的多格印樣設定集。

步驟一：撰寫身分描述段落與角色設定區塊

首先在畫布的文字節點中定義角色的視覺基準。具體描述年齡、族裔背景、臉型、髮質、眼型，並設定剛好兩項標誌性的特徵細節，例如一件芥末黃針織開襟衫，或左眉上方淡淡的疤痕。[SuperDuperAI 角色設定集指南](https://superduperai.co/library/character-consistency-reference-sheet/) 的研究顯示，兩個鮮明的視覺標記在定錨角色身分上的效果，遠勝過十個模糊的形容詞。

在不同場景之間絕不要更動這段身分描述。請將這段完全相同的描述文字貼入每個下游提示詞中，以持續強化視覺參考。

步驟二：在圖片節點中生成多角度設定集

點擊畫布底部工具列的 Add node（新增節點），選擇 Image（圖片），並在圖片設定中將長寬比設為 16:9。將你的身分描述區塊連同明確的多格版面配置指令，貼入提示詞輸入框中。

Character reference sheet of Marcus: a 28-year-old man, sharp jawline, short textured dark fade haircut, amber-brown eyes, and a small faint scar over his left eyebrow. Athletic build, wearing a clean olive utility jacket over a charcoal crewneck t-shirt and dark denim. Four distinct views arranged horizontally: full-body front-facing standing pose, head-and-shoulders three-quarter portrait, sharp side profile, and full-body rear view showing hairstyle and jacket back. Neutral facial expression, even flat studio lighting, solid neutral light grey background, clean concept art layout. No text, no overlapping figures, perfectly consistent facial structure and wardrobe across all four panels.

點擊 Generate（生成）渲染設定集。完成後，將畫布切換至專業模式（Professional mode），將游標懸停在圖片卡片的工具列上，選擇 Grid split（網格分割），即可將整張多格圖切割為獨立的子卡片。這樣一來，不必消耗額外的生成次數，就能直接獲得正面、側臉與四分之三側面的獨立卡片。

在 DramaCanvas 上哪款影片模型能提供最佳的角色一致性？#

字節跳動（ByteDance）旗下的 Seedance 2.5 最多支援同時輸入 30 張參考圖片，是目前在 DramaCanvas 上維持角色特徵最靈活的影片模型。在挑選影片生成器時，首要考量指標是參考圖的容納容量：支援多圖輸入的模型，在處理複雜的頭部轉動與鏡頭環繞時，維持臉部逼真度的能力遠優於單影格模型。

自 OpenAI 於 2026 年 9 月 24 日關閉 Sora 2 系列模型與 Videos API 以來，多圖參考模型已成為維持角色一致性的主要方式。你可以在我們的 Sora 替代方案 指南與 2026 年最佳 AI 影片生成器評測 中查看完整的平台實測數據。

下表詳細整理了 DramaCanvas 上支援的影片模型、每秒積分消耗，以及在角色一致性上的輸入規格限制：

積分費率已於 2026-11-04 在 DramaCanvas 上確認完畢。

DramaCanvas 是依據生成影片的秒數來計費。在標準方案（Standard plan，每月 29.90 美元享有 1,100 點積分）下，1 點積分約合 0.027 美元。若生成失敗，系統會自動將積分退回你的帳戶餘額。

評估實際製作成本：

• Seedance 2.5 以 720p 生成一段 10 秒的分鏡，消耗 300 點積分（8.10 美元）。
• Seedance 2.0 以 720p 生成一段 10 秒的分鏡，消耗 200 點積分（5.40 美元）。
• Wan 3.0 以 720p 生成一段 10 秒的分鏡，消耗 120 點積分（3.24 美元）。
• Kling 4 以 720p 生成一段 10 秒的分鏡，消耗 70 點積分（1.89 美元）。

若追求敘事角色的極致一致性，且需要在單次生成中輸入全套服裝、五官與環境靜圖，建議首選 Seedance 2.5。若製作預算有限，Kling 4 與 Wan 3.0 則能以更實惠的積分費率，在最多 10 張參考圖片下提供出色的視覺還原度。

如何在畫布上將角色參考圖連接至影片與音訊節點？#

在 DramaCanvas 上進行角色連線，只要從圖片節點右側的輸出埠（Output Port）拖曳連線至影片或音訊卡片左側的輸入埠（Input Port）即可。直覺的畫布架構以直接的節點空間路由取代了繁瑣的提示詞工程，讓單一主角色設定集能同時傳遞給數十張分鏡卡片使用。

如 [Fawna 的角色提示詞文件](https://fawna.ai/docs/prompting/character/) 所述，影片模型在搭配精確文字描述時，對視覺參考圖的反應最為靈敏。在 DramaCanvas 上，連線一律由左至右傳遞媒體素材。

步驟三：將裁切好的肖像存為專案資產中的角色卡片

在頂端工具列中，確認畫布已連結至「My canvases」（我的畫布）底下的專案。將各集的分鏡板歸類於同一專案下，便可隨時開啟「Project assets」（專案資產）面板。

選取透過網格分割（Grid split）獲得的正面肖像卡片與側臉卡片，將它們加入專案資產中，並命名為角色卡片（例如「Marcus」）。在專案層級儲存角色資產後，多個分鏡畫布就能直接共用相同的參考卡片，不必反覆上傳。

步驟四：在影片節點中連線參考圖片並指定起始影格

點擊底部工具列的 Add node，選擇 Video，並放置在圖片卡片右側。選取你使用的模型，例如 Kling 4 或 Seedance 2.5。

按住角色卡片右側邊緣的圓形輸出端點，將連線拖曳過畫布，並在影片節點左側的輸入埠放開。對四分之三側面與全身卡片重複此操作。DramaCanvas 會自動過濾重複連線：即使多次連接同一張來源圖片，也只會佔用一個參考欄位。

在提示詞輸入框下方展開 Parameters（參數）。在 Start frame（起始影格）下拉選單中，選取你的關鍵影格靜圖來固定該分鏡的開場構圖。若該分鏡只需要維持角色神態而非固定開場畫面，請將 Start frame 保留為「Not specified」（未指定），模型便會純粹將連接的卡片作為外貌基準。

步驟五：使用 @Image 綁定撰寫分鏡提示詞

運用結構化的五段式公式撰寫分鏡提示詞：場景設定 + 角色外觀 + 核心動作 + 對白 + 鏡頭軌跡。並使用 @Image 標記明確指定所連接的圖片。

Setting: Dimly lit subway platform at midnight, wet concrete tiles reflecting cool overhead fluorescent tubes.
Character: Marcus, matching @Image1 for facial features and haircut, wearing his olive utility jacket and charcoal crewneck t-shirt.
Action: Marcus paces along the yellow safety line, glances down at his wrist watch, exhales nervously, and turns toward the empty tunnel tracks.
Camera: 9:16 vertical medium shot, slight low angle tracking backward smoothly as Marcus walks forward, 50mm lens perspective, subtle atmospheric mist.

確認生成按鈕旁顯示的積分消耗數值，接著點擊 Generate。任務會依序進入 Queued（排隊中）與 Generating（生成中）狀態，完成後直接在卡片上渲染出 MP4 影片片段。

步驟六：將綁定聲音的角色卡片連接至音訊節點

視覺一致性必須搭配聲音的連貫性。點擊底部工具列（Dock）中的 Add node 並選擇 Audio（尺寸為 340×120）。

在參數設定中，Voice（聲音）預設為 alloy，同時提供多種聲音設定檔；格式預設為 mp3；語速預設可在 0.75x 與 1.5x 間切換，滑桿調整範圍為 0.25x 至 4.0x。在「Voice instructions」（語音指示）中，以直白清晰的文字描述角色的說話語調（例如：「謹慎、低沉的男聲，以從容且節制的節奏說話」）。

將你的角色卡片連接至音訊節點左側的輸入埠。請注意嚴格的連線規則：音訊節點僅接受文字提示詞或正好 1 張已綁定聲音的角色卡片。若嘗試接入影片片段、原始圖片或額外的音訊檔案，輸入埠皆會直接拒絕。

為什麼 AI 影片會出現角色走樣，該如何修復？#

AI 影片中的角色走樣（Character drift）最常發生在提示詞於不同分鏡中引入了服裝變化，或是運鏡軌跡旋轉超過 90 度的時候。生成式模型捕捉服裝材質與色彩區塊的速度，往往快於辨識細微的臉部幾何特徵。當你在不同分鏡間更換角色的外套時，模型常會重新推算其臉部年齡與骨骼輪廓，以迎合新的穿著風格。

誠如 [CawCut 的一致性指南](https://www.cawcut.com/help/featured-tutorials/character-consistency-guide) 所詳述，將臉部參考與服裝參考分開，並避免極端的視角遮蔽，就能防止絕大多數的連戲失誤。此外，[Rutger Tuit 的角色設定集解析](https://rutgertuit.nl/creative/character-sheet) 也指出：在正式渲染整場戲之前，先用三個快速基礎分鏡（遠景、中景、特寫）測試角色，就能在早期攔截角色走樣問題。

下表列出 DramaCanvas 上的常見錯誤提示或畫面瑕疵與對應的排解方式：

當鏡頭運動牽涉到超出標準提示詞控制範圍的複雜空間走位時，你可以跳脫傳統純文字轉影片的限制。從底部工具列開啟 Director desk 節點，在生成分鏡前先調度 3D 虛擬演員、打光位置與攝影機軌道。對於開發者而言，也可以透過 DramaCanvas MCP 伺服器 以程式碼編寫整部多分鏡場景圖，自動化完成數百個分鏡的角色參考連線。