多模态参考——把角色脸钉死

角色一致性是漫剧的命门。多模态参考就是官方给的解法。

两套语法，别搞混

同一个功能，网页端和 API 文档用的符号不一样：

场景	语法	例子
即梦网页端（全能参考）	`@图片1`	`@图片1 模仿 @视频1 的动作，音色参考 @音频1`
火山引擎 API 文档	`<图片N>`	`参考<图片1>中的<主体1>，生成...`

网页端输入框的占位提示写得很清楚，用 @ 触发素材引用。你在即梦里就用 @。 本页引用官方文档原文时保留 <> 写法。

按任务类型分三类（官方原文）：

多模态参考——适用于动作迁移、主体复用、氛围借鉴：

图片参考：参考<图片N>中的<主体N>，生成…

视频参考：参考<视频N>中的<动作/运镜/风格/音效>，生成…

音频参考：参考<音频N>中的音色，生成…

编辑视频——局部替换、主体抹除、属性修改：

增加元素：清晰描述<元素特征> + <出现时机> + <出现位置>

修改元素：严格编辑<视频N>，将其中的<原特征>修改为<新特征>

删除元素：点明需要删除的元素，对于保持不变的元素，在提示词中加以强调，表现更佳

延长视频——续写剧情、延展动作：

延长视频：向前/向后延长<视频N>，生成…

轨道补全：<视频1> + <过渡画面描述> + 接 <视频2> + <过渡画面描述> + 接 <视频3>

这是官方强调的核心手法：

将<图片/视频N>中的[主体核心特征]定义为<主体N>

官方示例：

将图片1中穿红色连衣裙、戴草帽的女人定义为主体1
将图片1中穿红色连衣裙、戴草帽的女人定义为张红

可以直接给角色起名字，后面剧情里就用这个名字指代，模型会自动关联。

官方对特征描述的要求：

使用 2–3 个清晰、稳定的静态特征（如服饰、发型、外观、类别）进行描述，确保唯一可识别性。

使用注意（官方原文）：

每次涉及主体时需明确指代，避免省略

对于未定义主体的简单场景，使用<主体N>@<图片N>

对于已提前定义主体的场景，使用同一标签

描述尽量简洁，避免冗余和语义冲突

「每次涉及主体时需明确指代，避免省略」这条最容易被忽略——写到第三个镜头你会想偷懒写“他”，模型就开始漂了。

官方把素材分成四种功能角色：

角色锚定：锁定角色外观

场景定调：锁定环境与风格

运镜参考：锁定镜头语言与动作节奏

节奏氛围：用音频控制情绪、音色

官方推荐配置（总计 4–5 个素材）：

角色图 1–2 张（面部特写 / 全身）+ 场景图 1 张 + 运镜视频 1 段 + 音频 1 段

来自官方「人物 ID 漂移」问题的解决方案：

1. 单独准备一张人脸特写图

在原有全身照之外，额外准备一张只包含角色头部的人脸特写图（大头照，仅保留面部，无表情最佳，尽量减少肩颈、背景等干扰元素）。

2. 提示词里分工写清楚

官方给的示例句式：

<主体1>的面部特征参考图片1（大头照），妆造参考图片2（全身照）。

3. 重要素材放前面

越需要精准参考的素材，放在提示词中越靠前的位置。

这是最反直觉的一条。很多人以为给模型看角色的正面、侧面、背面三视图能提高一致性，官方说恰恰相反：

人物参考使用大头照 + 全身照即可，不建议使用人物多视图。多视图素材包含同一人物的不同角度，模型易将其识别为多个不同主体，反而加剧 ID 漂移问题。

三视图还会引发「双胞胎问题」——同一画面里冒出两个一模一样的人。

官方给的做法是在人名后面标注对应参考图，格式统一：

张三（对应图片 1）将绿色存折扔向站立的李四（对应图片 2）。

再加一条全局约束（官方原文）：

视频全程禁止出现外形、着装、配饰完全一致的人物，禁止生成同款分身、双胞胎效果，同一画面中仅保留单个对应人物，不出现人物重复复刻。

人数上限：官方说参考人物超过 4 人时输出稳定性明显下降，建议分组生成——6 个人分成 2 组、每组 3 人分别出图，再用这些图合成最终视频。