AI漫剧古风人物素材包+提示词｜200 套古代言情三… | 入门到实操的完整思路
站内精选
核心结论
做AI漫剧古风角色，最怕人物脸型漂移和服饰不统一。我用了两个月包含200套古代言情三视图的素材体系后确认：真正让制作提效的不是提示词数量，而是把三视图作为基准图固定角色特征。这套方法适合漫剧运营、短剧编导和AI绘画创作者参考，按素材库+结构化提示词的流程操作，一次搭建能长期复用。
为什么AI漫剧古风人物总做不出统一感
做AI漫剧的人几乎都遇到过同一个问题：同一个角色上一帧还是瓜子脸，下一帧就变成圆脸；刚才的裙子是浅蓝色，转头就变成青绿色。很多运营人员在尝试过单张抽卡、局部重绘之后，仍然觉得角色一致性难以解决。
我在大量实操过程中发现，出现这些问题的核心原因并不是模型能力不足，而是缺少一套用于锁定角色特征的基准素材。单靠零散的提示词去描述五官、发型、服装，每次生成都会出现随机漂移。而使用古风人物三视图（正面、侧面、背面）作为参考图，相当于给角色立了一个视觉锚点，AI在后续生成时就有了统一的参照依据。
这类需求在短视频平台上的热度上升得很快。以我关注的某套包含200套古代言情风格三视图的素材体系为例，站内浏览数据在较短时间内已经积累了不少，说明做AI漫剧的人对三视图素材的需求是真实存在的。
核心方法：用三视图素材解决角色一致性的真正做法
我在实际使用中总结出以下几条方法，适合直接复制到工作流中执行。
- 把三视图当作基准图，而不是普通风格参考。在生成漫剧分镜之前，先把主角的三视图导入图生图模块，用局部重绘配合提示词微调表情和动作。这里的关键是：画面的构图可以变，但面部和服装区域尽量不重绘，只改肢体动作。
- 为每个角色建立独立的提示词模板。很多人忽略这一点，给所有角色共用一套风格提示词。我建议把每个角色的三视图素材对应一个固定提示词组，包含脸型、眉形、眼型、发冠、领口样式、袖型、腰带形态等细节，这样能避免提示词互相污染。
- 用三视图做分层控制，而不是一次生成整张图。AI漫剧的制作周期通常很紧，如果每次都从头生成人物，一个小时可能只出几张能用的图。正确做法是：先在空白背景中生成角色三视图，再通过局部重绘或图像合成把角色放进具体场景里。
- 建立“服装变体”规则。古装剧里角色通常会换装，但直接换装会导致角色辨识度下降。我常用的做法定位是：发型和五官保持不变，只修改服装颜色与花纹的描述词。这样既能满足剧情换装需要，又不会让人觉得换了一个人。
- 把提示词按模块拆开保存。把人物描述、服装描述、场景描述、镜头描述分别存成独立片段，用时按需组合。这个方法让我在实操中每次出图时间缩短了接近一半。
很多人容易忽略：三视图的价值不在于画得多精致，而在于让AI记住“这个人长什么样”。我在实践中确认，只要在每次出图时把三视图固定为参考图，角色的五官漂移问题就能大幅减少。
具体实操步骤：从素材准备到成片分镜
下面给出一套我自己一直在用的执行流程，按步骤操作即可。
- 整理角色素材包。把三视图素材按“主角-配角-龙套”分类，每个角色单独建文件夹。文件名建议直接用角色名，方便后续调用。
- 写角色特征描述。基于三视图，把五官、发型、发饰、服装里外三层（里衣、中衣、外衫）、腰带、配饰逐条写成描述词。这一步花的时间最长，但直接决定后面的出图稳定性。
- 生成第一批验证图。用每个角色的三视图+提示词各出3到5张半身像，检查五官是否一致。如果出现差异，就在提示词里把差异部分描述得更具体，比如“柳叶眉”“细长丹凤眼”这类具象词。
- 根据剧情场景调整光影和氛围。古风场景经常涉及夜晚、雨天、室内烛光等环境。如果在提示词里单独加一个lighting模块，比如“月光下的冷色调”“烛光的暖黄色侧逆光”，就不会影响前面的人物特征描述。
- 按分镜表批量生成。用写好的分镜脚本逐条生成画面。每张图生成后，先看角色脸部是否和三视图一致，不一致的图直接标记重做，不要在这张图上浪费时间修复。
- 剪辑前统一尺寸和分辨率。AI漫剧对画质要求较高，输出图片时尽量统一使用竖屏比例，避免后期裁切损失角色关键部位。
整套流程走下来，从开始整理素材到产出第一集分镜，我大概花了不到一天时间。速度提升的关键在于前期把素材和提示词标准化了，后面基本是重复调用。
避坑要点：这些高频失误会让你白忙一场
在使用三视图素材和提示词的过程中，我踩过不少坑。有些经验写下来，可能能帮你节省大量时间。
- 不要直接用三视图原图做垫图。三视图里同一角色会出现三次，直接喂给AI会让它误以为画面中有三个人。正确做法是：先裁出正面图作为主要参考，或者用局部重绘的方式保留正面特征。
- 提示词不要一次写满整屏。加太多形容词会导致AI注意力分散。我测试后发现，单条提示词保持在60到100个词语之间，效果相对稳定。
- 不要忽视负面提示词。AI漫剧古风人物常见的问题包括：多余的飘带、错误的发冠方向、裙摆穿模、手指多指。
，内容基于实际经验整理。