角色运动是 AI 视频里最容易翻车的环节。脸在帧与帧之间闪烁，手指莫名增生，走路循环要么滑步要么抽搐，你精心设计的角色两秒后就变成了”远房表亲”。解决办法不是再堆一个形容词，而是一套纪律：一片只做一个运动、锁死镜头、用同一张参考图驱动所有镜头、再加一道狠下心的取舍。本文给你确切的工具、Prompt、成本和验收清单，数据核对至 2026 年 6 月。
一句话总结
- 永远从参考图开始，用图转视频，绝不用纯文本转视频。Runway Gen-4 用一张参考图就能跨镜头稳住角色身份；Veo 3.1 最多接受三张参考图。
- 一片一个运动，3-5 秒：走路、转头、坐下、伸手。绝不把多个运动拼在一起，也不要在角色运动上再叠镜头运动。
- 每条 Prompt 都锁镜头（
fixed camera, no pan, no zoom, no dolly），否则工具会自动加推拉，把漂移叠加放大。 - 批量出 + 狠丢：大约每 5-8 条才出 1 条能用，按每镜头 6-10 次预算。
- 拼接幸存者：在 DaVinci Resolve / CapCut / Premiere 里拼，切点藏在转头或遮挡处，全片套同一个 LUT。
这篇适合谁看
独立动画、漫画与故事创作者、短片制作者，以及任何要做角色驱动 AI 视频、且需要让人物在画面里动起来又保持”还是同一个人”的人。
有两类活儿不适合这套流程：复杂的多角色动作（两人及以上的物理互动仍会崩），以及对既有音频的精确对口型。对话场景请先在这里出画面，再用专门的对口型模型加嘴部动作（见 FAQ）。
选哪个工具（2026 年 6 月）
Sora 消费端 App 已于 2026 年 4 月 26 日关停，对多数创作者来说不再是现实选项。当前做角色图转视频的主力阵容：
| 工具 | 模型（2026 年 6 月） | 角色参考 | 图转视频成本 | 入门价 |
|---|---|---|---|---|
| Runway | Gen-4 / Gen-4.5 / Gen-4 Turbo | 单张参考图，身份保持约 95% | Turbo 5 credits/秒，Gen-4 与 4.5 12 credits/秒 | Standard 年付 $12/月（月付 $15），每月 625 credits |
| Kling | Kling 2.5 / 2.6 | 参考图 + 起始帧 | Kling 2.5 Pro 1080p 5 秒约 210 credits | Standard 约 $6.99/月，Pro $25.99/月 |
| Luma Dream Machine | Ray 3（DM 2.0） | 角色参考 | 原生 1080p，约为 Ray 2 的三分之一成本 | 有免费档；付费档起步低 |
| Google Veo 3.1 | Veo 3.1 | 最多 3 张参考图，自带同步音频 | 通过 Gemini App / Flow / Vids | Google AI Pro $19.99/月 |
实操默认：先用 Runway Gen-4 Turbo 迭代（5 credits/秒便宜到可以暴力跑），找到能用的构图和 Prompt，再把最好的两三个镜头用 Gen-4.5 重出做主镜头。需要同步音频、或想从多个角度稳住身份时，再上 Veo 3.1。
第一步 - 做角色参考图
用 Midjourney、FLUX 或 Nano Banana（Gemini 2.5 Flash Image）出一张正面、自然光、中景（腰部以上）的角色图，分辨率 1024×1024 或更高。把方括号占位替换成你的真实描述。
[角色描述：年龄 / 性别 / 穿着 / 发色 / 独特特征], neutral expression, looking at camera, medium shot from waist up, soft window light from camera-left, plain light gray studio background, sharp focus on face, 35mm lens, photo-realistic, 9:16保存为 character_ref_v1.jpg，项目里所有片段都用这一张做图转视频的输入。复用同一张参考图正是脸保持一致的关键；每个镜头换一张新参考图，是身份漂移的头号原因。
第二步 - 一片只做一个运动
每个镜头里，图转视频的输入是参考图，文本是下面其中一条 Prompt。这四个运动在当前所有主流模型上都最稳，记住只保留一个运动。
侧角度走过画面（3 秒）：
character walks from left edge to right edge of frame, natural side-profile gait, one full stride per second (3 strides total), fixed camera, no zoom, no pan, character maintains identical face and clothing throughout, soft window light, plain background, 24fps, 3 seconds转头看镜头（2 秒）：
character starts facing 3/4 right, slowly turns head toward camera, eyes meet lens at 1.5s, subtle smile, eyebrow micro-lift, no body movement, fixed camera, 2 seconds坐下到椅子（4 秒）：
character is standing, looks down at chair, lowers body smoothly into seated posture, hands settle on knees, single fluid motion, no glitching limbs, fixed camera at chest height, side angle, 4 seconds伸手拿物（3 秒）：
character extends right arm forward and slightly down to pick up a small object from desk, fingers close around object, brings hand back to neutral, no other body movement, fixed close-up on torso and arm, 3 seconds第三步 - 用图转视频，不要纯文本转视频
纯文本转视频没有东西可以把脸锚住，身份必然乱飘。永远喂参考图。各家入口：
- Runway：左侧栏
Generate→ 选 Gen-4（或 Gen-4 Turbo）→ 在图像输入处上传参考图 - Kling：首页
Image to Video标签 → 上传参考图，选 Kling 2.5 或 2.6 - Luma：generate 页 → 在 Dream Machine 里把参考图设为起始帧
- Veo 3.1（Gemini / Flow）：把参考图作为 ingredient 加入，再写运动 Prompt
第四步 - 锁定镜头
每条 Prompt 强制写入以下任一句：
fixed camera, no pan, no zoom, no dolly
locked-off tripod shot, no camera movement
static wide shot, camera stationary不写这句，模型会默认给一个 Ken Burns 推拉。这种镜头漂移会叠加在你的角色运动之上，变成 double drift：背景在滑，人物也在飘。同一时间只允许一个运动来源。
第五步 - 片长控制在 3-5 秒
身份在几秒内保持得不错，之后开始劣化。各工具默认时长：
- Runway Gen-4 / Gen-4.5：基础 5 秒，可延长（角色镜头别延，超过约 10 秒身份会飘）
- Kling 2.5 / 2.6：5 秒或 10 秒（角色镜头选 5 秒）
- Luma Ray 3：5 秒
- Veo 3.1：约 8 秒一段
要更长的节拍？出几段 5 秒再拼，切点藏在转头或遮挡瞬间——那里有点小跳变也看不出来。
第六步 - 批量生成，接受低命中率
每个运动用同一张参考图、同一条 Prompt 重跑 6-10 次。按大约 5-8 条出 1 条能用来规划。各家每片成本（2026 年 6 月）：
- Runway Gen-4 Turbo：5 credits/秒 → 5 秒约 25 credits（按 $0.01/credit 加购价 ≈ $0.25）
- Runway Gen-4.5：12 credits/秒 → 5 秒约 60 credits（≈ $0.60）
- Kling 2.5 Pro：1080p 5 秒约 210 credits
也就是说，一个主镜头跑 8 次 Gen-4.5 大约 480 credits，预期出 1-2 条能用。先用 Turbo 迭代出构图和 Prompt，再把贵的 credits 只花在最终一轮。
第七步 - 每片都过验收清单
每生成一片，立刻过这 5 条。任何一条不过就丢，别想着救一个已经崩的镜头。
☐ 角色脸是参考图里那张脸（不是远房表亲）
☐ 衣服 / 发色 / 独特特征整片不变
☐ 手指数量正确，肢体没穿模到身体
☐ 步态自然（不是滑步或抽搐）
☐ 全片单一运动（没有"走着突然变成跑"）第八步 - 拼成最终成片
选出每段运动的最佳幸存者，拖进 DaVinci Resolve、CapCut 或 Premiere：
- 切点放在转头或遮挡前的最后一帧，让接缝被藏住
- 段与段之间加 2-3 帧 cross-dissolve，化解微小的颜色跳变
- 全片套同一个 LUT，让分别生成的片段看起来像同一次拍摄
关于单片漂移的更多内容，见 AI 视频运动漂移修法 和更全面的 图转视频工作流。
容易踩的坑
- 长片里塞复杂运动：片越长越乱，漂移就越赢。缩短、简化。
- 镜头动和角色动一起来：运动来源只留一个。
- 远景里要面部表情：模型远处脸做不好，表情留给中景和近景。
- 不给参考图：纯文本角色运动难太多，几乎稳不住身份。
- 把片段延长到 10 秒以上：“延长”按钮很方便，也会把你的角色飘掉。改成拼接。
进阶技巧
- 同一角色的每一片都喂同一张参考图，这一张文件就是整个项目的身份锚点。
- 侧角度行走比正面或背面行走漂得少，因为模型要处理的肢体交叉歧义更少。
- 多角度场景里，Veo 3.1 支持同一角色最多三张参考图，能帮模型补出单张正面图覆盖不到的角度。
- 对话场景先出干净画面，再用对口型模型加嘴部动作，别让视频模型从零硬对口型。
FAQ
能一次生成 30 秒的角色独白吗？ 不稳定。身份和嘴型都会在 30 秒之前明显劣化。出 5 秒一段，再用切点把接缝藏在转头或停顿处拼起来。
哪个工具角色一致性最好？ 单张参考图的情况下，Runway Gen-4 在独立测试里身份保持最好（单参考图约 95% 一致性）。如果你有多角度参考图，Veo 3.1 最多三张的输入能给模型更多依据。
对口型怎么办？ 原生视频生成很少能精确对上既有音频。先在这里出画面，再过一个专门的对口型模型：Hedra 的 Character-3 在”说话照片”真实感上很强，Sync.so 在把对白对到既有素材上最准。如果你在生成阶段就写好对白，Veo 3.1 也能原生生成同步音频。
角色为什么片中途换衣服？
几乎都是这几个原因：片太长、参考图缺失或分辨率太低、Prompt 没把服装钉死。把片长控制在 5 秒以内，用 1024px 以上的参考图，并在 Prompt 里加 maintains identical clothing throughout。
Sora 还能用吗？ Sora 消费端 App 已于 2026 年 4 月 26 日关停。API 运行到 2026 年 9 月 24 日，但对动手的创作者来说，现实选择已经是 Runway、Kling、Luma 和 Veo 3.1。