Консистентность персонажа в AI-видео: самая сложная техническая проблема
Лицо персонажа может измениться 3 раза в 3 кадрах с одним и тем же промптом. Почему AI-видео 'плывёт' и как процесс с зафиксированным референсом это останавливает.
Консистентность персонажа - удержание одинакового лица, тела и костюма узнаваемыми в каждом кадре - главная нерешённая техническая проблема в генерации AI-видео сегодня. Каждая генерация - независимый вероятностный акт без памяти о предыдущей, поэтому персонаж, описанный одним и тем же промптом дважды, может вернуться как два разных человека. Без фикса ролик из 30 кадров способен показать 5-10 разных лиц вместо одного артиста.
Почему лицо персонажа меняется между кадрами AI-видео?
У text-to-video и image-to-video моделей нет устойчивого состояния между вызовами. Промпт "женщина с тёмными волосами в кожаной куртке" описывает категорию, а не конкретного человека - модель каждый раз заново выбирает правдоподобный вариант из этой категории. Перегенерировав один и тот же промпт десять раз, получаешь десять разных лиц, каждое технически корректное, но ни одно не совпадает с предыдущим. Эта случайность делает модели хороши в разнообразии и плохи в преемственности - а видео требует именно преемственности.
Что такое зафиксированный референс и почему он останавливает "расплывание"?
Зафиксированный референс - это одно конкретное сгенерированное изображение: лицо, тело, костюм, - выбранное и замороженное как единственный источник правды для проекта. Каждый следующий кадр подаёт это изображение обратно в генератор как входной референс, поэтому инструкция меняется с "сгенерируй женщину" на "сгенерируй именно эту женщину, под новым углом, в новой обстановке". На пятимировом клипе AI69 "Alive Tonight" для AGA BORYN референс-лист зафиксировал лицо и тело артистки плюс отдельный референс на каждый из пяти костюмов - ещё до генерации первого нарративного кадра.
Сама по себе фиксация референса не устраняет расплывание - она даёт супервайзеру конкретную точку сравнения для каждого результата. Без такого якоря вопрос "выглядит ли это правильно" - субъективная догадка. С якорем это сравнение бок о бок, а именно оно делает возможным следующий шаг - перегенерацию и отбор - в промышленном масштабе.
Сколько перегенераций нужно, чтобы удержать одно лицо стабильным?
На продакшне AI69 среднего тира одному кадру обычно требуется 3-8 перегенераций, прежде чем один вариант проходит проверку против зафиксированного референса. Число растёт вместе со сложностью ракурса: средний план анфас близко к углу референса проходит быстрее, а нижний ракурс, крупный план или кадр персонажа в движении требуют больше попыток, потому что модель экстраполирует дальше от точки, на которую была "заякорена". Нарративное видео на пять миров может дойти до 200+ генераций суммарно по всем кадрам - и основная часть этого числа приходится именно на работу над консистентностью, а не на творческий поиск.
Решает ли проблему более крупная и дорогая модель сама по себе?
Ни одна модель не решает эту задачу простым масштабированием. Разные генераторы держат консистентность персонажа по-разному: одни хорошо удерживают лицо при небольших движениях камеры, но "плывут" при полной смене ракурса, другие держат идентичность, но теряют детали костюма - текстуру ткани, расположение узора. Продакшн-пайплайны, которым нужна надёжность, комбинируют модели: пакеты Cinematic и Signature в AI69 задействуют Seedance 2.0, Veo 3, Omni и Kling 2.5 именно потому, что ни один стек не выигрывает на всех типах кадров сразу. Выбор нужной модели под конкретный кадр, а не под проект целиком, - часть той работы, для которой и строится карточка персонажа (character bible).
Что "ломается" первым: лицо, тело или костюм?
Идентичность лица - самый защищаемый элемент и первое, что проверяет пайплайн с зафиксированным референсом, потому что зритель мгновенно замечает неправильное лицо. Детали костюма - самый хрупкий элемент: конкретный узор, логотип, текстура ткани могут "поплыть" между кадрами даже при совпадающих лице и теле, особенно при смене ракурса или света. Пропорции тела где-то посередине: обычно стабильны на похожей дистанции от камеры, но склонны к искажениям на экстремальной перспективе - нижнем героическом ракурсе или съёмке с воздуха. Знание, какой элемент слабее всего для конкретного типа кадра, подсказывает супервайзеру, куда смотреть в первую очередь при проверке, вместо разглядывания всего кадра целиком каждый раз.
Как продакшн-команда оценивает кадр перед сдачей?
Каждый кандидат на генерацию проверяется по трём вопросам: совпадает ли лицо с зафиксированным референсом, читается ли движение как физически осмысленное, а не как глитч, и держит ли костюм текстуру и силуэт. Дубль, не прошедший хотя бы один из трёх пунктов, возвращается в очередь на перегенерацию, а не сдаётся с замаскированным на постпродакшне дефектом. Именно эта трёхпунктовая проверка, повторённая 3-8 раз на кадр в рамках 20-50 кадров ролика, - реальная работа за видео, которое выглядит как один непрерывный мир, а не слайд-шоу из почти совпадающих кусков.