从镜头到镜头，是否是同一个人的脸？

我们尚未对此进行测量，因此不作断言。我们测量过并确认稳定的是服装、发型、道具和场景。

角色如何保持服装一致？

它的主要参考照片会作为参考图像随每个附加的提示词一起发送，而它的描述则以文字形式包含在内。两者都描述了同样的夹克、靴子和波波头，模型会据此进行渲染。描述还能带来提示词未要求的内容：第 3 个镜头中的雨伞就来自描述。

为什么手提箱在某个镜头中消失了？

因为该镜头的提示词中没有包含关于它的句子。道具的一致性完全取决于每个提示词中描述它的文字，因此请将相同的句子粘贴到每个提示词中；包含该句子的第二个版本镜头中就有手提箱。

地点仍然必须是一张照片吗？

不必。我们使用的是由 Seedream 5.0 Pro 生成的静态图像。任何该地点的静态图像，无论是上传的还是生成的，都可以作为地点的参考。

我能直接将角色附加到视频模型吗？

在我们测试的模型中，效果不佳：Seedance 2.0 Fast 拒绝使用她的参考图，Seedance 1.5 Pro 无法携带参考图，而 Seedance 2.5 虽然接受了参考图，却自行构建了平台。使用图像合成器生成附加了地点的 16:9 画面，然后使用“图像动画化”功能，可以同时保留两者。

调色板是如何测量的？

每秒两帧，对每个镜头中三个色相带的饱和像素占比取平均值，并与该地点静帧的相同指标进行对比。

教程 / 影视制作

保持镜头间角色和地点的一致性

在 NOLGIA 上，一致性取决于两点：参考图像，以及每次使用相同的措辞。本指南以《Last Train》的五个镜头为例，检查哪些元素保持稳定：服装、道具、布景和色调。我们对此进行了统计。我们并未声称面孔属于同一个人，因为我们尚未对此进行测量。

11 分钟阅读
2026年9月24日

本文由英文自动翻译。阅读原文

锚点

镜头

计数

按顺序列出你制作的内容。点按任一项即可跳到对应步骤。

要点

角色由参考图像加描述组成；附加角色并在提示词中写入 @Name。地点对于场景而言也是同样的道理。道具则是一张静帧图片加一句话，粘贴到每个提示词中。
在五个镜头中，所有包含 Vale 的镜头里，画面中的每一件服装单品都保持一致，且所有六个布景元素在五个镜头中也都保持一致。手提箱严格按照提示词中的描述出现，并在未提及它的那一帧中消失；而雨伞虽然包含在 Vale 的保存描述中，却出现在一个提示词未提及它的镜头里。
在画面展示布景的地方，色调保持一致：大部分是墙壁的镜头，其绿色与静帧中的绿色相差无几；而充满火车或 Vale 的镜头则绿色较少，琥珀色或红色较多，这符合预期。
面部特征不在此列表中。这里没有任何指标衡量它，因此这里也不对其作出任何声明。

本指南中的镜头来自 Last Train，这是一部为这些指南制作的 25 秒短片，发布在公司的官方账号上。Vale 是一个保存的角色，Halcyon Street 车站是一个保存的地点，镀铬手提箱则是一张静帧图片和一句描述。每个镜头都是在图像编辑器中作为 16:9 画幅制作的，并附加了角色和地点，然后在视频编辑器中进行动画处理。其中所有人物均为虚构。

随后，我们对照清单和卷尺逐一检查镜头：每件服装、每个道具以及布景的哪些部分出现在哪个镜头中，以及画面中布景的绿色、隧道的琥珀色和夹克的红色各占多少比例。以下是统计结果，包括两处失败的情况。

常见错误

错误	失败原因	修正
在每个提示词中重新描述角色	每个提示词都是独立的请求；外套可能变成夹克，波波头可能变成马尾辫	保存带有参考图片和单一描述的角色，将其附加，并输入 @Name
在一个镜头中描述地点，然后假设其他镜头也如此	模型每次都会凭空创造一个新的站台	保存带有静态图片和一句话描述的地点，并将其附加到每个镜头
在某个提示词中遗漏道具	无论上一个镜头显示了什么，该道具在这个镜头中消失了	为每个道具写一句话，粘贴到它应该出现的每个提示词中
直接将角色发送给视频模型	一个模型拒绝照片级真实感的参考图，另一个无法承载参考图，而接受参考图的模型则会自行创造布景	首先使用附加的演员阵容制作一个 16:9 的画面，然后对其进行动画处理
信任良好的第一秒	随着片段播放，布景会重复，道具会发生位移	将镜头时长保持在 4 到 6 秒，并在画面出现偏差时进行剪辑

这里的锚点是什么

NOLGIA 上没有经过训练的特定身份。这里有三类锚点，本指南将全部使用：

一个角色，来自角色页面：最多包含八张参考照片（其中一张为主图），以及一段会随每次提示词一同发送的描述。在任一编辑器中的角色下选择它，并在提示词中输入 @Vale。编辑器会将主图放入参考槽位，并将 @Vale 重写为该槽位。
一个地点，来自地点页面：一张静帧图像和一段标准描述。在地点下选择它，静帧图像将作为参考图随该描述一同发送。
一句话，用于其他任何内容。例如镀铬箱子这个案例，就是一句话，原样粘贴到每个适用的提示词中，并为其插入镜头单独使用一张静帧图像作为参考。

Vale 的参考肖像照：铂金色波波头，樱桃红皮革飞行员夹克，白色背心，宽腿黑色牛仔裤，厚底靴，透明雨伞。 — **角色的主要参考图。** 需检查的五件服装单品和一件道具。

一个空旷的地下站台，铺着淡绿色瓷砖，有一条深绿色条纹，荧光灯管，一张钢制长椅，以及一个透着暖琥珀色光亮的隧道口。 — **地点的参考图。** 需检查的六个布景元素。

一个拉丝铬合金硬壳箱，配有黑色手柄和两个黑色锁扣。 — **道具的静帧**，及其描述：一个小型拉丝铬合金硬壳箱，配有黑色橡胶手柄和两个黑色锁扣。

Vale 的描述，如保存在角色中所示

The lead of Last Train: a woman in her early twenties with a platinum blonde sleek chin-length bob and a straight fringe, an oversized cherry-red leather bomber jacket over a white ribbed tank, wide black jeans, chunky black platform lace-up boots, a folded transparent bubble umbrella in one hand.

五个镜头

以下每个镜头最初都是帧，在图像编辑器中使用 GPT Image 2.5 Flare 制作，并附加了 Vale 和车站，然后从该帧生成动画：奔跑镜头使用 Kling v3，其他四个镜头在视频编辑器中使用 Seedance 2.5 生成。插入镜头的帧中没有角色：附加了车站，以及箱子及其描述。

Vale 沿着湿滑的站台向镜头奔跑，右手拿着铬合金箱子，左手拿着雨伞。 — **镜头 1，奔跑。** Kling v3。

Vale 经过街头艺人 Ozzy，带着铬合金箱子和雨伞；他拿着萨克斯管，目送她离开。 — **镜头 2，街头艺人。**

Vale 伸手去拉正在关闭的火车车门，火车正在驶离。 — **镜头 3，车门。**

一个铬色箱子独自立在潮湿的站台上，身后一列火车飞驰而过。 — **镜头 4，插入镜头。**

Vale 坐在钢制长椅上，气喘吁吁，随着镜头拉近露出微笑。 — **镜头 5，长椅。**

逐镜头检查：服装、道具和布景的一致性

我们以每秒两帧的速度检查了每个镜头，并核对了一份清单：五件服装（樱桃红皮夹克、白色罗纹背心、宽版黑色牛仔裤、黑色厚底靴、铂金色波波头）、两件道具（透明雨伞、铬色箱子）以及六个布景元素（浅绿色瓷砖、深绿色条纹、荧光灯管、钢制长椅、黄色标线、琥珀色隧道口）。

镜头	衣橱	雨伞	箱子	布景
1 奔跑	5/5，夹克敞开	是	是	6/6
2 街头艺人	5/5，加上 Ozzy 的防风夹克、连帽衫和萨克斯	是	是	6/6
3 车门	4/5：靴子在画面外	是，尽管此提示词中未包含	是	6/6，加上火车
4 插入镜头	无人物	否	是，来自第一帧的静帧	6/6，加上火车
5 长椅	5/5	是	否：在第 4 个镜头中放下	6/6

画面中的每一件服装单品，出现在 Vale 出镜的每一个镜头中；每一个布景元素也出现在每一个镜头中。手提箱恰好出现在提示词中描述它的位置。雨伞也出现在一个提示词未提及它的镜头中，因为 Vale 的保存描述中包含了它。

注意：差距：手提箱从第一帧 2 中消失. 我们第一版帧 2 的提示词提到了 Ozzy、长椅、萨克斯和雨伞，但没有提到手提箱。因此画面中没有手提箱，尽管她在帧 1 和帧 3 中都提着它。没有任何机制会自动为你延续道具。解决方法很平淡：在提示词中加入关于手提箱的描述，然后重新生成该帧。

帧 2 第一版：Vale 走过 Ozzy 和他的萨克斯，手中只有雨伞；没有手提箱 — 同一角色，同一地点，仅增加了一句描述。

帧 2 第二版：Vale 走过 Ozzy，右手提着银色手提箱，左手拿着雨伞 — 同一角色，同一地点，仅增加了一句描述。

注意：反向情况：提示词从未提及的道具. 这种情况也会反过来发生。第 3 帧的提示词只提到了箱子，没提到雨伞，但雨伞还是出现了，因为 Vale 保存的描述里说她手里拿着一把。角色的描述会跟随它关联的每一个镜头。

保持稳定的部分：色调

场景也是一种颜色。我们以每秒两帧的频率测量了每个镜头的每一帧：计算落在场景的绿色色带、隧道的琥珀色色带以及夹克的红色色带中的饱和像素占比，以及平均亮度。地点的静帧是参考行。

镜头	绿色	琥珀色	夹克红	亮度
地点静帧（参考）	69%	1%	0%	0.26
1 奔跑	65%	3%	3%	0.28
2 街头艺人	33%	6%	9%	0.28
3 车门	19%	12%	8%	0.25
4 插入镜头	37%	17%	0%	0.35
5 长椅	45%	13%	11%	0.28

每个镜头的像素在各色带中的占比，仅统计饱和像素，按每秒两帧的频率对其帧进行平均。场景的绿色占比从 19% 到 65% 不等，而静帧为 69%：这取决于画面中瓷砖墙面的多少。只要隧道的灯光、火车的车灯或暖色雾气进入画面，琥珀色占比就会从静帧的 1% 上升。夹克的红色占比取决于 Vale 在画面中占据的大小，并且在插入镜头中缺失，这是符合预期的。

最接近静帧的是这段连续镜头：一个沿站台延伸的广角镜头，画面大部分是墙壁。车门镜头的绿色最少，因为火车占据了画面右侧；而特写镜头最亮，因为火车的前灯从箱子后面的隧道中射出。这两种情况都不是色调漂移，而是镜头本身呈现的内容。

哪些没有保持一致，以及我们未作声明的内容

面部。 我们没有测量 Vale 的面部在不同镜头之间是否属于同一个人，因此本指南不声称这一点。上述统计涵盖的是服装、发型和道具。
缺少上下文的道具。 第一个镜头的第 2 帧中缺少箱子，因为该帧的提示词中没有包含关于它的描述。
来自描述的道具。 第 3 个镜头中出现了雨伞，尽管提示词中未提及，因为 Vale 的保存描述中将其握在手中。请围绕描述编写镜头，或明确说明每只手拿着什么。
每个镜头只拍一次。 这五个镜头都不需要重拍。但在另一次生成中，道具仍可能发生位移或淡入，因此请以全尺寸检查每个镜头。

Vale 坐在有柱子的站台长椅上，此画面未附加任何参考帧或地点。 — **为何先定帧。** 直接附加到 Seedance 2.5 而不带帧时，Vale 出现在一个模型凭空生成的平台上：有柱子，没有绿色条纹，没有琥珀色隧道。Seedance 2.0 Fast 拒绝了她的参考图，而 Seedance 1.5 Pro 无法承载参考图。附带地点的 16:9 帧能保留场景；直接路径则不行。

哪种锚点适合哪种任务

你想保持一致的内容	使用	此处保留的内容
角色在多个镜头中的服装和发型	一个角色，已附加，在提示词中使用 @Name	画面中的每个物品，在包含她的 4 个镜头中的 4 个里都一致（有一个镜头中靴子不在画面内）
地点在多个镜头中的一致性	一个地点，已附加	5 个镜头中的 6 个元素；场景的绿色在每个镜头中都存在，其占比随画面中墙壁多少而变化
道具在多个镜头中的一致性	每个提示词中的一句话，以及静态插入镜头中包含该道具的帧	在提及该句子的地方均存在，在唯一未提及的帧中缺失
同一镜头中的两个人	两人均在演员阵容中，按顺序排列，在提示词中使用 @ 命名	Vale 和 Ozzy，镜头 2
面部特征	此处未测量	未声明

成本是多少

保存角色或地点不花费任何积分。单帧按图片计费，镜头按模型和时长计费。这五个镜头所用模型的实时费率如下：

GPT Image 2.5 FlareEvery plan
Per image
Native 8 积分 · 2K 21 积分 · 4K 58 积分
Kling v3Pro and up
Per 5s clip (audio on by default)
720p 35 积分 · 1080p 47 积分 · 4K 117 积分
Seedance 2.5Pro and up
Per 5s clip
480p 26 积分 · 720p 56 积分 · 1080p 137 积分
1080p renders at 16:9 and 9:16
Seedream 5.0 ProEvery plan
Per image
1K 5 积分 · 2K 9 积分

页面加载时从目录实时读取。所有价格都会在生成前显示。查看所有费率.

检查清单

每个反复出现的角色对应一个条目，保存一张主参考图和一段描述。
每个地点对应一个条目，保存一张静帧和一句话。
每个道具对应一句话，出现在所有需要展示该道具的提示词中。
以 16:9 比例生成帧，并关联演员阵容和地点；从这些帧生成动画镜头。
在剪辑前以全尺寸对照清单检查每个镜头；发现遗漏只需重做一条提示词，无需重做整部影片。

亲自尝试

将下方的人像保存为角色参考图，将车站保存为地点参考图，在图片生成器中以 16:9 比例关联两者，并使用短片指南中第 1 帧的提示词。然后自行统计：五个服装单品、两个道具、六个场景元素，逐镜头检查。

锚点

Vale，参考人像WebP 图片 · 1536x2048 · 238 KB下载
Halcyon Street 车站，参考静帧WebP 图片 · 1536x864 · 114 KB下载
镀铬箱子，道具静帧WebP 图片 · 1280x1280 · 56 KB下载

常见问题

从镜头到镜头，是否是同一个人的脸？: 我们尚未对此进行测量，因此不作断言。我们测量过并确认稳定的是服装、发型、道具和场景。
角色如何保持服装一致？: 它的主要参考照片会作为参考图像随每个附加的提示词一起发送，而它的描述则以文字形式包含在内。两者都描述了同样的夹克、靴子和波波头，模型会据此进行渲染。描述还能带来提示词未要求的内容：第 3 个镜头中的雨伞就来自描述。
为什么手提箱在某个镜头中消失了？: 因为该镜头的提示词中没有包含关于它的句子。道具的一致性完全取决于每个提示词中描述它的文字，因此请将相同的句子粘贴到每个提示词中；包含该句子的第二个版本镜头中就有手提箱。
地点仍然必须是一张照片吗？: 不必。我们使用的是由 Seedream 5.0 Pro 生成的静态图像。任何该地点的静态图像，无论是上传的还是生成的，都可以作为地点的参考。
我能直接将角色附加到视频模型吗？: 在我们测试的模型中，效果不佳：Seedance 2.0 Fast 拒绝使用她的参考图，Seedance 1.5 Pro 无法携带参考图，而 Seedance 2.5 虽然接受了参考图，却自行构建了平台。使用图像合成器生成附加了地点的 16:9 画面，然后使用“图像动画化”功能，可以同时保留两者。
调色板是如何测量的？: 每秒两帧，对每个镜头中三个色相带的饱和像素占比取平均值，并与该地点静帧的相同指标进行对比。