随手记：给 AI 视频喂一张定妆照，第二条短片终于连戏了

最近在搞一条连载的小短片，主角是我自己画的一只橘狐，戴圆框眼镜、穿深蓝卫衣。第一条片出来挺满意，第二条片开头我就愣住：耳尖变棕了，脚也变棕了，画风还从扁平变成了带笔触的厚涂。描述几乎没改，只是把站着改成坐下挥手。

查了一圈才明白问题不在视频内部。一条五秒片是一次生成，按每秒一帧抽帧看，一百五十一帧里是同一个个体。变的是第二次生成：两次请求之间没有共享记忆，提示词没写的那些细节，耳尖什么颜色、脚什么颜色、什么画风，模型每次现场决定一次。

解法朴素得有点反高潮：给它一张定妆照。阿里云百炼命令行里有条子命令叫 bl video ref，干的事就是把参考图钉进生成请求。定妆照我也用命令行现拍：

bl image generate --prompt "扁平矢量插画风格的角色设定图。一只橘色小狐狸，正面全身站姿，戴黑色圆框眼镜，穿深蓝色连帽卫衣，尾巴尖端是白色。纯白色背景，画面中没有任何文字，角色居中完整不裁切。" --size "1024*1024" --watermark false --out-dir . --out-prefix castA

一分钟出头回图，对着核五项特征：橘色、圆框眼镜、深蓝卫衣、白尾尖、全身不裁切，全中才拿去用。然后一条 bl video ref，prompt 里写 Image 1 坐在草地上朝镜头挥手，等一到三分钟回片（命令行横幅说五到十分钟，实测比这快）。回片九百六十乘九百六十，右下角自带"AI 生成"角标，还自带一条环境音轨。

为了确认不是心理作用，我做了个对照：同一段描述同一段动作，一臂不给参考图、一臂给，各拍两个镜头，抽帧拼成一张图看。不给参考图那一臂，两个镜头确实是同一只狐狸，但是只棕耳尖厚涂狐；给参考图那一臂，两个镜头都是我画的那只。两臂都连戏，区别在连的是谁。参考图管的不是"别变"，是"变成你指定的那一个"。

顺手又试了两件事。一是两张参考图一起传，狐狸加一个浅灰机器人并排挥手，抽三帧看，白尾尖和青色指示灯各守各的，没串味。二是配音：语音合成一条二十九字的自我介绍，音色从平台预置列表挑了 longanhuan_v3，用 --image-voice 按位置配给第一张图，回片里口型真的跟着张合。配音我只用预置音色，不碰克隆真人声音，这条线不值得为一条五秒片越。

几个顺手记下的坑：忘了传参考图不会白跑，客户端直接退出码 2 拦下；不传画幅参数时输出画幅跟参考图走，单张方图出方幅、两张方图出横幅，要竖屏得显式传；帮助里分辨率只列 720P 和 1080P，但我试 480P 服务端也接受，回了六百四十乘六百四十，批量跑可以省一点，只是它不在文档明列范围。

还有一条小习惯：回片之后先抽帧再看片。五帧拼成一行，比盯着视频来回拖进度条快得多，也更不容易自我说服。眼睛在并排的格子里挑差异，比在时间轴上挑差异诚实。

中间还有两段弯路，记下来给做对照的人省时间。我一开始让视觉模型逐帧回答五个特征在不在，结果它把转身时尾巴被身体挡住记成了"特征没了"，给参考图那一臂反而扣分，清单作废。第二版算每帧的配色占比，结果第二个镜头的米白背景没被白底阈值滤掉，度量抓的是背景不是角色，也作废。最后就是拼一张对照图用眼睛看，判据只挑提示词没写的那几项：耳尖、脚、抽绳、画风。笨，但骗不了人。

抽帧用的是 ffmpeg 每秒一帧，五秒片五帧，开头中段结尾都看得到，够抓换脸。定妆照那两步也记一下耗时：第一条六十二秒、第二条四十五秒；配音那条台词二十九个字，合成出来一百一十 KB 出头。这些数字都不重要，重要的是它们都能复跑：同一张图、同一段脚本，跑第十条片和跑第一条片是同一个动作，所以我把定妆照按"角色加版本"命名放在脚本旁边，第四集还会复用第一集那张。

感受是：这套东西适合"角色要认得回来"的活，连载、带货系列、固定吉祥物都行，角色资产就是一张本地 PNG，放仓库里按版本命名，第四集复用第一集那张。要电影级运镜或者十几个人同场调度，现在还不行，多主体交互的稳定性各家都承认在爬坡。偶尔玩一次的话网页入口更省事，命令行的好处是可重复。

入口照旧：CLI 安装页装命令行，控制台密钥管理页领 Key。第二条短片这次连戏了，记一笔。