LiblibAI连续生成人物时长相总变怎么办？按参考图、特征词和种子排查

LiblibAI连续生成人物时长相总变，先不要同时改模型、提示词和参数。应选定一张清晰的身份基准图，把脸型、发型、眼睛和标志配饰写成固定特征，再锁定模型与基础参数进行同批复跑。只有场景或动作作为可变项，才能定位人物漂移来自哪里。

官方地址：https://www.liblib.art/

人物长相为什么会不断变化

生成模型并不是在调用一个固定角色档案，而是根据模型、提示词、参考图和随机过程重新组合画面。提示词只写“年轻女性、黑色长发”时，符合描述的人物可能有很多种；当模型、构图、镜头距离或光线同时变化，脸型与五官更容易漂移。

根据当前官方教程，生成界面涉及模型、文生图或图生图、正负向提示词、采样、迭代、宽高和图片数量等要素。排查的关键不是把所有参数调高，而是先固定大部分要素，每次只测试一个变量。

第一步：建立人物身份基准

从现有候选中选一张正面或四分之三侧面图作为基准。人物面部应清晰，没有大面积遮挡，光线不过暗，也不要使用强烈广角或夸张表情。参考图本身如果看不清眼睛、脸部轮廓或发际线，后续结果就很难稳定。

基准图只负责定义身份，不要同时承担复杂姿势、服装和场景参考。若项目需要固定服装，可把服装作为独立参考或固定描述，避免模型把背景元素误认成人物特征。

第二步：把提示词分成固定项和可变项

官方教程把提示词拆为人物主体特征、场景特点、画面风格和质量标准。实际排查时也应采用这种分组方式。固定身份词放在独立段落中，换场景时只替换动作、背景与镜头词，避免误删关键五官描述。

第三步：检查参考图是否在帮倒忙

• 视角过偏：只有大侧脸时，正面五官信息不足；
• 脸部太小：全身图中人物占比过低，身份特征容易被环境淹没；
• 遮挡太多：刘海、墨镜、手部或强阴影遮住关键区域；
• 多张互相冲突：不同参考图里的发型、眼睛颜色或年龄观感不一致；
• 背景过强：模型重复了车站或室内光线，却没有稳定人物身份。

可以先用同一场景测试一张正面参考图，再增加侧面图。如果加入第二张图后身份反而更乱，说明两张图的特征可能冲突，应回到单图基线重新确认。

第四步：固定模型与基础参数

模型决定人物审美、画风和结构倾向。排查过程中更换模型，相当于同时更换了生成基础，很难判断问题来自提示词还是模型。应先固定一个适合当前风格的模型，同时记录采样方式、迭代、宽高和图片数量。

画幅也会影响人物占比和镜头。横图切成竖图时，模型可能主动改变构图与姿态。想比较身份一致性，应先在相同画幅中复跑；确定人物稳定后，再单独测试新的画幅。

第五步：正确理解随机种子的作用

保存种子有助于在相同模型、提示词和参数下回到相近生成条件，但它不是跨模型、跨工作流的身份锁。模型版本、参考资源或处理流程变化后，即使种子相同，结果也可能明显不同。

因此要保存的是一整套记录：模型名称与版本、参考图、正向和负向提示词、种子、采样、迭代、宽高与生成数量。只记一个种子，后续仍然难以复现。

第六步：用批次对照找出漂移项

每轮生成同等数量的候选，把脸型、发型、眼睛和标志配饰分别标记为通过或漂移。若所有候选都在发型上出错，优先调整发型描述或参考图；若只有远景中的脸型漂移，则问题更可能来自人物占比和镜头距离。

1. 先运行“基准图＋固定身份词＋固定场景”；
2. 结果稳定后，只改变一个动作词；
3. 再次稳定后，只改变场景或光线；
4. 每一步保留同样的候选数量，记录通过率；
5. 一旦漂移增加，回退到上一组设置检查新增变量。

第七步：按任务设定合理的一致性标准

连续人物图不必追求逐像素相同，但关键身份特征必须让读者一眼认出是同一个人。可以将“脸型、发际线、眼睛颜色、标志配饰保持一致”设为硬条件，把表情、发丝走向和轻微光影变化设为可接受变化。

如果是儿童绘本、分镜或品牌角色，还要检查年龄观感、身材比例、服装结构和综合色。单张可用不代表系列可用，应以整批通过率和人工返工量决定是否进入正式制作。

仍然不稳定时怎么继续排查

先把复杂场景改成纯色或简单背景，缩短动作描述，并让人物在画面中占更高比例。若简单条件下稳定，说明问题主要来自场景、镜头或姿势；如果仍不稳定，应重新选择更清晰的身份参考，或者测试更适合人物一致性的模型与工作流。

使用特定模型或社区资源时，还应查看当前资源说明和使用条件。平台功能、资源版本与入口可能更新，正式制作前以官方页面显示为准。

结论

LiblibAI连续生成人物时长相变化，最有效的处理顺序是：建立清晰基准图，拆分固定身份词与可变场景词，固定模型、画幅和参数，保存完整生成记录，再用等量候选做单变量对照。种子只是记录的一部分，真正可用的一致性要靠关键特征通过率和跨场景复跑共同判断。