Одинаковый персонаж в нейросети получается благодаря процессу, а не хитрому промпту. Сначала героя разрабатывают в статичных кадрах и собирают лист референсов. Эти референсы подаются в каждую генерацию картинки и видео, одежда и свет фиксируются, а шоты планируются так, чтобы не просить у модели того, что она делает плохо. Перед сдачей каждый шот сверяют с листом.
Почему персонаж «плывёт» от кадра к кадру?
- У модели нет памяти. Каждая генерация начинается заново. Модель не знает, что сделала минуту назад.
- Слова описывают тип. «Женщина за тридцать, тёмное каре, зелёное пальто» подходит миллионам людей, и каждый раз модель выбирает нового.
- Новый ракурс модель угадывает. Если она видела лицо только анфас, профиль будет выдуман.
- Мелкое лицо теряет детали. На общем плане лицо занимает несколько десятков пикселей, и черты усредняются до кого-то типового.
- Движение размывает внешность. Внутри клипа лицо поворачивается, чем-то закрывается, появляется снова и возвращается уже немного другим.
- Свет и стиль меняют человека. Тёплый вечерний свет или другая цветокоррекция сдвигают видимый возраст и тон кожи.
- Ошибки накапливаются. Если следующий клип начинать с последнего кадра предыдущего, каждая мелкая неточность передаётся дальше по цепочке.
Как получить одинакового персонажа в нейросети: сначала статика
- Разработайте один главный портрет. Дорабатывайте один статичный кадр, пока лицо не станет таким, как нужно. Дешевле всего передумать именно здесь.
- Соберите лист референсов на основе этого портрета. Что в него входит, описано в следующем разделе.
- Сделайте статичный ключевой кадр для каждого шота. Все двадцать, с листом в качестве референса, в нужной локации, одежде и свете.
- Утвердите кадры как набор. Разложите их рядом и исправьте те, что выбиваются.
- Оживите каждый ключевой кадр в режиме image-to-video. Там, где модель это позволяет, добавьте референсы персонажа.
- Монтаж, цветокоррекция, проверка.
Логика простая. Видеомодели, которая стартует с кадра, где герой уже правильный, нужно лишь продержать его правильным несколько секунд. Видеомодели, которая стартует с текста, приходится придумывать его заново. Тот же порядок работы мы описывали в статьях о том, как делают AI-рилсы и как делать рилсы с помощью ИИ по шагам.
Что входит в лист референсов персонажа?
- голова анфас, в три четверти и в профиль, причём с обеих сторон, если есть асимметрия (пробор, родинка, шрам)
- фигура в полный рост для пропорций и вид со спины
- от четырёх до шести выражений: спокойное, улыбка с зубами, речь, удивление, сосредоточенность
- руки, если они попадут на крупный план
- каждый комплект одежды с точными цветами и все аксессуары
- нейтральный ровный свет и простой фон, чтобы в референсы не «запеклось» настроение
- короткое текстовое описание: возраст, телосложение, особые приметы и то, что не меняется никогда
- номер версии, потому что утверждённый лист может быть только один
Какие инструменты поддерживают референсы персонажа в сентябре 2026 года?
Референсные изображения принимает большинство актуальных моделей. Данные ниже взяты из документации самих разработчиков, мы сверяли их в сентябре 2026 года. Меняются они часто, так что перед планированием проверьте ещё раз.
| Инструмент | Функция | Что указано в документации |
|---|---|---|
| Google Nano Banana 2 и Nano Banana Pro (изображения) | Несколько референсных изображений | До 14 референсов в одном запросе, из них до 4 (Nano Banana 2) или до 5 (Pro) могут быть изображениями персонажей |
| Google Veo 3.1 (видео) | Референсные изображения, во Flow функция называется «Ingredients to video» | До трёх референсов человека, персонажа или продукта, для клипов длиной 8 секунд |
| Kling 3.0 (видео) | Библиотека элементов (Element Library) | Элемент собирается из двух, трёх или четырёх изображений: основное анфас плюс другие ракурсы. Можно собрать его и из видео длиной от 3 до 8 секунд. К элементу персонажа привязывается голос |
| ByteDance Seedance 2.0 и 2.5 (видео) | Мультимодальные референсы | Версия 2.0 принимает до 9 изображений, 3 видео и 3 аудио. По данным ByteDance, Seedance 2.5 принимает до 30 изображений, 10 видео и 10 аудио |
| Runway (изображения) | Gen-4 Image References | До трёх активных референсов на одну генерацию |
| Midjourney (изображения) | Omni Reference | Одно референсное изображение через --oref, вес от 0 до 1000 через --ow. Функция работает на модели V7: когда в июне 2026 года моделью по умолчанию стала V8.1, в Midjourney сообщили, что Omni Reference на V7 остаётся доступной, пока обучается версия для V8 |
Две оговорки. Эти функции уменьшают расхождения, но не убирают их совсем. В анонсе Seedance 2.0 сама ByteDance признавала, что согласованность нескольких персонажей в одном кадре ещё есть куда улучшать. И больше слотов не значит лучше: две или три точно подобранные картинки с ракурсом, близким к шоту, обычно работают лучше дюжины, которые тянут модель в разные стороны.
Когда стоит обучать собственную модель?
Словом LoRA называют небольшую дополнительную модель, обученную на наборе изображений одного персонажа. Она подключается к открытой модели для картинок или видео. Некоторые платформы продают ту же идею как встроенную функцию «обученный персонаж». Подготовки здесь больше, чем при загрузке референсов, поэтому обучение должно себя оправдывать.
Оно оправдано для сериала, который будет выходить месяцами, для маскота бренда или постоянного AI-ведущего, для стилизованных анимационных персонажей, с которыми функции референсов справляются хуже, и для проектов, где одного героя генерируют несколько человек. Для одного ролика из 20 шотов оно почти никогда не нужно.
У придуманного героя нет фотографий, на которых можно учить модель. Набор данных приходится сначала сгенерировать с помощью референсов, а потом жёстко отобрать: каждая оставленная картинка с изъяном учит модель этому изъяну. Если персонаж основан на реальном человеке, письменное согласие получают до любого обучения, а в соглашении указывают, когда модель будет удалена. Эту сторону мы разбирали в статье про AI-ведущих для видео. Если этот реальный человек вы сами, загляните в наш гид про AI-аватар для основателей бизнеса: там описано, что нужно записать и зачем нужен клон голоса.
Как сохранить одежду и свет?
Одежда. Один комплект на сцену и одни и те же слова для него в каждом промпте. Заведите текстовый «блок персонажа» и вставляйте его копированием, не набирайте заново. Выбирайте однотонные вещи и выразительный силуэт. Мелких узоров, маленьких логотипов, надписей и тонких украшений лучше избегать, потому что мелкие детали мутируют от шота к шоту. Товар в руках героя «плывёт» по той же причине, и что с этим делать, мы объясняем в статье о том, как сохранить товар точным в сгенерированном видео. Заметное пальто делает для узнаваемости удивительно много: форму и цвет зритель считывает раньше, чем лицо.
Свет. Задаётся для каждой сцены: направление, цветовая температура, время суток. Все ключевые кадры одной сцены генерируйте за один подход и с одним референсом окружения. Финальный вид оставьте цветокоррекции, где одна настройка одинаково ложится на все шоты.
Журнал непрерывности. Ведите таблицу, по строке на шот: одежда, причёска, реквизит, свет, какие референсы использованы, какая модель и версия. Не меняйте версию модели посреди проекта, если не готовы переделывать ранние шоты.
Как спланировать шоты, чтобы спрятать слабые места?
- Шоты, где важно лицо, снимайте средним и крупным планом: там референсы работают лучше всего.
- Общие планы делайте по-настоящему общими, чтобы герой читался силуэтом. Опасна дистанция посередине, когда лицо видно, но оно слишком мелкое, чтобы удержаться.
- Делайте клипы короткими и режьте раньше, чем внешность начнёт уходить.
- Избегайте полных поворотов головы, рук перед лицом и выходов из кадра с возвращением.
- Используйте перебивки без лица: руки, предметы, вид из-за плеча, затылок.
- Там, где позволяет история, держите в кадре одного героя. Кадры с двумя персонажами сложнее.
- Каждый клип начинайте с утверждённого ключевого кадра. Не продлевайте клип от последнего кадра несколько раз подряд.
Что проверить перед сдачей?
В Zero Shot, лондонской студии AI-видео, мы проходим этот список в любой работе с персонажем, будь то мультсериал или имиджевый ролик.
- Соберите контактный лист. По одному кадру из каждого шота, сеткой, рядом с листом референсов. То, что незаметно при переходе от шота к шоту, здесь бросается в глаза.
- Проверьте лицо. Цвет глаз, форма бровей, нос, линия челюсти, уши, родинки, сторона пробора.
- Проверьте возраст и телосложение. Модели потихоньку делают людей моложе и стройнее.
- Проверьте одежду. Цвет, воротник, пуговицы, аксессуары, на какой руке часы.
- Проверьте руки и зубы в каждом разговорном шоте.
- Проверьте последние кадры каждого клипа. Внешность обычно уходит именно в конце.
- Посмотрите ролик на обычной скорости с телефона, затем покадрово на мониторе.
- Попросите человека, который проект не видел, показать шоты, где герой кажется ему другим человеком.
- Неудачные шоты перегенерируйте от ключевого кадра. Чужое лицо на монтаже не исправить.
Если вашему персонажу нужно оставаться собой на протяжении сериала, рекламной кампании или фильма, пришлите нам короткий бриф в WhatsApp или на почту. Напишите, сколько видео вы планируете и где они будут выходить, и мы ответим фиксированной ценой.
Частые вопросы
Почему персонаж в нейросети каждый раз выглядит по-разному?
Потому что модель не помнит предыдущий кадр. Каждая генерация начинается с промпта, а описанию вроде «женщина за тридцать с тёмным каре» соответствуют миллионы лиц. Внешность удерживают референсные изображения, а не более длинные промпты.
Какая нейросеть для видео лучше всех сохраняет персонажа?
Ответ меняется каждые несколько месяцев, поэтому сверяйтесь со свежей документацией. На сентябрь 2026 года референсы персонажа принимают Veo 3.1, Kling 3.0, Seedance и Runway Gen-4. Процесс вокруг модели важнее выбора самой модели.
Нужно ли обучать LoRA, чтобы персонаж был одинаковым?
Для одного короткого ролика не нужно. На двадцать шотов обычно хватает референсных изображений. Обученная модель начинает окупаться, когда один и тот же герой живёт месяцами, во множестве видео и в руках нескольких человек.
Сколько референсов нужно персонажу?
В рабочем листе есть вид спереди, в три четверти, в профиль, в полный рост и несколько выражений лица, всё при нейтральном свете. Большинство инструментов принимает за одну генерацию лишь несколько картинок, поэтому под каждый шот выбирают две или три подходящие.