Karakter
Karakter-konzisztencia: hogy ne legyen minden képen más az arca
A leggyakoribb kudarc az AI-videóban: a főszereplő a második jelenetben már valaki más. A megoldás nem a hosszabb prompt — hanem az, hogy egyáltalán nem szöveggel dolgozol.
Legenerálod a főszereplőt, tökéletes lesz. Beírod ugyanazt a promptot a következő jelenethez — és egy hasonló, de észrevehetően más ember néz vissza rád. Más az orra, más a hajvonala, más a kora.
Ez nem hiba, hanem a működés lényege. A diffúziós modell minden generálásnál a nulláról indul: zajból bontja ki a képet. A prompt csak irányt ad neki, nem személyleírást.
A számok nagyságrendje az, ami itt számít: a szöveg önmagában érmefeldobás, a referenciakép viszont majdnem megbízható. Ezért az első lépés soha nem a prompt csiszolása, hanem egy referencia elkészítése.
A character sheet három rétege
A jó referencia nem egy portré, hanem egy adatlap. Három részből áll, és — ez a leggyakrabban elrontott pont — mindhárom EGYETLEN képre kerül, nem külön fájlokba.
- Teljes alak, négy nézetbőlElölről, háromnegyedből, oldalról és hátulról. A ruha és a cipő is legyen rajta: ha csak az arcot adod meg, a modell minden képen új ruhát talál ki.
- Közeli, öt szögbőlElölről, háromnegyedből, profilból, 15 fokkal felülről és alulról. SEMLEGES arccal — ha itt mosolyog, a modell azt veszi alapállapotnak, és onnantól mindenhol mosolyogni fog.
- Érzelmek, nyolc kifejezésselSemleges, valódi mosoly, nevetés, komoly, meglepett, magabiztos, szomorú, elszánt. Enélkül a modell az érzelmet az arc geometriájának átrajzolásával oldja meg — vagyis más arcot ad.
A tiltó szabályok — ez emel 90-ről 95-re
A referenciakép mellé rövid, tiltó mondatok járnak. Nem azt írod le, milyen legyen, hanem azt, mi nem változhat. Ez azért működik jobban, mert a modell számára a „ne változtasd" egyértelműbb utasítás, mint egy újabb leírás.
Never change hair length. Never remove the silver watch. Never add a beard. Never change the shoe style.
Válaszd ki azt a három-négy részletet, ami a karakterből felismerhetővé teszi, és azokat rögzítsd. Mindent tiltani felesleges — a lényeg, hogy a néző ugyanazt az embert lássa.
Mennyire ragaszkodjon hozzá?
A legtöbb generátorban állítható, mennyire kösse magát a referenciához. A Midjourney például egy 0 és 100 közötti értéket használ, és a három tartomány három különböző feladatot szolgál ki.
| Érték | Mit tart meg | Mire jó |
|---|---|---|
| 100 | mindent: arc, ruha, póz | termékfotó, ismételt beállítás |
| 50–75 | arc és stílus, a póz szabad | jelenetek, ahol a szereplő mozog |
| 0 | csak az arcot | új ruha, új helyszín |
Videóhoz rendszerint a középső tartomány a jó: a szereplő felismerhető marad, de nem ugyanabban a pózban áll minden jelenetben.
A sorrend, ami működik
- Előbb a referenciaKészítsd el a sheetet, és nézd meg alaposan. Ha itt nem tetszik valami, később sem fog.
- Utána a tiltó szabályokHárom-négy mondat arról, mi nem változhat.
- Csak ezután a jelenetekA jelenet-prompt ekkor már rövid lehet: helyszín, fény, kameraállás. A karakterről nem kell újra írnod.
Referencia előbb, prompt utána. Ez az egyetlen sorrend, ami nem érmefeldobás.