AI Comic Studio 开发日志：把角色一致性从 40% 提到 78%

起点是一个很具体的问题：把一篇两万字的短篇做成漫画，人工分镜要花多久？

我找了一位做条漫的朋友实测，答案是两周。

目标：把这一步压到一天以内。

第一个版本：一次性生成整页#

最直觉的做法是把整页描述丢给模型，一次生成四格。

请生成一页四格漫画：主角在雨夜的便利店门口，看到一张纸条...

结果：一格崩，全页崩。

具体表现是：

• 四格画风不统一（有时写实有时卡通）
• 主角在第 1 格和第 3 格看起来像两个人
• 格子之间的阅读顺序混乱

可用率大概 15%。每次重生成都要重跑整页，一次 40 秒。

结论：整页生成的失败代价太高，而且失败原因无法定位。

第二个版本：逐格生成 + 详细描述#

改成先出分镜脚本，再逐格生成。角色描述写得非常详细：

主角：25 岁亚洲女性，黑色及肩直发，齐刘海，
      深蓝色风衣，内搭白色高领毛衣，
      左手腕戴银色手表，表情冷静但眼神疲惫

可用率提到 40%。仍然不够。

问题出在：同一段描述，模型每次的关注点不同。

有时候它画对了风衣但忘了手表，有时候记住了刘海但把头发画长了。 描述越长，模型越会「选择性执行」——它不会均匀对待每一个细节。

更麻烦的是，改一处描述会连带影响其他部分。 我想让手表更明显，结果整体风格偏向了写实。

结论：自然语言描述的自由度太高，模型在里面随意取舍。

第三个版本：结构化角色卡（可用率 78%）#

转折点是把「一段描述」拆成「一组枚举字段」。

type CharacterCard = {
  // 最容易漂移的维度单独抽出来，做成枚举
  hairStyle: "bob" | "long-straight" | "ponytail" | "short-crop";
  hairColor: string; // 固定为色板中的名字，不接受自由文本
  eyeColor: string;
  outfit: string;
  accessories: string[]; // 数组，逐个渲染，不会被吞掉
 
  // 情绪和姿态每格变化，属于场景层，不属于角色层
  scene: {
    emotion: string;
    pose: string;
    framing: "wide" | "medium" | "close";
  };
};

关键改动有三个：

1. 把最容易漂移的维度枚举化

发型从自由文本变成 4 个选项。模型不再需要「理解」发型描述， 只需要选中一个。自由度下降，一致性上升。

2. 角色层与场景层分离

第一版把情绪也写在角色描述里，导致每次换表情都会影响长相。

分离之后，角色卡是跨页不变的，场景层每格单独传：

function buildPrompt(card: CharacterCard, scene: Scene) {
  return [
    // 角色层：完全固定，跨页复用同一个对象
    `Character: ${card.hairStyle}, ${card.hairColor} hair, ` +
      `${card.eyeColor} eyes, wearing ${card.outfit}`,
    `Accessories: ${card.accessories.join(", ")}`,
    // 场景层：每格变化
    `Scene: ${scene.emotion} expression, ${scene.pose}, ${scene.framing} shot`,
    `Style: consistent line art, muted palette`,
  ].join("\n");
}

3. 出图后做一次相似度校验

每次生成后，用视觉模型比对与角色参考图的相似度， 低于阈值直接重生成，不进入人工审核环节。

const score = await compareToReference(image, card.referenceImage);
if (score < 0.72) {
  // 直接重生成，不浪费人工审核时间
  return regenerate(card, scene, { emphasize: lowScoreDimensions(score) });
}

emphasize 会针对得分最低的维度，在 prompt 里提高该字段的权重。

结果#

78% 意味着平均每 5 格要重画 1 格。加上人工挑选和微调， 两万字短篇的分镜 + 出图从两周压到 一天半。

没到「一天以内」，但已经进入可用范围。

为什么结构化有效#

回头看，三个版本的本质区别是自由度：

• 版本一：模型决定分镜结构 + 画风 + 角色 + 每格内容 → 自由度最高
• 版本二：模型决定画风 + 角色细节 + 每格内容 → 自由度中等
• 版本三：模型只决定「从给定选项里选哪个」 → 自由度最低

每一步都是把决策权从模型手里拿走，交给代码或人工。

一致性问题的解法是减少自由度，不是增加描述。 描述越长，模型的选择空间越大，漂移越严重。

这和我在 数字员工项目 里 学到的原则是同一条：能用确定逻辑表达的，不要交给概率系统。

还没解决的#

• 跨页镜头语言仍然生硬。 景别的切换缺少视线引导，读起来像幻灯片而不是漫画。
• 批量出图成本没有实时预估。 一个 40 页的短篇要花多少钱，现在只能跑完才知道。
• 对白排版是纯手动的。 气泡位置、断句、阅读顺序都靠人工摆。

下一个版本先做对白排版自动化——那是纯确定性问题，比镜头语言好解决。

项目状态与完整日志在 AI Comic Studio 项目页。