最近聊 LiblibAI，很多人盯的是它母公司演语科技冲刺港股 IPO、估值约 30 亿美元的大新闻。36氪但对每天真打开 LiblibAI 出图、做 AI 短剧和漫剧的人来说，比 IPO 更让人睡不着的，是另一件事：主角串脸了。
第 3 集主角还长这样，第 4 集直接换了个人。同样的提示词、同样的参考图，集数一多五官就各走各的，抽卡抽到积分哗哗掉，成片一出来观众还是说"出戏"。
小红书上，光最近三个月，"角色一致性"相关的教程帖就一茬接一茬：保持人物一致性的教程能拿几百收藏，“锁定人物站位"的实战帖有四千多赞，评论区最常见的追问就是"脸一直变怎么办”。我把小红书、B站、知乎上的热帖都翻了一遍，今天把结论一次说清。
为什么这个问题现在突然更要命
两个背景变化。
一是 AI 短剧、漫剧真的爆了。LiblibAI 旗下的 LibTV 上，AI 剧《被裁掉的女孩》走红，初期创作团队只有 3 个人。微博这既证明小团队能做精品，也意味着供给只会越来越多——“能出图"已经不行了，得"角色立得住、跨集不变脸”。
二是行业正在整治 AI 演员融脸侵权，相关话题冲上了微博。微博8 月社区里又接连出现围绕"AI 短剧融脸"的观众争议。翻译一下：随便借真人演员的脸当主角，这条路风险越来越大，训一个属于自己的原创角色，正在从可选项变成必选项。
三条路线，先分清轻重
社区里流传的解法，拆到底就三派：
参考图流。小红书上那篇《ai短剧角色面部一致性》把流程拆得很细：先生成一张满意的肩部以上大头照（纯白背景最好），再给服装生成无头模特三视图，拼成人物资产四视图；生视频时把四视图当参考图丢上去，五官还飘，就再叠一张纯面部特写。帖子作者还提了两个很一线的判断：角色卡不建议用，图里元素太多，会稀释人脸特征的权重。小红书玉佩、发冠这类道具要单独出图，跟人物视图一起传，不然小物件也会"变脸"。优点是零训练、马上能用；缺点是长剧稳定性有限，作者自己都说，最全的四张高清图组合"通常只有第一集才这么跑"。
提示词流。写详尽的人物特征描述、固定光影画风、调权重参数，能缓解，但社区里的共识是防不住长剧跑偏——“模糊的描述词是变脸最大元凶”。
训角色 LoRA。做 AI 漫剧，串脸是头号难题，目前公认最稳的解法就是训角色 LoRA：把主角训练成一个小模型，从此"一张脸用到尾"。小红书有 AI 漫剧作者晒出实操结果：之前第 4 集就换人，在 LiblibAI 上给主角训了个 LoRA 之后，连图生视频脸都不跳。
训 LoRA 的参数共识，直接抄
很多人一听"训练"就觉得门槛高，其实社区已经把流程磨得很保姆级了。我对照了三份流传较广的教程（小红书两篇实操帖 + B站的 LoRA 训练营系列），参数共识相当高：
素材：20~30 张就够，配比大致是正脸 8、侧脸 6、半身 6、全身 5、表情动态 5；分辨率统一 1024×1024，模糊的、带水印的、多人同框的全删。LoRA 吃的是素材，不是玄学——图不够，再好的参数也救不回来。
打标：最反直觉的一点。标签不是越细越好，细节写多了（"黑色长发、红色连衣裙"这种），人物特征反而被稀释，脸会糊。小红书正确做法是只留几个通用标签，加一个固定触发词（比如 oc_charlie），出图时提示词里带上触发词。
训练参数：学习率 1e-4 起步，崩了降到 5e-5；epochs 15~20；网络维度 dim 32（新手别上 64）；repeat 10~15。底模选跟你成片画风同系列的。不同教程之间参数略有出入（比如 repeat 用 20、epoch 用 15），这属于个体差异，不用纠结精确数字。
选版本：很多人栽在这一步——别只留最后一轮。有实测发现，20 个 epoch 里，第 14 轮的版本最像原角色，最后一轮反而脸僵。小红书建议把中段、后段、最终三个版本都下下来，各出 5 张测试图放一起比，选"像且不崩"的，不选"步数最多"的。
出图：LoRA 权重 0.6~0.8，提示词结构就是"触发词 + 场景 + 动作"。也要说清楚边界：换发型、戴眼镜这类大改动，LoRA 也扛不住，还得靠后期微调。小红书日常叙事镜头，它稳得住。
显卡问题：本地练，还是在线练
这是大家最关心的成本问题。
本地训练最大的门槛就是显存。B站近半年的 LoRA 教程，标题里反复出现这些数字：最低 8GB 显存可尝试、16G 本地能练人物 LoRA、新一代模型直接建议 4090/5090。哔哩哔哩哔哩哔哩翻译一下：游戏本咬牙能跑，但折腾；跑得爽，投入又真不小。
LiblibAI 在线训练的价值恰恰在这：网页端上传素材、设好参数，云端训练一般 30~60 分钟，“正好够吃顿饭，回来收图”。小红书不用部署、不用显卡，按次消耗积分，第一次练手的成本远低于一张显卡钱。
按人群给个简单判断：
没显卡、第一次做剧：直接在线训练，试错成本最低，训完就能接着出下一集；
已有 16G+ 显存的卡、训练频率高：本地部署更划算，硬件摊薄之后单次成本几乎为零；
团队化、工业化产出：在线训练攒角色资产，脚本、参数、工作流都能沉淀复用，比每个人各自配机器顺得多。
两个避坑提醒
积分要核账。社区里有用户反馈，遇到过"任务扣 4 张的积分、只出 1~2 张图"的情况，一两个月累计下来不是小数目。小红书不管是抽卡还是训练任务，养成核对任务结果和扣费记录的习惯，有问题截图找客服。
低价积分别碰。小红书上常有人出"月底到期积分"、出租会员，价格看着香，但要登录对方账号，账号安全和积分清零都是风险，正常使用还是走官方。
往后看什么
LiblibAI 母公司正在推进 IPO 和新一轮融资，社区对这套聚合模式争议不小。对创作者来说，值得盯的信号很具体：会员和积分计费规则会不会变，接入的新模型跟不跟得上。LibTV 是首批接入 Seedance 2.0 系列模型的第三方产品。36氪只要计费规则不乱变，对没有显卡的创作者来说，在线训练依然是眼下门槛最低的"给主角锁脸"方案。
你串脸最严重的是哪个环节——换角度、换服装还是换光线？评论区聊聊。
