如何用 Gemini Omni 打造一致的 AI 虚拟人
创建一个 AI 虚拟人并不难。真正的挑战在于：当视频、镜头角度、光线条件、动作和环境不断变化时，如何让这个角色始终保持可识别。
同一个角色可能在第一段视频里完全正确，到了下一段却换了一张脸。发型会变化，服装细节会消失，甚至连角色的年龄感和声音都会在不同场景之间漂移。当多段素材被剪进同一支广告、教程或社交媒体系列时，这些不一致会格外刺眼。
Gemini Omni 能够改善这一工作流程——它把基于参考图的视频生成与自然语言修改结合在一起。你不必每次都从零描述角色，而是可以复用一张清晰的参考图、重复同一段身份描述，并要求模型在只改变场景、动作或镜头的前提下保留该角色。
本指南将讲解如何用 Gemini Omni 创建更加一致的 AI 虚拟人，从准备主参考图开始，一直到用同一套视觉身份生成多个场景。
什么才算是"一致的 AI 虚拟人"？
一致的虚拟人并不需要在每一帧都完全相同。即便是真人，在不同的光线、镜头、表情和视角下，看上去也会略有差异。
我们真正要的是身份连续性。观众应当一眼就能认出，这是同一个角色。
最重要的身份特征包括：
- 面部结构与比例
- 眼睛的颜色与形状
- 发型、长度与发色
- 大致年龄
- 肤色以及雀斑等可见细节
- 标志性服装
- 配饰
- 说话的声音
- 整体性格与肢体语言
有些描述比另一些更有用。"一位漂亮的年轻女性"过于笼统，它几乎没有给模型提供任何身份信息。
而"一位虚构的成年女性，鹅蛋脸，榛绿色眼睛，齐肩栗棕色波浪发，小圆金耳环，钴蓝色西装外套，象牙白上衣"这样的描述，则提供了清晰得多的视觉目标。
一致性来自于：保留这些定义身份的细节，同时允许场景、动作、构图和运镜自由变化。
第一步：在生成视频之前先定义虚拟人
先为你的虚拟人写一份简短的身份档案。这份档案应当描述那些在整个项目中保持不变的特征。
例如：
该虚拟人是一位虚构的成年西方女性，鹅蛋脸，榛绿色眼睛，自然的眉形，淡淡的雀斑，齐肩栗棕色波浪发。她佩戴小圆金耳环，穿着钴蓝色西装外套和象牙白圆领上衣。她的气质温暖、亲切且自信。
不要用多余的形容词堆砌档案。请聚焦于可以被看到或听到的细节。诸如"她拥有一个鼓舞人心的灵魂"之类的抽象表述，对保持外观毫无帮助。
身份档案一旦定稿，就把它保存在随手可取的地方。每次生成都复用同一段措辞，而不是为每个场景临时编一段新描述。
如果你在一个提示词里把角色描述成职业主持人，在另一个提示词里又写成年轻时尚博主，模型可能会重新解读她的年龄、面部结构、妆容和肢体语言。
第二步：制作一张干净的主参考图
主参考图是虚拟人的视觉锚点。
请使用满足以下条件的高分辨率图片：
- 画面中只有一个清晰可见的人物
- 光线均匀且相对中性
- 面部没有遮挡
- 背景简洁
- 面部比例自然
- 头发与服装清晰可见
- 没有文字或标志
- 没有无关物体或其他人物
半身或四分之三身构图通常比极近特写提供更多有用信息。它既能清晰展示面部，也能确立服装、姿态、配饰和身体比例。
不要拿一张杂乱的生活照当主参考图。如果画面中出现多个人物或物体，模型可能无从判断哪些视觉信息才是需要保持一致的。
上面这张图之所以效果好，是因为它让模型清楚地看到了虚拟人的脸、头发、耳环、外套和上衣。背景简洁，光线柔和，没有无关主体来争夺注意力。
参考图所描绘的应当是虚构人物，或是你已获得肖像使用许可的真人。请勿在未经同意的情况下制作冒充真实人物的欺骗性视频。
第三步：把身份信息与场景指令分开
一个优秀的虚拟人提示词应当包含两类彼此独立的信息：
- 固定不变的身份区块
- 随场景变化的场景区块
身份区块描述面部、头发、服装、配饰、年龄和性格。它在所有提示词中都应保持几乎一致。
场景区块则描述某一支视频的地点、动作、运镜、光线、台词和声音。
下面是一个可复用的结构：
请仅将上传的图片作为该虚构主持人的身份参考，而非字面意义上的首帧画面。请保留她的面部结构、榛绿色眼睛、齐肩栗棕色波浪发、小圆金耳环、钴蓝色西装外套、象牙白上衣、年龄感、肤色和身体比例。
场景：这位虚构主持人站在一间极简风格的创意工作室中，直接对着镜头讲话。请使用稳定的中景、缓慢的镜头推进、柔和的日光、自然的手势、真实的皮肤质感和干净的背景。整段保持一镜到底，不要有剪辑。
这种拆分让你在更换场景时，不至于顺手把角色也重新设计了一遍。
它同样有助于定位问题来源。如果身份稳定但动作不对，你只需修改动作指令；如果地点正确但面部漂移了，你可以加强身份参考，而不必重写整个场景。
第四步：先生成一段简单的基准片段
不要一上来就做整个项目里最复杂的场景。
先在受控环境中生成一段简短的基准片段。使用简洁的背景、有限的肢体动作、稳定的光线和一镜到底的运镜。这样你就能在引入高难度动作或戏剧化光效之前，先评估角色的面部表现。
请检查以下细节：
- 面部是否与参考图一致？
- 发型是否依然可辨认？
- 耳环、外套等标志性特征是否都在？
- 角色的年龄感是否正确？
- 眼睛和嘴在运动过程中是否稳定？
- 声音是否与设定的性格相符？
- 角色在说话时是否依然可辨认？
- 口型是否与台词对得上？
这段受控的工作室片段，在引入更高难度场景之前，先确立了虚拟人的基础外观、声音、面部动态和说话风格。
简洁的背景让面部和嘴部更易于检查。蓝色西装外套则形成了一个可辨识的服装锚点，可以在后续视频中反复使用。
如果基准片段不正确，就不要继续生成更多场景。先把身份问题修正过来，否则后续片段可能会不断复制错误版本的虚拟人。
即使你打算再生成一个版本，也请保留最好的那段基准片段。它是评估后续每个场景时非常有用的视觉基准。
第五步：每次只改变一个主要变量
当一个提示词同时改变服装、地点、镜头角度、光线、动作和情绪表演时，一致性就会变得难以维持。
更稳妥的做法是：每次生成只改变一到两个主要变量。
例如：
- 片段 1：中性工作室，稳定中景
- 片段 2：同样的服装，换到户外环境
- 片段 3：同样的环境，换成更近的镜头角度
- 片段 4：同样的构图，换一个手势
- 片段 5：谨慎地引入新服装
这种可控的推进方式，有助于判断究竟是哪一次改动导致了身份漂移。
测试新环境时，保留虚拟人的服装；测试新服装时，使用简单的光线和熟悉的镜头角度。当每个变量都能单独跑通之后，你就可以把它们组合进更有野心的场景里。
这段户外片段改变了环境、光线、运镜和肢体动作，同时保留了虚拟人的核心身份与服装。
把它和工作室视频对比一下。地点和动作都不同，但可辨认的面孔、棕色头发、金耳环、蓝色外套、象牙白上衣以及整体性格，依然指向同一个角色。
比起生成三段几乎相同的工作室镜头，这才是对一致性更有效的检验。一个好用的虚拟人，应当在故事换到不同环境后依然可辨认。
第六步：精确描述动作
"让她动作自然一点"这类模糊指令，留给模型的解读空间太大了。
请把角色的可见动作和镜头的运动分开描述：
主持人朝镜头缓步走三步，停下，肩膀微微左转，然后微笑。她的头部动作克制而自然。镜头以相同速度向后跟拍，保持稳定的中景。
当你想要保住面部时，详细的动作指令尤其有用。
快速旋转、夸张表情、突兀的镜头运动、强烈的运动模糊，以及手部反复从脸前经过，都会加剧画面的不稳定。如果角色正在说话，过多的动作还会让准确的口型同步更加困难。
对于以虚拟人为核心的视频，建议优先使用：
- 缓慢的转头
- 自然的眨眼
- 克制的手势
- 短距离的行走
- 稳定的中景
- 轻柔的镜头推进
- 简单的跟拍
- 没有多余剪辑的连续场景
在确认虚拟人能在简单动作中保持可辨认之后，你再引入更复杂的动作。
同样有用的做法，是在主提示词里直接写明不希望发生什么：
不要有场景剪辑，不要出现其他人物，不要更换服装，不要有夸张手势，也不要有物体从她脸前经过。
明确的排除项能够降低多余视觉元素干扰角色的概率。
第七步：让台词简短自然
台词会额外增加一层一致性难度，因为模型必须在生成语音、口型、表情和音频的同时保住面部。
请使用能在所选视频时长内从容说完的短句。如果台词过长，角色可能会语速异常地快、吞字，或者失去准确的口型同步。
对于 8 秒的片段，一句大约 14–18 个英文单词的台词通常比一大段话更好把控。对于 10 秒的片段，如果语速保持适中，两个短句也可行。
请把确切台词写在引号之内：
她看向镜头，清晰地说道："我在每个场景里都是同一位数字创作者——一个身份，一种声音，无数个故事。"
然后再单独描述演绎方式：
声音：温暖的成年女性嗓音，中性美式口音，沉稳自信，语速适中，吐字清晰，重音自然。
不要在不同场景之间更改声音描述。如果第一个提示词要求沉稳的职业嗓音，下一个却要求年轻而高度亢奋的表演，虚拟人听起来可能会像换了一个人。
如果你所使用的工作流提供可复用的语音参考，请在每个片段中都使用同一个参考。如果平台不提供可复用语音，就保持书面的声音描述完全一致，并仔细检查输出结果。
功能可用性会因平台和地区而异。如果无法获得可靠的语音连续性，你可以先生成不带台词的画面，然后在后期为所有片段配上同一条录制或合成的人声。
第八步：用对话式编辑做精准修正
Gemini Omni 在兼容的工作流中支持自然语言视频修改。这意味着你可以要求它只改动生成片段中的某一部分，而保留其余部分不变。
修改指令请保持简短而具体。例如：
请恢复主持人在参考图中原本的面部特征和发型。其余一切保持不变。
让发型更贴近参考图。面部、服装、动作、镜头、光线、背景和音频均保持不变。
把笑容幅度调小，表情更自然一些。其余一切保持不变。
把光线改成温暖的夕阳。保留主持人的身份、服装、动作、构图和声音。
"其余一切保持不变"这句话能够明确本次编辑的作用范围。不过，每次编辑仍可能带来细微变化，因此请把修改后的版本同时与参考图和原视频进行对比。
如果某次编辑严重破坏了面部，请回到之前那个更好的版本，而不要在已经劣化的结果上反复编辑。
不要把太多修正塞进同一次请求。如果面部、服装、镜头、背景和台词都需要改动，请拆成几次目标明确的编辑分别完成。
第九步：生成多段独立片段，而不是一整段长视频
对于多场景的虚拟人视频，生成若干短片段通常比要求模型一次生成完整故事更可控。
每个片段都可以拥有自己聚焦的场景提示词，同时复用同一张身份参考图和同一段身份区块。之后你可以挑出最好的结果，在剪辑软件里拼接起来。
一个简单的虚拟人序列可能包含：
- 工作室开场
- 户外生活场景
- 竖屏科普段落
- 结尾的行动号召
这种结构也让失败的场景更容易替换。如果第三段的面部不一致，你只需重新生成那一段，而不必重做整支视频。
这段竖屏主持片段，检验的是同一个虚拟人在不同画幅、工作空间、构图和呈现形式下是否依然可辨认。
虚拟人依旧保持着同样可辨认的面孔、发型、耳环、外套、上衣和声音走向，但整个片段已经为竖屏社交媒体体验重新构图。
这说明了为什么一致性应当在有意义的差异化场景之间检验，而不是在几乎相同的生成结果之间检验。
可复用的 Gemini Omni 虚拟人提示词模板
请把这个模板当作起点：
请仅将上传的图片作为身份参考，而非字面意义上的首帧画面。请保留该主体的面部结构、年龄感、肤色、眼睛形状与颜色、发型、发色、标志性配饰、服装和身体比例。角色必须始终清晰可辨为同一位虚构人物。
角色行为：[性格、表情与手势]。
场景：[地点与背景]。
动作：[具体的肢体动作序列]。
镜头：[景别、角度、镜头质感与运动]。
光线：[方向、色彩、强度与氛围]。
台词："[虚拟人所说的确切内容]。"
声音：[口音、音色、语速与能量]。
声音设计：[环境音、音乐与音效]。
格式：[画幅比例与时长]。
请使用一镜到底，不要有场景剪辑。保持真实的人体结构、自然的面部动态、稳定的眼睛和准确的口型同步。不要改变角色的身份、发型、服装细节、配饰、年龄感或声音。不要添加字幕、文字、标志、多余人物或干扰性物体。
并非每个提示词都需要填满所有字段。与当前场景无关的指令可以删掉，但身份区块要保持稳定。
常见的虚拟人一致性错误
只用一个角色名字
除非角色名字已经关联到已保存的角色或参考素材，否则它并不包含足够的视觉信息。在平台需要时，请继续提供参考图和身份描述。
改动身份描述
在一个提示词里称她为"一位成熟的职业主持人"，在另一个里又称她为"一位年轻的时尚博主"，可能会改变她的年龄感、面部结构、妆容和行为方式。
请在整个项目中复用同一套身份措辞。
一上来就做复杂动作
快速运动、杂乱背景、戏剧化阴影、夸张表情和频繁剪辑，都会让一致性更难评估。请先建立一段可靠的基准片段。
使用低质量参考图
模糊、重度调色、极端视角、面部遮挡和被裁掉的头发，都会削弱参考图的作用。
过早更换服装
服装是重要的视觉锚点。在测试新地点、新镜头角度和新动作时，请保持同一套可辨认的服装。等面部稳定之后，再引入服装变化。
一次性要求过多修正
如果面部、服装、背景、镜头和台词都需要改动，请拆分成更小的编辑。这样更容易保住视频中已经成功的部分。
把一致性当成一种保证
参考图和对话式编辑可以改善连续性，但生成式视频依然可能漂移。发布之前，请务必检查面部、手部、服装、配饰、声音和背景。
如何评估最终的虚拟人视频
把这些片段并排放在一起，直接进行对比。
请问自己以下问题：
- 在没人告知的情况下，观众能认出这是同一个人吗？
- 眼睛颜色、脸型、发型和年龄感是否一致？
- 耳环和服装是否依然可辨认？
- 声音的音高、口音、语速和性格是否相近？
- 虚拟人是否保持着同样的举止习惯？
- 面部在说话和运动过程中是否保持稳定？
- 差异是由自然的光线和视角造成的，还是身份真的发生了改变？
细微的变化是可以接受的。目标不是像素级的复刻，而是可信的身份连续性。
如果某支视频明显不同，请找出最小的那个错误元素，只重新生成或编辑该场景。
结语
一致的 AI 虚拟人，来自一套可重复的方法，而不是某一条完美的提示词。
定义稳定的身份，制作干净的主参考图，把固定的角色特征与变化的场景指令分开，并从一段简单的基准片段开始。复用同一张参考图和同一段身份区块，逐步引入新变量，并在出现意外变化时做精准修改。
让台词短到能在所选时长内说完，精确描述动作，并在每个片段中使用相同的声音走向。分段生成场景，这样一段失败的结果不必推翻整个项目就能替换。
Gemini Omni 通过基于参考图的生成和自然语言修改，让这个流程更加实用。它可以减少反复重写提示词的工作量，但充分的前期准备和质量把控依然必不可少。
现在就用 Gemini Omni 开始创建你的一致性 AI 虚拟人吧——把第一张成功的参考图和第一段基准片段，当作后续每个场景的地基。