Konsistente KI-Figuren: Referenz- und Prüf-Workflow aufbauen

Sie haben ein Porträt einer Figur, die Ihnen gefällt. Auf dem zweiten Bild hat sie schon einen leicht anderen Kiefer, auf dem dritten einen neuen Haaransatz, und wenn Sie sie animieren, verändert sich das Gesicht bei der Drehung. Die Lösung ist keine längere Beschreibung. Sie ist ein kurzer, strenger Ablauf: Behalten Sie ein freigegebenes Identitätsbild, geben Sie jeder weiteren Referenz genau eine Aufgabe, bauen Sie jede neue Einstellung von diesem Anker aus statt vom letzten Ergebnis auf und prüfen Sie jede Ausgabe gegen den Anker, bevor sie zur Quelle wird.

Beginnen Sie mit der Bildbearbeitung von Qwen Image 2.1 mit 3:4, PNG und ausgeschalteter Prompt-Erweiterung. Nehmen Sie 1k für eine Referenz ($0.036); ab zwei Referenzbildern ist 2k zum gleichen Preis oder günstiger, nämlich pauschal $0.048, wählen Sie also 2k für die Werkstatt- und Zwei-Personen-Szenen. Für das erste Video animieren Sie ein akzeptiertes Standbild mit Seedance 2.5 Bild-zu-Video bei fünf Sekunden und 720p: $1.3865. Mit zwei Referenzbildern kostet die erste 2k-Szene $0.048; zwei weitere Szenenbearbeitungen mit dieser Einstellung plus ein fünfsekündiger 720p-Clip kosten zusammen $1.5305, vor Wiederholungen und der Erstellung des Ankers.

Das durchgehende Beispiel ist Mara, eine fiktive erwachsene Fahrradmechanikerin, 34 Jahre alt, mit kurzen kupferfarbenen Locken, einer waldgrünen Jacke und einem cremefarbenen Hemd. Das Ziel sind drei wiedererkennbare Standbilder, eine zweite Figur neben ihr und eine kurze Drehung zur Werkstatttür.

Einen Anker aufbauen statt zehn konkurrierender Gesichter

Wählen Sie ein Porträt von der Brust aufwärts, bei dem beide Augen sichtbar sind, die Haare gut erkennbar und das Licht schlicht ist, mit genug Schulter und Jacke, um das Ausgangskostüm festzulegen. Speichern Sie es als Identitätsanker. Haben Sie noch kein Porträt, erzeugen Sie vier oder fünf Kandidaten mit einem Text-zu-Bild-Modell wie Qwen Image 2.1 Text-zu-Bild ($0.024 bei 1k), suchen Sie eines aus und hören Sie auf, Gesichter zu erzeugen. Ersetzen Sie den Anker nie durch die jeweils schönste spätere Szene: Jede kleine Änderung summiert sich, sodass das vierte Bild perfekt zum dritten passen kann und dem ersten trotzdem nicht mehr ähnelt.

Fügen Sie einen zweiten Blickwinkel nur hinzu, wenn eine Einstellung Informationen braucht, die dem Porträt fehlen. Für eine Kopfdrehung legt eine freigegebene Dreiviertelansicht die Nasenlinie und die Locken im Nacken fest. Eine Rückansicht legt den Jackenrücken fest, sagt aber nichts über das Gesicht. Gibt ein erzeugter Blickwinkel Mara einen anderen Kiefer oder Haaransatz, verwerfen Sie ihn, statt ihn dem Set hinzuzufügen. Ein Frontporträt belegt nicht die Merkmale, die im Profil verborgen sind. Geben Sie also die Blickwinkel und Ausdrücke frei, die Ihre Geschichte tatsächlich braucht.

Für einen zusätzlichen Blickwinkel bearbeiten Sie das freigegebene Porträt mit genau einem Zweck: "Show the same adult mechanic in side profile on the same plain grey background; keep her face, hair and green jacket." Eine 1k-Bearbeitung mit einer Referenz kostet $0.036. Geben Sie das Ergebnis gegen den Anker frei, bevor Sie es zum Set hinzufügen.

Illustration, kein Ergebnis des Zielmodells: Ein Mehrwinkelblatt erklärt, welche Referenzinformationen nützlich sind; seine Felder sind keine gemessenen Qwen-Identitätsergebnisse.

Laden Sie getrennte, saubere Bilder hoch statt eines Kontaktbogens mit Beschriftungen und mehreren Gesichtern, denn getrennten Dateien lassen sich Rollen leichter zuweisen. Das offizielle Qwen-Image-2.1-Repository beschreibt Bearbeitung mit mehreren Referenzen und bis zu zehn Bildern; mehr Referenzbilder sind nicht automatisch besser, und jedes braucht eine Aufgabe.

Die erste Szene mit ausdrücklichen Referenzrollen erstellen

Im Playground:

1. Öffnen Sie die Qwen-Image-2.1-Bearbeitung und laden Sie zuerst Maras Porträt hoch, an zweiter Stelle die leere Werkstatt.
2. Fügen Sie den Prompt unten ein. Wählen Sie Hochformat 3:4, 2k und PNG; lassen Sie die Prompt-Erweiterung für diesen präzisen Auftrag ausgeschaltet.
3. Prüfen Sie die Kostenschätzung und erzeugen Sie eine Szene. Geben Sie Gesicht und Jacke frei, bevor Sie die nächste Einstellung erstellen.

Use the adult mechanic in the first reference for Mara's facial identity, short copper curls and forest-green work jacket over a cream shirt. Use the second reference only for the empty workshop and workbench layout. Show Mara aged 34 standing beside one dark commuter bicycle, with one hand resting on the handlebar and the other at her side. Medium portrait, face in a clear three-quarter view, bicycle stationary, yellow tool bag on the workbench. Soft side daylight, no additional people, no lettering. Do not borrow a person from the room reference.

Halten Sie Prompts so direkt: Ein Bearbeitungsmodell braucht keine langen Anweisungen im Agentenstil, sondern nur jedes Bild und seine Aufgabe. Ohne Werkstattreferenz senden Sie nur den Anker, beschreiben den Raum in Worten und streichen den Satz über ein zweites Bild. "Mara" ist ein Label in Ihrem Prompt, keine gespeicherte Identität.

Ein Seed ersetzt kein freigegebenes Identitätsbild: Bei diesem Modell kann derselbe Seed ein anderes Bild liefern. Behalten Sie also die Datei, die Ihnen gefällt, und nutzen Sie den Seed nur, um in der Nähe zu bleiben.

Was jede Referenz kostet

Innerhalb der Qwen-Image-2.1-Bearbeitung ist 1k für eine Korrektur mit einer Referenz am günstigsten. Ab zwei Referenzbildern ist die 2k-Stufe größer bei gleichem Preis oder günstiger als 1k, und 1.5k ist nie das beste Angebot. Seedream 5.0 Flash akzeptiert 1 bis 10 Referenzbilder zu einem Pauschalpreis über 1k, 1.5k und 2k; verwenden Sie ausdrücklich 3:4, 2k, PNG und einen opaken Hintergrund. Es hat kein Seed- und kein Maskenfeld. Flash ist mit $0.029 die günstigere Option, selbst wenn Qwens 2k-Pauschale gilt. Seedream 5.0 Pro berechnet $0.003 je zusätzlicher Referenz und hat einen Denkdurchgang, den Sie abschalten können.

Zwei weitere Standbilder, ohne alles zu verändern

Nehmen Sie den Anker plus die akzeptierte Werkstattszene, mit klar getrennten Rollen, und geben Sie jedem Prompt genau einen neuen Handlungsmoment:

Verlangen Sie nicht in einem Standbild gleichzeitig das Aufheben der Tasche, den Gang zur Tür und einen Kostümwechsel. Die Tasche liefert Ihnen eine sichtbare Kontinuitätsprüfung: erst auf der Werkbank, dann in ihrer Hand an der Tür, dann wieder auf der Werkbank.

Jede Ausgabe prüfen, bevor sie zur Quelle wird

Vergleichen Sie ein neues Standbild mit dem ursprünglichen Anker, nicht mit der vorherigen Ausgabe. Beurteilen Sie zuerst das ganze Bild in Liefergröße: Würde ein Betrachter Mara auch ohne die grüne Jacke erkennen? Prüfen Sie dann Augen, Nase, Kiefer, Ohren und Haaransatz, soweit sichtbar, danach Jackenkragen, Tasche und Raum. Behandeln Sie den Ausdruck getrennt: Ein konzentrierter Blick ist keine Drift, eine veränderte Nase schon.

Geben Sie jedem Kandidaten eines von drei Urteilen:

• Akzeptieren: Die Identität und die für diese Einstellung wichtigen Details stimmen.
• Überarbeiten: Eine Sache ist falsch, und Sie können sie benennen.
• Zurückstellen: Das Gesicht ist zu klein oder zu dunkel zum Beurteilen; fordern Sie eine nähere Halbnahe an, bevor Sie das Bild als Quelle verwenden.

Schreiben Sie den Grund neben die Datei ("Gesicht und Locken stimmen, rechte Hand verdeckt, hier nicht nötig"), denn eine Freigabe gilt für ein Bild und eine Verwendung.

Erweitern Sie die Serie nicht, solange der Anker oder die erste Szene ungeklärt ist: Zehn weitere Bilder von einem fragwürdigen Gesicht geben Ihnen nur mehr, was Sie aussortieren müssen.

Dieselbe Referenzmethode für einen Feed mit erwachsenen Figuren

Die Werkstattgeschichte zeigt die Referenzzuweisungen, aber ein erwachsener Creator braucht oft ein anderes Set: ein Porträt fürs Profil, einen Outfit-Beitrag, eine Zimmerszene und einen kurzen Gruß. Erledigen Sie diese vier Aufgaben getrennt. Ein einmal erzeugtes attraktives Gesicht reicht nicht aus, um die Statur der Person über eine ganze Serie in Ganzkörperansicht zu halten.

Behalten Sie einen freigegebenen Gesichtsanker und, wenn die Körperform für die Sammlung wichtig ist, eine freigegebene Stehansicht, in der Schultern, Taille und Beine erkennbar sind. Vermeiden Sie eine Raumreferenz, die jemand anderen enthält. Auch die Referenz eines fremden Outfits kann Gesicht oder Körperbau der anderen Person einschleusen; schneiden Sie die Quelle möglichst auf das Kleidungsstück zu und weisen Sie sie ausdrücklich nur der Kleidung zu.

Für Maras Outfit-Beitrag wäre die vorgeschlagene Anweisung:

First reference supplies Mara's adult identity, age, short copper curls and body proportions. Second reference supplies only the navy coat design. Show Mara standing in a plain dressing room, three-quarter view, coat fully visible, both hands relaxed at her sides. Keep her face and build; change the clothing and setting only. Do not borrow the person or pose from the garment reference.

Für einen Zimmerbeitrag kehren Sie zum selben Identitätsanker zurück, entfernen Sie die Kleidungsreferenz und hängen Sie bei Bedarf einen leeren Raum an. Für einen Grußclip animieren Sie das akzeptierte Zimmer-Standbild mit einem kleinen Lächeln und einem Blickwechsel. Beginnen Sie nicht mit einem engen Profilfoto und lassen Sie das Videomodell darum herum eine Ganzkörper-Zimmerszene erfinden.

Prüfen Sie Proportionen bei ähnlicher Ansicht und ähnlichem Ausschnitt. Eine nähere Kamera lässt den Kopf größer wirken; eine andere Pose verändert die Taillenlinie. Solche Unterschiede sind nicht automatisch eine neue Identität. Ein breiterer Kiefer, ein verschobener Haaransatz oder ein anderes Verhältnis von Schulter zu Taille bei gleichem Winkel ist ein besserer Grund, einen Kandidaten abzulehnen. Das sind vorgeschlagene Produktionsentscheidungen, kein neuer Konsistenztest für Erwachsenenserien. Die Beobachtungen zur Inhaltsverarbeitung am Ende dieses Artikels beziehen sich weiterhin nur auf die getesteten Modelle und Aufgaben.

Eine zweite erwachsene Person nur hinzufügen, wenn die Szene sie braucht

Für einen Begleiter in der Werkstatt nehmen Sie Elis eigenes Porträt als zweite Identitätsquelle und rücken Sie die leere Werkstatt an die dritte Stelle. Geben Sie die Reihenfolge an:

First reference supplies Mara; second supplies Eli, a fictional adult man aged 36 with wavy dark hair, short stubble and a rust overshirt; third supplies only the workshop. Mara kneels at the bicycle's front wheel on viewer-left, checking the mudguard. Eli, standing on viewer-right, holds the handlebars. The yellow bag sits on the bench behind them. Both faces are visible, their bodies separated, and neither touches the other's arms.

Illustration, kein Ergebnis des Zielmodells: Die gezeigte Anordnung weist jeder erwachsenen Person und dem Fahrrad eine eigene Rolle zu; sie beweist weder eine abgeschlossene Reparatur noch identitätserhaltende Erzeugung.

Ein Gesichtstausch, ein Jackentausch und ein Tausch des Taschenbesitzers sind unterschiedliche Fehler. Kehren Sie also zu der Referenzzuweisung zurück, die zum Symptom passt, statt eine allgemeine Zeile "same character" hinzuzufügen. Für Kleidungszuordnung und Kontaktpunkte siehe die Anleitung zu KI-Bildern mit zwei Figuren.

Das akzeptierte Standbild animieren

Übergeben Sie das freigegebene Werkstatt-Standbild als image_url an Seedance 2.5 Bild-zu-Video, mit:

Locked camera. Mara slowly turns her head from the bicycle toward the doorway, then holds her gaze. Keep her short copper curls, facial identity, green jacket and cream shirt. Her body stays in place. The bicycle and yellow bag remain stationary. No walking, camera orbit or new person.

Bei $0.2773 pro Sekunde kosten fünf Sekunden $1.3865; 480p kostet $0.1234 pro Sekunde und 1080p $0.6823. Mit und ohne Audio ist der Preis gleich, das Abschalten ist also eine redaktionelle Entscheidung und keine Ersparnis. Die Dauer reicht von 4 bis 30 Sekunden in ganzen Sekunden, aber eine erste kleine Bewegung braucht nicht mehr als fünf.

Sehen Sie sich den ganzen Clip an, besonders die Drehung und die Rückkehr aus dem Profil: Übereinstimmende erste und letzte Bilder schließen nicht aus, dass sich das Gesicht in der Mitte verändert. Prüfen Sie auch Tasche und Fahrrad, die sich nicht bewegen oder Teile hinzugewinnen sollten. Driftet die Identität bei der Drehung, verkleinern Sie den Winkel oder nutzen Sie über die Referenzaufgabe weiter unten ein freigegebenes Profil-Standbild, statt weitere Bewegungswörter anzuhäufen.

Zur nächsten Einstellung weitergehen

Mit return_last_frame kommt das letzte Bild des Clips als Bild zurück. Vergleichen Sie es zuerst mit dem Anker. Hält es, verwenden Sie es als image_url des nächsten Clips; ist es gedriftet, gehen Sie zu einem freigegebenen Standbild zurück. Wer ungeprüfte letzte Bilder verkettet, trägt einen kleinen Fehler in jede spätere Einstellung. Bringen Sie akzeptierte Clips in Reihenfolge und prüfen Sie jeden Schnitt auf Jacke, Taschenseite und Blickachse, bevor Sie eine einzelne Einstellung verfeinern.

Wann Referenz-zu-Video sinnvoll ist

Seedance 2.5 Referenz-zu-Video ist für getrennt zugewiesene Quellen gedacht. Nutzen Sie es, wenn die Einstellung getrennt gelieferte Identitäten und einen Schauplatz kombinieren muss; nutzen Sie Bild-zu-Video, wenn ein freigegebenes Standbild den gewünschten Anfang schon enthält. Es akzeptiert bis zu dreißig Referenzbilder und verwendet Token wie @Image1. Ein Start-Prompt:

Use @Image1 for Mara's identity and green work jacket. Use @Image2 for the empty workshop. One fictional adult mechanic stands beside a stationary bicycle and turns slightly toward the doorway. Locked camera, quiet five-second shot, no dialogue.

Übergeben Sie reference_image_urls in dieser Reihenfolge, mit 3:4, fünf Sekunden und 720p. Kombinieren Sie den Referenzbildmodus nicht mit einem Startbild. Nur mit Bildreferenzen kostet 720p ebenfalls $0.2773 pro Sekunde. Ein angehängtes Referenzvideo ändert den Preis und fügt der abgerechneten Dauer Material hinzu; holen Sie dafür ein separates Angebot ein.

Ein Standbild reparieren, ohne die Serie zurückzusetzen

Qwen Image 2.1 akzeptiert eine Schwarz-Weiß-Maske nur mit einem Referenzbild: Weiß markiert die gewünschte Reparatur, Schwarz die Bereiche, die erhalten bleiben. Die Maske lenkt die Bearbeitung; sie garantiert keine unveränderten Pixel. Für einen fehlerhaften Taschenriemen laden Sie die akzeptierte Szene als einzige Quelle hoch und maskieren Sie den Riemen und seinen Ansatz, nicht Maras Oberkörper. Fordern Sie "one continuous yellow bag strap attached to the existing bag; retain the face, jacket and room." Ändert sich das Gesicht, kehren Sie zum Master vor der Bearbeitung zurück.

Erwachsene Figuren

Derselbe Ablauf funktioniert für Figuren für Erwachsene. Qwen Image 2.1 Bearbeitung sowie Seedance 2.5 Bild-zu-Video und Referenz-zu-Video lieferten in ihren Inhaltstests die Prompts für Erwachsene aus. Diese Ergebnisse sprechen dafür, diese Routen für reife Szenen zu verwenden; Anker, Referenzrollen und Identitätsprüfungen bleiben dieselben. Verwenden Sie fiktive Erwachsene oder Bilder, die Sie verändern dürfen. Der Qwen-Bearbeitungsbericht listet auf, was der Editor über die Inhaltsstufen hinweg tut; behalten Sie die Referenzen und Prüfungen im Stil von Mara bei und beurteilen Sie die Identität auf dieselbe Weise.

Wenn Referenzen nicht reichen

Muss eine Figur über Dutzende Bilder und extreme Blickwinkel hinweg stabil bleiben, erwägen Sie ein Figuren-LoRA, trainiert für genau das Modell, das Sie verwenden werden. Kuratieren Sie die Identität vor dem Training: Ein realistischer wirkendes Gesicht mit anderem Kiefer ist immer noch die falsche Figur und gehört nicht in den Trainingssatz. Die Qwen-Image-2.1-LoRA-Bearbeitung nimmt bis zu drei LoRA-Gewichte per URL und kostet mit einer Referenz $0.042 bei 1k und $0.15 bei 2k. Die LoRA-API-Anleitung zeigt die Anfrage; Qwen Image 2512 LoRA-Bearbeitung erklärt, welche Gewichte zu welcher Aufgabe passen.

Das freigegebene Setup über die API nutzen

Setzen Sie SPICY_API_KEY in Ihrer Umgebung. Setzen Sie CHARACTER_IMAGE_URL, WORKSHOP_IMAGE_URL auf die direkten HTTPS-URLs Ihrer freigegebenen Bilder. Führen Sie das Skript mit Python 3 aus; bestätigen Sie das angezeigte Angebot nur, wenn Sie einen neuen kostenpflichtigen Versuch wollen.

import json
import os
import uuid
from pathlib import Path
from urllib.request import Request, urlopen

payload = {"model": 'alibaba/qwen-image-2.1/edit', "input": {
    'prompt': 'Use image one for the adult mechanic Mara, her short copper curls and green jacket. Image two supplies only the empty workshop. Show her standing beside one dark commuter bicycle, one hand on the handlebar. Keep her face recognizable. Soft side daylight, no other people or lettering.',
    'image_urls': [os.environ['CHARACTER_IMAGE_URL'], os.environ['WORKSHOP_IMAGE_URL']],
    'resolution': '2k',
    'aspect_ratio': '3:4',
    'output_format': 'png',
    'background': 'opaque',
    'enable_prompt_expansion': False,
}}

def api(action, body, key=None):
    headers = {"Authorization": "Bearer " + os.environ["SPICY_API_KEY"],
               "Content-Type": "application/json"}
    if key:
        headers["Idempotency-Key"] = key
    request = Request("https://api.spicyapi.ai/api/v1/jobs/" + action,
                      data=json.dumps(body).encode(), headers=headers)
    with urlopen(request, timeout=60) as response:
        result = json.load(response)
    if result.get("code") != 200:
        raise RuntimeError(result)
    return result["data"]

quote = api("quote", payload)
print("Maximum charge (USD):", quote["maxCharge"])
if input("Create this new attempt? Type yes: ").strip() != "yes":
    raise SystemExit("No task created")
key = str(uuid.uuid4())
body = {**payload, "quoteId": quote["quoteId"],
        "expectedCost": quote["estimatedCost"]}
Path(key + ".json").write_text(json.dumps({"key": key, "request": body}))
task = api("createTask", body, key)
Path(key + ".task.json").write_text(json.dumps(task))
print("Task ID:", task["taskId"])

Bewahren Sie den gespeicherten Schlüssel für Wiederholungen derselben Anfrage auf. Ergebnisabruf und Dateihandhabung stehen in der Task-API-Anleitung.

Für wiederholte Bearbeitungen kann ein Agent den freigegebenen Auftrag übernehmen:

• CLI: npx @spicyapi/cli tasks create --model alibaba/qwen-image-2.1/edit --input-file input.json --wait verwendet dieselben Eingabefelder.
• MCP: Bitten Sie es, spicyapi_task_create und danach spicyapi_task_wait zu verwenden.
• Skill: Installieren Sie ihn mit npx skills add spicyapi-ai/spicy-skill und bitten Sie dann den spicyapi-Skill, dieses Setup auszuführen, nachdem er sein Angebot gezeigt hat.

FAQ

Helfen mehr Referenzbilder immer?

Nein. Ein freigegebenes Porträt plus ein Szenenbild ist der übliche Start. Fügen Sie eine Ansicht nur für einen fehlenden Blickwinkel hinzu und entfernen Sie jedes Bild mit einem anderen Gesicht. Alle zehn Plätze zu füllen macht die Anfrage meist schwerer interpretierbar.

Beweist ein konsistentes Standbild, dass das Video konsistent wird?

Nein. Eine Drehung, eine Verdeckung oder eine Hand vor dem Gesicht kann Merkmale zeigen, die das Standbild nie zeigte. Sehen Sie sich den ganzen Clip an und vergleichen Sie die Drehung und das letzte Bild mit dem Anker.

Woher bekomme ich ein Character Sheet?

Erzeugen Sie es aus dem Anker mit Bearbeitungen mit jeweils nur einem Zweck, ein Blickwinkel pro Aufruf, und geben Sie jede Ansicht gegen den Anker frei. Beispiel: "Edit the approved portrait to a side profile on the same plain grey background; keep the face, hair and green jacket unchanged." Jede Bearbeitung kostet $0.036 bei 1k. Behalten Sie als Referenzen nur freigegebene Ansichten.

Welcher Weg passt

Nutzen Sie Qwen Image 2.1 für Referenzbearbeitungen mit zugewiesenen Rollen oder für eine maskierte Reparatur mit einem Quellbild. Seedream 5.0 Flash bietet einen pauschalen Referenzpreis; Seedance 2.5 Bild-zu-Video verankert den ersten Clip, während Sie mit Referenz-zu-Video getrennte Quellen zuweisen können. Driftet dasselbe Merkmal weiter, ersetzen Sie die widersprüchliche Referenz oder verkleinern Sie den Winkel, bevor Sie erneut rendern.