Spójne postacie AI: workflow referencji i kontroli

Masz jeden portret postaci, która Ci się podoba. Na drugim obrazie szczęka jest już trochę inna, na trzecim linia włosów się zmieniła, a gdy to animujesz, twarz zmienia się podczas obrotu. Rozwiązaniem nie jest dłuższy opis. To krótki, rygorystyczny proces: zachowaj jeden zatwierdzony obraz tożsamości, daj każdej innej referencji jedno zadanie, buduj każde nowe ujęcie od tej kotwicy, a nie od ostatniego wyniku, i sprawdzaj każdy wynik z kotwicą, zanim stanie się źródłem.

Zacznij od edycji w Qwen Image 2.1 z 3:4, PNG i wyłączonym rozszerzaniem promptu. Użyj 1k dla jednej referencji (0,036 $); od dwóch obrazów referencyjnych 2k kosztuje tyle samo lub mniej, ryczałtowo 0,048 $, więc wybierz 2k dla warsztatu i scen z dwiema postaciami. Do pierwszego wideo animuj zaakceptowany still za pomocą Seedance 2.5 obraz na wideo przy pięciu sekundach i 720p: 1,3865 $. Przy dwóch obrazach referencyjnych pierwsza scena w 2k kosztuje 0,048 $; dwie kolejne edycje scen z tym ustawieniem plus jeden pięciosekundowy klip w 720p dają razem 1,5305 $, przed ponownymi próbami i stworzeniem kotwicy.

Przykład przewodni to Mara, fikcyjna dorosła mechaniczka rowerowa w wieku 34 lat, z krótkimi miedzianymi lokami, leśnozieloną kurtką i kremową koszulą. Cel to trzy rozpoznawalne stille, druga postać obok niej i krótki obrót w stronę drzwi warsztatu.

Zbuduj jedną kotwicę, a nie dziesięć konkurujących twarzy

Wybierz portret od piersi w górę, z widocznymi obojgiem oczu, czytelnymi włosami i prostym światłem, z wystarczającą ilością ramienia i kurtki, by ustalić początkowy kostium. Zapisz go jako kotwicę tożsamości. Jeśli nie masz jeszcze portretu, wygeneruj cztery lub pięć kandydatów modelem tekst na obraz, takim jak Qwen Image 2.1 tekst na obraz (0,024 $ przy 1k), wybierz jeden i przestań generować twarze. Nigdy nie zastępuj kotwicy tą późniejszą sceną, która wygląda najlepiej: każda drobna zmiana się kumuluje, więc czwarty obraz może idealnie pasować do trzeciego i nie przypominać już pierwszego.

Dodaj drugi kąt tylko wtedy, gdy ujęcie potrzebuje informacji, której portretowi brakuje. Przy obrocie głowy zatwierdzony widok z trzech czwartych ustala linię nosa i loki na karku. Widok z tyłu ustala tył kurtki, ale nic nie dowodzi o twarzy. Jeśli wygenerowany kąt daje Marze inną szczękę lub linię włosów, odrzuć go zamiast dodawać do zestawu. Portret z przodu nie ustala cech ukrytych w profilu, więc zatwierdzaj kąty i wyrazy twarzy, których Twoja historia naprawdę używa.

Aby uzyskać dodatkowy kąt, edytuj zatwierdzony portret z jednym celem: "Show the same adult mechanic in side profile on the same plain grey background; keep her face, hair and green jacket." Edycja 1k z jedną referencją kosztuje 0,036 $. Zatwierdź wynik względem kotwicy, zanim dodasz go do zestawu.

Ilustracja, nie wynik modelu docelowego: arkusz wielu kątów wyjaśnia, jakie informacje referencyjne są przydatne; jego panele nie są zmierzonymi wynikami tożsamości Qwen.

Wgrywaj osobne, czyste obrazy zamiast jednego arkusza kontaktowego z podpisami i kilkoma twarzami, bo osobnym plikom łatwiej przypisać role. Oficjalne repozytorium Qwen Image 2.1 opisuje edycję z wieloma referencjami do dziesięciu obrazów; więcej obrazów referencyjnych nie znaczy automatycznie lepiej, a każdy potrzebuje zadania.

Stwórz pierwszą scenę z jawnymi rolami referencji

W Playground:

1. Otwórz edycję Qwen Image 2.1 i wgraj najpierw portret Mary, a jako drugi pusty warsztat.
2. Wklej poniższy prompt. Wybierz pion 3:4, 2k i PNG; zostaw rozszerzanie promptu wyłączone dla tego precyzyjnego zlecenia.
3. Sprawdź wycenę i wygeneruj jedną scenę. Zatwierdź twarz i kurtkę, zanim stworzysz następne ujęcie.

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.

Pisz prompty równie bezpośrednio: model do edycji nie potrzebuje długich instrukcji w stylu agenta, tylko każdego obrazu i jego zadania. Bez referencji warsztatu wyślij samą kotwicę, opisz pomieszczenie słowami i usuń zdanie o drugim obrazie. "Mara" to etykieta w Twoim prompcie, a nie zapisana tożsamość.

Seed nie zastępuje zatwierdzonego obrazu tożsamości: w tym modelu ten sam seed może zwrócić inny obraz, więc zachowaj plik, który Ci się podoba, a seed wykorzystuj tylko po to, by pozostać w tym samym sąsiedztwie.

Ile kosztuje każda referencja

W edycji Qwen Image 2.1 poziom 1k jest najtańszy przy poprawce z jedną referencją. Od dwóch obrazów referencyjnych jego poziom 2k jest większy za taką samą cenę lub niższą niż 1k, a 1.5k nigdy nie jest najlepszą ofertą. Seedream 5.0 Flash przyjmuje od 1 do 10 obrazów referencyjnych w jednej stałej cenie na poziomach 1k, 1.5k i 2k; użyj jawnie 3:4, 2k, PNG i nieprzezroczystego tła. Nie ma pola seed ani maski. Flash jest tańszą opcją przy 0,029 $, nawet gdy obowiązuje ryczałt 2k w Qwen. Seedream 5.0 Pro dolicza 0,003 $ za każdą dodatkową referencję i ma etap rozumowania, który możesz wyłączyć.

Stwórz dwa kolejne stille, nie zmieniając wszystkiego

Użyj kotwicy oraz zaakceptowanej sceny warsztatu, z odrębnymi rolami, i niech każdy prompt będzie jednym nowym wydarzeniem w historii:

Nie proś w jednym stillu o podniesienie torby, przejście do drzwi i zmianę kostiumu. Torba daje widoczną kontrolę ciągłości: najpierw na stole, potem w jej dłoni w drzwiach, potem znów na stole.

Sprawdzaj każdy wynik, zanim stanie się źródłem

Porównuj nowy still z pierwotną kotwicą, a nie z poprzednim wynikiem. Najpierw oceń cały kadr w rozmiarze docelowym: czy widz rozpoznałby Marę bez zielonej kurtki? Potem sprawdź oczy, nos, szczękę, uszy i linię włosów, gdy są widoczne, a następnie kołnierz kurtki, torbę i pomieszczenie. Wyraz twarzy traktuj osobno: skupione spojrzenie nie jest dryfem, ale zmieniony nos już tak.

Każdemu kandydatowi nadaj jeden z trzech werdyktów:

• Akceptuj: tożsamość i szczegóły ważne dla tego ujęcia są prawidłowe.
• Popraw: jedna rzecz jest błędna i potrafisz ją nazwać.
• Wstrzymaj: twarz jest zbyt mała lub zbyt zacieniona, by ją ocenić; poproś o bliższy plan średni, zanim użyjesz go jako źródła.

Zapisz powód obok pliku ("twarz i loki się zgadzają, prawa dłoń ukryta, tu niepotrzebna"), bo zatwierdzenie obejmuje jeden obraz do jednego zastosowania.

Przestań rozbudowywać serię, dopóki kotwica lub pierwsza scena są nierozstrzygnięte: dziesięć kolejnych obrazów z wątpliwej twarzy daje Ci tylko więcej do odrzucenia.

Zastosuj tę samą metodę referencji do feedu z dorosłymi postaciami

Historia z warsztatem pokazuje przypisania referencji, ale dorosły twórca często potrzebuje innego zestawu: portretu do profilu, posta ze stylizacją, sceny w pokoju i krótkiego powitania. Wykonaj te cztery zadania osobno. Atrakcyjna twarz wygenerowana raz nie wystarczy, by zachować sylwetkę osoby w całej serii w pełnej postaci.

Zachowaj jedną zatwierdzoną kotwicę twarzy i, jeśli kształt ciała ma znaczenie dla kolekcji, jeden zatwierdzony widok stojący z czytelnymi ramionami, talią i nogami. Unikaj referencji pomieszczenia, w którym ktoś jest. Referencja stroju innej osoby również może przenieść jej twarz lub sylwetkę; przytnij to źródło do ubioru, gdy to możliwe, i jawnie przypisz je tylko do odzieży.

Dla posta ze stylizacją Mary proponowana instrukcja brzmiałaby:

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.

Przy poście z pokojem wróć do tej samej kotwicy tożsamości, usuń referencję ubioru i w razie potrzeby dołącz pusty pokój. Przy klipie powitalnym animuj zaakceptowany still pokoju z lekkim uśmiechem i zmianą spojrzenia. Nie zaczynaj od ciasnego zdjęcia profilowego, prosząc model wideo, by wokół niego wymyślił scenę pokoju w pełnej postaci.

Sprawdzaj proporcje przy podobnym widoku i kadrze. Bliższa kamera sprawia, że głowa wygląda na większą; inna poza zmienia zarys talii. Takie różnice nie oznaczają automatycznie nowej tożsamości. Szersza szczęka, przesunięta linia włosów lub inna relacja barków do talii przy tym samym kącie to lepszy powód do odrzucenia kandydata. To proponowane decyzje produkcyjne, a nie nowy test spójności dla serii z dorosłymi. Obserwacje dotyczące obsługi treści na końcu artykułu pozostają specyficzne dla przetestowanych modeli i zadań.

Dodaj drugą dorosłą osobę tylko wtedy, gdy scena jej potrzebuje

Dla towarzysza w warsztacie użyj osobnego portretu Eliego jako drugiego źródła tożsamości, a pusty warsztat przesuń na trzecie miejsce. Podaj kolejność:

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.

Ilustracja, nie wynik modelu docelowego: pokazane ustawienie przypisuje każdej dorosłej osobie i rowerowi odrębną rolę; nie dowodzi ukończonej naprawy ani generowania zachowującego tożsamość.

Zamiana twarzy, zamiana kurtki i zamiana właściciela torby to różne błędy, więc wróć do przypisania referencji pasującego do objawu, zamiast dodawać ogólną linijkę "same character". W sprawie własności ubrań i punktów kontaktu zajrzyj do przewodnika po obrazach AI z dwiema postaciami (two-character-ai-images).

Animuj zaakceptowany still

Podaj zatwierdzony still warsztatu jako image_url do Seedance 2.5 obraz na wideo, z:

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.

Przy 0,2773 $ za sekundę pięć sekund kosztuje 1,3865 $; 480p to 0,1234 $ za sekundę, a 1080p 0,6823 $. Dźwięk włączony i wyłączony kosztuje tyle samo, więc jego wyłączenie jest decyzją redakcyjną, a nie oszczędnością. Czas trwania wynosi od 4 do 30 sekund w pełnych sekundach, ale pierwsza mała akcja nie potrzebuje więcej niż pięciu.

Obejrzyj cały klip, zwłaszcza obrót i powrót z profilu: zgodne pierwsza i ostatnia klatka nie wykluczają twarzy, która zmienia się w środku. Sprawdź też torbę i rower, które nie powinny się poruszać ani zyskiwać elementów. Jeśli tożsamość dryfuje przy obrocie, zmniejsz kąt albo użyj zatwierdzonego stilla z profilu przez zadanie referencyjne poniżej, zamiast piętrzyć słowa o ruchu.

Przejdź do następnego ujęcia

Przy włączonym return_last_frame ostatnia klatka klipu wraca jako obraz. Porównaj ją najpierw z kotwicą. Jeśli się trzyma, użyj jej jako image_url następnego klipu; jeśli odpłynęła, wróć do zatwierdzonego stilla. Łączenie niesprawdzonych ostatnich klatek przenosi mały błąd do każdego późniejszego ujęcia. Ułóż zaakceptowane klipy po kolei i sprawdź każde cięcie pod kątem kurtki, strony torby i linii wzroku, zanim zaczniesz dopracowywać pojedyncze ujęcie.

Kiedy używać referencji na wideo

Seedance 2.5 referencja na wideo służy do osobno przypisanych źródeł. Użyj go, gdy ujęcie musi połączyć osobno dostarczone tożsamości i miejsce akcji; użyj obrazu na wideo, gdy jeden zatwierdzony still już zawiera zamierzony początek. Przyjmuje do trzydziestu obrazów referencyjnych i używa znaczników takich jak @Image1. Przykładowy prompt startowy:

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.

Przekaż reference_image_urls w tej kolejności, z 3:4, pięcioma sekundami i 720p. Nie łącz trybu obrazów referencyjnych z obrazem pierwszej klatki. Przy samych referencjach obrazowych 720p również kosztuje 0,2773 $ za sekundę. Dołączenie wideo referencyjnego zmienia stawkę i dodaje materiał do rozliczanego czasu; poproś o osobną wycenę.

Napraw jeden still bez resetowania serii

Qwen Image 2.1 przyjmuje czarno-białą maskę tylko z jednym obrazem referencyjnym: biel oznacza żądaną naprawę, a czerń obszary do zachowania. Maska prowadzi edycję; nie gwarantuje niezmienionych pikseli. Przy wadliwym pasku torby wgraj zaakceptowaną scenę jako jedyne źródło i zamaskuj pasek wraz z mocowaniem, a nie tułów Mary. Poproś o "one continuous yellow bag strap attached to the existing bag; retain the face, jacket and room." Jeśli twarz się zmieni, wróć do mastera sprzed edycji.

Postacie dla dorosłych

Ten sam proces działa dla postaci skierowanych do dorosłych. Edycja Qwen Image 2.1 oraz Seedance 2.5 obraz na wideo i referencja na wideo wykonały prompty dla dorosłych w swoich testach treści. Te wyniki uzasadniają użycie tych dróg do scen dojrzałych; kotwica, role referencji i kontrole tożsamości pozostają takie same. Używaj fikcyjnych dorosłych albo obrazów, które masz prawo przekształcać. Raport o edycji Qwen wylicza, co edytor robi na różnych poziomach treści; zachowaj referencje i kontrole w stylu Mary i oceniaj tożsamość tak samo.

Gdy referencje nie wystarczają

Jeśli postać musi się utrzymać na dziesiątkach obrazów i skrajnych kątach, rozważ LoRA postaci wytrenowaną dla dokładnie tego modelu, którego użyjesz. Wyselekcjonuj tożsamość przed treningiem: bardziej realistyczna twarz z inną szczęką to nadal zła postać i powinna zostać poza zbiorem treningowym. Edycja LoRA w Qwen Image 2.1 przyjmuje do trzech wag LoRA przez URL i kosztuje 0,042 $ przy 1k oraz 0,15 $ przy 2k z jedną referencją. Przewodnik po API LoRA pokazuje żądanie; edycja LoRA w Qwen Image 2512 wyjaśnia, które wagi pasują do jakiego zadania.

Użyj zatwierdzonej konfiguracji przez API

Ustaw SPICY_API_KEY w swoim środowisku. Ustaw CHARACTER_IMAGE_URL, WORKSHOP_IMAGE_URL na bezpośrednie adresy HTTPS zatwierdzonych obrazów. Uruchom w Pythonie 3; potwierdź wyświetloną wycenę tylko wtedy, gdy chcesz nowej płatnej próby.

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"])

Zachowaj zapisany klucz do ponowień tego samego żądania. Pobieranie wyników i obsługa plików są opisane w przewodniku po API zadań.

Przy powtarzanych edycjach zatwierdzone zlecenie może obsłużyć Agent:

• CLI: npx @spicyapi/cli tasks create --model alibaba/qwen-image-2.1/edit --input-file input.json --wait używa tych samych pól wejściowych.
• MCP: poproś go o użycie spicyapi_task_create, a potem spicyapi_task_wait.
• Skill: zainstaluj poleceniem npx skills add spicyapi-ai/spicy-skill, a potem poproś Skill spicyapi o wykonanie tej konfiguracji po pokazaniu wyceny.

FAQ

Czy więcej obrazów referencyjnych zawsze pomaga?

Nie. Zwykły start to jeden zatwierdzony portret plus jeden obraz sceny. Dodawaj widok tylko dla brakującego kąta i usuwaj każdy obraz zawierający inną twarz. Wypełnienie wszystkich dziesięciu miejsc zwykle utrudnia interpretację żądania.

Czy spójny still dowodzi, że wideo będzie spójne?

Nie. Obrót, zasłonięcie lub dłoń przechodząca przed twarzą mogą ujawnić cechy, których still nigdy nie pokazał. Obejrzyj cały klip i porównaj obrót oraz ostatnią klatkę z kotwicą.

Skąd wziąć arkusz postaci?

Wygeneruj go z kotwicy edycjami o jednym celu, jeden kąt na wywołanie, i zatwierdzaj każdy widok względem kotwicy. Przykład: "Edit the approved portrait to a side profile on the same plain grey background; keep the face, hair and green jacket unchanged." Każda edycja kosztuje 0,036 $ przy 1k. Jako referencje zachowaj tylko zatwierdzone widoki.

Którą drogę wybrać

Używaj Qwen Image 2.1 do edycji z referencjami o przypisanych rolach lub do naprawy z maską na jednym obrazie źródłowym. Seedream 5.0 Flash oferuje stałą cenę referencji; Seedance 2.5 obraz na wideo kotwiczy pierwszy klip, a referencja na wideo pozwala przypisać osobne źródła. Jeśli ta sama cecha wciąż dryfuje, wymień konfliktującą referencję lub zmniejsz kąt przed kolejnym renderem.