AI生成同一个人物不同动作：提示词怎么写才更稳

先把“同一个人”说清楚，不然动作一换就跑脸

做人物连贯图，最容易翻车的不是动作，而是“身份没钉住”。很多人一上来就写“站着、跑步、回头、挥手”，结果每张图都像不同演员借了同一套衣服。原因很简单：模型先理解的是整体画面，不会自动替你记住一个稳定人物。

想让同一个人物做不同动作，提示词里最重要的不是动作词本身，而是人物身份锚点。也就是你要反复固定的那几项：年龄段、性别、脸型、发型、发色、肤色、穿着、气质、标志性配饰。锚点越稳定，动作变化时越不容易漂。

最实用的写法不是“一个年轻女性”，而是把她写成一组可识别特征。例如：“28岁亚洲女性，短黑发，齐刘海，圆脸，左眼下有一颗小痣，米白色针织衫，细银色耳钉，干净温和的气质”。这类信息不只是描述好看，而是在给模型建立人物身份证。

如果你用的是机灵助手这类提示词辅助工具，也可以先把人物卡写好，再去改动作。这样生成第一张图后，后面的图只换动作，不换人物设定，稳定性会高很多。

动作别只写一个词，要把姿态写完整

“跳起来”“坐下”“挥手”这种词太短，模型能懂个大概，但细节会自己补，补着补着就偏了。更稳的方式是把动作拆成“起点姿态 + 身体重心 + 手脚位置 + 面部状态”。

比如你想要“跑步”，不要只写“跑步中的女孩”，可以写成：“向前慢跑，身体微微前倾，右腿向前迈出，左臂摆在胸前，右臂向后摆动，表情专注但放松”。这样模型更容易理解动作结构，也更容易在不同镜头里保持一致。

如果你想要“回头”，也别只写“回头看”。可以写成：“身体朝前行走，头部向左后方转回，肩膀略微跟随转动，眼神看向镜头，步伐不停”。这类写法能把动作拆开，避免生成成“整个人扭成九十度”的生硬姿势。

动作描述还有一个常见误区：一次塞太多动作。比如“站着、举手、微笑、低头、转身、看镜头”全写进去，模型会不知道重点。一个画面尽量只保留一个主动作，再附带一个小动作即可。

镜头、场景、光线也要固定，不然同人不同图像不像同一组

很多人只关注人物和动作，却忽略了镜头语言。实际上，人物一致性不仅取决于脸，还取决于你给的拍摄条件。镜头一变，身份感就会变；光线一乱，脸部特征也会变。

写提示词时，最好把这几项顺手固定：

• 镜头距离：半身、全身、近景、特写
• 视角：平视、俯拍、仰拍、侧面
• 镜头焦段：35mm、50mm、85mm 之类的摄影表达
• 光线：自然光、窗边光、柔和棚拍光、逆光
• 背景：纯色、室内、街头、办公室、咖啡馆

例如你在做同一个人物的系列动作图，最好别一张是广角全身，一张是超近景脸部特写，再一张是俯拍俯到只剩头顶。不是不能换，而是换得太猛，模型会以为你换了项目。

更稳的做法是先定一套通用模板，比如：“室内自然光，浅景深，50mm 镜头，半身构图，背景简洁，柔和色调”。之后每张图只改动作和少量场景细节，整体就会更像同一组作品。

一个人物反复出图，最怕信息互相打架

提示词里最容易埋雷的地方，是前后信息冲突。比如你写“短发”，后面又写“长发飘动”；前面写“白衬衫”，后面又写“黑色连帽衫”；前面写“安静气质”，后面又写“夸张搞怪表情”。模型会在这些信息里摇摆，最后生成结果就不稳定。

尤其是同一人物不同动作的场景，建议把提示词分成三层：

• 人物层：脸、发型、服装、年龄、配饰
• 动作层：这张图具体在做什么
• 画面层：镜头、背景、光线、风格、质量要求

这三层一旦混写，就会出现“动作吃掉人物”的情况。比如你写“穿红裙的女孩在森林里奔跑，森林被晨雾包围，红色丝带飞舞，电影感，暖色调，裙摆飘动，动作轻盈，黑色短发，圆脸，耳环，目光坚定……”信息很多，但如果没有顺序，模型有时会优先抓森林和丝带，反而把脸部特征弄丢。

更好的方式是把人物身份放在前面，动作放中间，风格放后面。模型更容易先锁人，再理解动作。

别让“动作词”单打独斗，补上情绪和目的会稳很多

同一个动作，如果没有情绪和场景目的，画面容易像摆拍。比如“站着”“走路”“坐下”这些词太中性，模型会给你一个中规中矩的姿态，但人物神态容易空。

加上情绪之后，动作会更像真实人物在做事。比如：

• 不是“挥手”，而是“抬手向镜头挥手，带着轻松的笑意，像在和熟人告别”
• 不是“低头看手机”，而是“低头查看手机消息，眉头轻皱，像刚收到一条重要通知”
• 不是“坐在椅子上”，而是“坐在靠窗椅子上，身体微微前倾，神情专注地听人说话”

这种写法的好处，是模型知道这个动作为什么发生，表情和手势就更统一。哪怕换成不同动作，也会保持同一种人物性格。

如果你是在做一组角色动作图，尤其适合先定一个人设关键词，例如“安静克制”“轻快外向”“成熟利落”“学生感”“运动感”。人设词不要堆太多，一个主气质就够了。太多会让表情和姿势一起散。

想要同一角色连续出图，可以直接套这个骨架

比起临场乱拼，最稳的是用固定骨架。一个可复用的提示词结构，大致可以这样排：

人物身份 + 服装与配饰 + 动作 + 情绪 + 镜头与构图 + 光线与背景 + 风格与质量

例如：

“28岁亚洲女性，短黑发，齐刘海，圆脸，左眼下有小痣，米白色针织衫，细银色耳钉，站在窗边向左侧回头看镜头，肩膀略微转动，表情平静温柔，半身构图，50mm 镜头，自然窗光，室内简洁背景，柔和电影感，高细节，真实肤质。”

如果下一张要换动作，只改动作部分即可：

“28岁亚洲女性，短黑发，齐刘海，圆脸，左眼下有小痣，米白色针织衫，细银色耳钉，坐在椅子上低头看书，右手轻轻翻页，神情专注，半身构图，50mm 镜头，自然窗光，室内简洁背景，柔和电影感，高细节，真实肤质。”

你会发现，人物卡和画面条件都没变，变化只落在动作上，出图稳定度就高了很多。机灵助手里做提示词整理时，也很适合按这个结构保存成模板，后面批量改动作会快很多。

不同动作怎么写，才能让同一个人看起来像连续镜头

如果想做系列图，动作之间不能只换关键词，还要考虑“前一张和后一张是不是同一个时间轴”。比如站立、行走、转身、坐下、拿起杯子，这些动作之间是连得上的；但如果一张是奔跑，一张是仰躺，一张是跳舞空翻，除非你故意做风格化分镜，否则很难让人相信是同一组连续画面。

比较稳的动作链，通常有这几类：

• 日常连续动作：站立、走路、坐下、抬手、回头、整理衣角
• 工作动作：打字、翻文件、拿笔、看屏幕、讲解、记录
• 情绪动作：微笑、沉思、点头、轻叹、侧目、抱臂
• 展示动作：举起产品、展示手势、比心、挥手、拿包、转身露背面

如果要做“同一人物不同动作”的九宫格，最怕的是每一格都像单独拍的封面，没有前后关系。解决办法是让每个动作都保留同一套视觉条件，再让姿势变化有一点点递进感。这样系列图才像同一角色在不同瞬间被记录下来。

给你一个更稳的示例

“同一位 30 岁短发女性角色，黑色锁骨短发，浅棕色风衣，白色内搭，银色腕表，城市街头，统一的傍晚柔光，50mm 镜头，半身到全身构图。第一张站在路边看向远处，第二张向前迈步，第三张转头微笑，第四张抬手整理头发，第五张低头看手机，第六张停下脚步回望镜头。”

这个示例的关键不在“动作丰富”，而在统一的人物卡、统一的镜头、统一的时间和光线。如果这些基础没锁住，动作再多也只是换装人偶。

负面提示词别省，尤其是“变脸”和“多手多脚”

很多人只写正向提示词，不写负面提示词，结果人物稳定性差得很。对于同一人物不同动作，负面提示词并不是锦上添花，而是防止模型乱发挥的重要工具。

常见要加的负面方向有：

• 多余肢体、额外手指、扭曲手部
• 脸部变形、五官错位、左右脸不一致
• 发型变化、发色漂移、服装跑偏
• 多人入镜、背景杂乱抢主体
• 低清晰度、模糊、过曝、过度磨皮

如果你做的是动作变化明显的人像，手部尤其值得关注。因为动作一多，手就容易出问题。比如挥手、拿东西、整理头发、抱臂、撑桌子，这些动作都在考验模型的肢体控制。负面提示词加上“多余手指、畸形手部、手部融合”之类内容，通常会更稳。

不过负面词也别堆成一长串清单，堆太多有时会把画面压得过死。一般保留最常见的 5 到 10 项就够了，重点是精准，而不是越长越好。

换动作的时候，最值得固定的其实是“服装”和“发型”

如果你只想让观众一眼认出这是同一个人，服装和发型往往比脸部微调更可靠。因为同一张脸在不同角度、不同光线下本来就会有偏差，但发型轮廓和衣服色块更容易被记住。

所以做系列动作图时，建议尽量保持：

• 同一发型：长度、刘海、卷直、分缝不乱变
• 同一主色服装：不要一会儿白衬衫一会儿红礼服
• 同一配饰：耳钉、眼镜、项链、帽子尽量固定
• 同一年龄感：不要一张像学生，一张像职场人

如果你想表达角色成长或阶段变化，那是另一种任务，应该单独设定。不要把“同一人物不同动作”和“同一人物不同造型”混在一起做，不然你会很难判断到底是动作不稳，还是角色设定本身就变了。

在一些需要批量产出的场景里，机灵助手这类工具的价值就在于帮你先把设定整理成稳定模板，再批量替换动作词。这样可以少掉很多重复试错。

一套能直接拿去改的提示词模板

下面这套模板适合做同一人物的动作系列。你只要替换中括号里的内容就行：

“[年龄][性别][人种/地域特征]，[发型]，[发色]，[脸型与标志性特征]，[服装]，[配饰]，[主动作]，[动作细节]，[表情与情绪]，[镜头距离]，[拍摄角度]，[光线]，[背景]，[整体风格]，[高清、真实肤质、高细节]。”

示例一：

“26岁亚洲女性，及肩黑发，微卷发尾，瓜子脸，鼻梁高，穿浅灰色西装外套和白衬衫，戴细框眼镜，站在办公桌旁整理文件，左手扶住文件夹，神情专注，半身构图，平视角度，柔和室内光，背景是简洁办公室，干净写实风格，高清，真实肤质，高细节。”

示例二：

“26岁亚洲女性，及肩黑发，微卷发尾，瓜子脸，鼻梁高，穿浅灰色西装外套和白衬衫，戴细框眼镜，坐在办公桌前低头看电脑屏幕，右手轻点鼠标，神情认真，半身构图，平视角度，柔和室内光，背景是简洁办公室，干净写实风格，高清，真实肤质，高细节。”

这两句的核心差别只有动作，但因为人物和画面条件完全一致，所以更容易得到一组能连起来看的图。

几个最常见的坑，避开以后出图会顺很多

第一，动作写得太抽象。比如“很有表现力”“很自然”“很高级”，这些词对模型帮助有限，最好换成具体姿态。

第二，动作和场景不匹配。比如写“在狭小电梯里大幅奔跑”，模型会乱补空间；写“在椅子上跳跃”，也会造成肢体混乱。动作要和场景物理条件一致。

第三，人物特征太少。只写“漂亮女孩”，那基本等于没写身份。越是想保持同一人物，越要把脸、发型、服装写细。

第四，每次都改太多变量。想验证动作是否稳定，一次只改一个主动作，别同时改发型、服装、背景和镜头。

第五，过度追求长提示词。长不等于稳。重复和冲突越多，模型越容易失焦。写提示词时，删掉无用形容词，保留能锁定身份和姿势的信息，往往更有效。

如果你经常要做同一角色的多动作图，可以把人物卡、镜头卡、动作词库分开保存。真正用的时候，只替换动作和少量情绪词。这样不仅稳定，也更适合批量产出。机灵助手这类工具在这里的作用，就是帮你把这些重复劳动压缩掉，让你更快得到一组可复用的模板。

做“同一个人物不同动作”，本质上是在和模型一起维护连续性。人物要固定，动作要具体，镜头要统一，冲突要少，负面提示词要补上。把这几件事做实，出图就不会一会儿像这人，一会儿像那人。真正好用的提示词，不是写得最花，而是每次都能把同一个角色稳稳拉回来。