什麼是 AI 影片中的角色漂移？
深入定義 AI 影片中的角色漂移：哪些特徵會漂移、為何會發生、現有工具為何無法原生解決，以及 2026 年真正可行的解法。
角色漂移指的是 AI 生成角色的外觀在每個鏡頭間細微變化，到了第六、第七個鏡頭時，你看到的已是另一個人。
這是敘事型 AI 影片—短片、短劇、品牌故事—目前在多數工具上跑不起來的最大原因。
本文精準定義角色漂移、解釋為何發生、深入分析其成因，並涵蓋 2026 年真正能解決問題的技術。
精確的定義
角色漂移指的是跨多個 AI 生成影片鏡頭中，角色定義身份的特徵發生非自願、漸進式的變化，而使用者本意是希望這些特徵保持不變。
漂移是非自願的—使用者想要一致性。它是漸進的—每個鏡頭只變一點點。它影響的是定義身份的特徵—讓一個人能被認出是他自己的特徵。
漂移不同於：
- 風格變化（刻意，例如從寫實切換到水彩）
- 狀態變化（刻意，例如同一角色現在生氣、受傷或變老）
- 姿勢／角度變化（刻意，例如從正面換到側面）
漂移是當你想要同一個人，卻得到另一個人的時候。
哪些特徵會漂移？
從我們整理的數千筆公開工具生成結果來看，漂移通常影響這些特徵：
- 眼睛顏色—最常見的漂移。棕色變成淡褐再變成綠色，幾個鏡頭就漂走。
- 眼型—單眼皮變雙眼皮、窄變寬。
- 下顎線—尖變柔、方變圓。
- 髮際線—後退或前進、分線改變。
- 膚色—偏暖或偏冷 5 至 10%。
- 臉部比例—眼距、鼻嘴比例、下巴長度。
- 髮色—黑變棕變深棕。
- 身體比例—身高、體型、體態。
- 辨識特徵—痣、疤痕、配件出現或消失。
- 風格特性—寫實到略微風格化的呈現。
其中有些一眼就看得出來。其他（眼距、鼻嘴比例）則屬於潛意識感知—觀眾感覺哪裡怪怪的，但說不出是什麼變了。
為何會發生漂移？
三個結構性原因。
1. 生成式影片模型是無狀態的
當你生成第 1 個鏡頭時，模型把提示詞轉成潛在表示、執行擴散流程、輸出影格。內部狀態並未保留。當你用同一個提示詞生成第 2 個鏡頭時，模型從頭開始。
新一輪生成是相似但不相同，因為擴散採樣具隨機性。即使提示詞相似，每次生成都是模型潛在空間中不同的隨機路徑。
2. 提示詞描述類別，而非身份
像「30 歲亞洲女性，黑色齊肩短髮」這樣的提示詞描述的類別包含數百萬種有效的人。模型每次都挑一個。沒有更具體的指示，就無法鎖定特定的人。
部分工具接受參考圖。這對前 2 至 3 個鏡頭有幫助，但模型會逐漸偏重提示詞而非參考圖，漂移又重新出現。
3. 漂移跨鏡頭累積
即使每個鏡頭只有微小差異也會累積。如果每個鏡頭從原始參考漂移 3%，到第 10 個鏡頭你已偏離 30%。到第 20 個鏡頭，角色已認不出來。
漂移的數學是指數的，不是線性的。
為何現有工具無法原生解決？
多數 AI 影片工具（Runway Gen-3、Pika 2.0、Sora、Kling、Veo 3、Seedance 2.0）都針對單鏡頭品質做最佳化。研發資源都投入到讓每個生成盡可能漂亮。多鏡頭一致性是另一個問題，需要另一套架構，而這對基礎模型本身一直不是優先事項。
最接近原生解決的工具（Sora、Seedance），在我們的測試中仍從第 3 至 4 個鏡頭起出現明顯漂移。
哪些技術真正解決漂移？
五種做法，依效果排序：
1. 相同提示詞 + 相同種子（多半無效）
理論：相同輸入應產生相同輸出。
實際：現代影片模型有隨機元素（噪聲排程、注意力 dropout）並不完全遵守種子。即使輸入相同，幀層級仍會出現差異。
結果：能微幅減少漂移，但無法消除。
2. 每個鏡頭都附參考圖（約 3 個鏡頭內有效）
理論：每個提示詞都附上參考圖以錨定角色。
實際：第 1 至 3 個鏡頭有效，第 4 至 6 個鏡頭漂移，第 8 至 10 個鏡頭崩潰。
結果：對短內容有幫助，敘事內容會失敗。
3. 每個角色微調 LoRA（有效但無法擴展）
理論：用角色照片訓練小型客製模型，所有鏡頭都用它。
實際：對圖像生成效果很好。對影片來說，需要 20 張以上照片，每個角色訓練耗時 30 分鐘至 2 小時，無法良好泛化到動作，也無法在多角色之間組合。
結果：可達到生產級一致性，但工作流程無法擴展。
4. IP-Adapter／純參考圖條件控制（中等效果）
理論：把參考圖特徵注入模型注意力層，繞過提示詞。
實際：5 至 10 個鏡頭內可達中等一致性，20 個鏡頭以上崩潰，姿勢大幅變化時也會崩。
結果：對中等長度內容穩固，全長敘事會失敗。
5. 角色即資產架構（當前最先進）
理論：把角色視為一級的持久化資產，以 embedding 形式儲存，而不是放在提示詞細節中。把 embedding 直接注入模型條件控制。搭配根據漂移模式目錄自動產生的負向提示詞。
實際：這正是 Juying 等工具圍繞建構的做法。在我們的測試中，這種做法能在 30 個以上鏡頭中維持高度一致性。
結果：敘事內容可達到生產級一致性。
如何在任何工具中測試漂移
三個快速測試：
測試 1—30 鏡頭測試：在 30 個不同場景（不同光線、角度、情緒）中生成同一角色。排成網格，把臉並排比對。應該明顯是同一個人。
測試 2—端到端測試：直接比對第 1 個與第 30 個鏡頭。應該無法分辨他們不是同一人。
測試 3—重用測試：今天生成一個角色。明天帶不同腳本回來，能否不重新建立就重用同一個角色？
三個測試都通過的工具，已在生產層級解決漂移問題。任何一項失敗，就還沒解決。
常見問題
角色漂移和「恐怖谷」一樣嗎？
不一樣。恐怖谷指的是單一人物呈現中細微的不對勁。漂移指的則是跨多次呈現中的身份變化。
漂移會影響非人類角色嗎？
會。漂移影響動畫角色、風格化角色、動物，甚至物件。任何具有定義身份特徵的東西都會漂移。
我能在後製中修復漂移嗎？
部分可以。你可以對個別鏡頭做換臉或合成，但人力密集，大規模套用會看起來很假。在生成階段解決漂移遠優於事後修補。
影片越長漂移越嚴重嗎？
是的。漂移會累積，所以 5 分鐘影片比 30 秒影片漂移更嚴重，其他條件相同時。這也是長片 AI 影片如此困難的原因之一。
漂移本質上無解嗎？
不是。角色即資產架構有效。挑戰在於工程上要做得好—建構正確的 embedding 抽取、正確的漂移模式目錄、正確的一致性檢查迴圈。投入此層的工具能在生產層級解決漂移。
重點結論
角色漂移不是模型問題—是架構問題。更大的影片模型不會解決它；只會產出更高品質的漂移。解法在於模型之上的層：身份如何儲存、檢索、注入到生成中。
如果你正在挑選 AI 影片工具，且工作涉及同一角色出現在多個鏡頭，該問的問題是：
「你的工具如何跨生成儲存與檢索角色身份？」
若答案是「我們用參考圖」—漂移會發生。若答案是「我們把 embedding 儲存為持久化角色資產，並注入到條件控制中」—漂移已大幅解決。
相關閱讀
試試原生解決漂移的工具—Juying—提供免費方案。