怎么拍AI真人短剧的多角色对话戏，避免串脸和抢话？

学完这篇，你能把一段 3 人以上的 AI 真人短剧对话戏拆成可控的单人镜头，做到每个角色从头到尾一张脸、每句台词各说各的，不撞脸也不抢话。

第一步：给每个角色做一张“角色卡”，把人锁死

这一步的目标是让模型每次生成都拿到同一份脸部信息，做完你手上应该有几个带唯一编号的角色卡。具体做法：为每个角色单独建一个文件夹，命名比如 A_lin、B_chen、C_zhao，里面放 3 张参考图——正面半身、45 度侧脸、正面特写，三张必须是同一套服装、同一光线、同一分辨率（统一导出 1080×1920 竖版）。再写一段 60 字左右的外貌描述串，例如“28 岁女性，齐肩黑直发，中分，细眉，左眉尾有一颗小痣，浅灰色针织衫”，这段话后面每个镜头提示词里逐字复制，不许改同义词。

生成时用工具的角色一致性入口：可灵网页版「AI 视频」→ 上传参考图 → 打开「角色参考」；Midjourney 用 --cref 图片链接 --cw 100；Stable Diffusion 走 IP-Adapter 或直接训一个 LoRA。全程只用角色卡的编号（A_lin）称呼人物，剧本里不要一会儿写“林姐”一会儿写“女主”。

注意：串脸最常见的起因不是模型不行，是参考图本身不统一。正面图是室内暖光、侧脸图是户外冷光，模型会在这两张脸之间“取平均”，出来的人谁都不像。

第二步：按“一句台词一个镜头”拆剧本

这一步把对话戏切成一片片单人镜头，做完你会得到一张镜头表。规则是：每个片段只允许一个人开口。剧本里 3 人对话，就拆成 A 说、B 说、C 说、A 说，一人一段，不要写“三人激烈争论”这种一句概括。

时长按字数估算：中文口语约每秒 4—5 字，12 字台词给 3 秒，头尾各留 0.3—0.5 秒余量。双人同框镜头单独生成，而且尽量只用来做无台词的过肩、全景、反应镜头。

注意：双人同框是串脸高发区。两个人挨得越近、脸在画面里越小，模型越容易把两张脸糊成一张。有台词的镜头，优先正反打。

第三步：先出音频，再对口型

这一步让每句台词都有独立音频文件，做完你就有了口型驱动的输入源。用 TTS 工具（剪映「文本」→「新建文本」→ 输入台词 → 点「朗读」→ 选音色 → 「开始朗读」；或用 CosyVoice、ElevenLabs）逐句导出，文件名带上角色和序号：S01_A_03.wav。每个角色锁定一个音色 ID，中途不换。

然后把单个音频喂给视频模型的对口型功能，一条音频对一段视频，一 一对应。

注意：千万不要把整段多人对话音频一次性丢给模型让它自己分配谁在说——模型没有“谁在说话”的概念，它会平均分配口型，这就是抢话的真正来源。

第四步：在剪辑台用 J-cut 和反应镜头控节奏

这一步解决“听起来像两人同时开口”。导入剪映专业版，建四条轨道：视频、对白原声、环境音与 BGM、字幕。每句台词前插 2—4 帧听者的反应镜头当物理隔断；下一句的声音比画面提前 6—10 帧进入（J-cut），画面还停在上一个人的脸上，观众就不会觉得撞车。

拖完后看音频波形，两块波形不许重叠，重叠就把后一句整体右移。

第五步：出片前逐镜头抽帧比对

每个镜头抽首帧、中间帧、末帧三张静帧，和角色卡并排放在一起看：发际线、耳形、眉形、痣的位置对不对。全部镜头过一遍，再导出。

小结

• 角色卡三张图必须同光同装同分辨率，外貌描述串逐字复用，全程用编号称呼。
• 一句台词一个镜头，时长按每秒 4—5 字估，头尾留余量。
• 有台词的镜头优先正反打，同框只留给无台词的反应镜头和全景。
• 台词逐句单独导出音频，一句音频驱动一段视频，绝不整段喂给模型。
• 剪辑用 J-cut 提前 6—10 帧进声、反应镜头做隔断，波形不重叠。
• 导出前抽首中末三帧和角色卡比对，确认不漂移。