做数字人最容易踩的坑,是把真人写真的那套提示词原样搬过来——描述得很细,出来的人物还是僵、嘴对不上、一动就变形。问题不在词少,在于数字人提示词要同时喂给两个东西:出图的模型和后面驱动口型的那一层。这篇按顺序说清楚哪几层必须写死、哪几层写了纯属浪费,以及怎么在一次抽卡里把返工次数压下来。
做数字人最容易踩的坑,是把真人写真的那套提示词原样搬过来。描述得挺细,出来的人物还是僵,嘴对不上,一动就变形。问题不在词少,在于数字人提示词要同时喂给两个东西:出图的模型,和后面驱动口型的那一层。
这两层要的信息压根不一样。形象那边要稳定可复现,驱动这边要你少动、别挡脸。所以写提示词不是堆细节,是把不能变的部分写死,能自由发挥的留空。下面按定稿顺序讲,先定什么、后定什么,哪些词写了纯属浪费。
先搞明白这条提示词是给谁看的
形象层吃的是静态描述:脸型、发型、服装、背景、构图、光位。驱动层吃的是约束:头别偏太多、嘴部别被手或麦克风挡住、机位尽量正。你在形象层写「抬手打招呼」,图是出来了,到驱动那一层就开始打架——手挡嘴,口型对不准,返工。
判断标准很朴素:同一段提示词连跑两次,能不能得到基本是同一个人。做不到,它就不适合做数字人,只适合做一次性配图。这条比什么形容词都管用。
形象层:只锁必须一致的那几项
必写的那几项其实不多:年龄段、脸型与五官特征、发型长度与颜色、服装款式与颜色、背景(纯色或固定场景)、景别(半身还是胸像)。这些是人物一致性的地基,每次生成都原样保留,只改场景和服装。
「气质优雅」「眼神有故事」这类形容词别写。图模型对它们的响应非常不稳定,换一次抽卡就换一个人。动作词也别写,抬手、转身、走动,形象阶段写进去,驱动阶段全得给你还回来。
- 必写:年龄段、脸型五官、发型发色、服装款式与颜色
- 必写:背景类型、景别、机位方向
- 别写:气质类形容词、情绪类形容词、大幅动作词
- 可复用做法:把上面几项排成固定模板,每次只动场景和服装
这套结构化描述有现成的术语对照可以对着写,站内 /ai-dict/category/tips 里收录了常见字段的说法,混个脸熟再动笔,能少抽几次卡。
口型和动作层:写「约束」而不是写「表演」
口型靠音频驱动,不靠提示词。你在词里写「正在说话」「嘴型自然」,模型不会因此把嘴对得更准。真正起作用的是限制条件:正面机位、头部朝向稳定、嘴部前方不要有道具、别用侧脸。
动作范围也往小里写。轻微点头、眨眼、呼吸起伏没问题,大幅度手势和走动会让口型对齐失准。这不是模型不行,是驱动那一层拿到的画面变化太大,它对不上。
- 先出静帧按形象层模板生成一张正面半身,检查嘴部有没有被头发、围巾、麦克风挡住
- 小音频试驱动拿十几秒音频试跑,看嘴型跟不跟得上、表情别崩
- 对不上先改约束跟不上先回头调机位和遮挡,不要第一反应去加形容词
- 确认后再放量试跑通过再批量出,避免整批返工
场景与输出规格:跟着发布平台定,不跟着感觉定
顺序是先定发布位置,再定画幅和景别。竖屏短视频、横屏课件、直播挂件,这三者对构图的要求差得远,反着来就得重抽。背景尽量选纯色或固定布景,复杂背景在驱动阶段容易出现边缘抖动。
导出格式、帧率、时长,按平台要求提前定下来。数字人平台之间口径差别不小,具体到哪家支持什么规格,到 /ai-nav/category/ai-digital-human 对照各家工具说明,别凭印象选。
| 图层 | 要写的信息 | 写了没用的词 |
|---|---|---|
| 形象 | 年龄段、脸型五官、发型、服装、背景、景别 | 优雅、有故事感、亲切 |
| 驱动 | 正面机位、头部稳定、无遮挡、小幅度动作 | 正在说话、嘴型自然 |
| 场景 | 画幅、背景类型、光位 | 高级感、电影感 |
不适用的情况说清楚:如果你只是要一张数字人形象图做海报,根本不用考虑驱动层,按普通人物图的思路写就行,动作词反而能加分。
下单前的自查顺序
写完了别急着挑工具和套餐。按下面这个顺序自查,前面过不了,后面选什么都白搭。这套顺序的价值在于把返工点提前,而不是等出了片子再回头猜哪一步错了。
- 查一致性同一段提示词连跑两次,人物是否基本一致;不一致就回形象层收窄描述
- 查遮挡看嘴部前方有没有麦克风、手、围巾、刘海,有就先去掉
- 查画幅机位和画幅是否匹配发布平台,竖屏横屏别搞反
- 试驱动拿十几秒音频跑一遍,口型和表情不自然就回退改约束
- 最后选工具工具能力差异到 /models 和 /ai-rankings 看当时的对照,别凭印象选
常见问题
提示词里写「4K、超写实、电影感」对数字人有帮助吗?
帮助有限。这些词主要影响单张图的观感,对后续口型驱动没有作用,写多了反而让形象在不同抽卡里跳。数字人优先保证人物一致和嘴部无遮挡,画质可以放到导出环节用清晰度设置解决。
同一个人物换一套服装,要不要重写整段提示词?
不用。把服装和背景单独拎出来当变量,人物描述部分原样保留,这样换装之后还是同一张脸。如果你每次都从头写,人物一致性基本靠运气。
数字人说话很僵,是提示词的问题吗?
多数不是。僵通常出在机位太偏、动作幅度写太大,或者驱动用的音频本身语速太平。先换正面机位、去掉大动作词,再换一段有起伏的音频试一次,两轮下来就能定位到底是哪一层的问题。