Karakter
Karakter-konzisztencia: hogy ne legyen minden képen más az arca
A leggyakoribb kudarc az AI-videóban: a főszereplő a második jelenetben már valaki más. A megoldás nem a hosszabb prompt, hanem az, hogy egyáltalán nem szöveggel dolgozol.
Szerző: Jonas LindqvistKarakter-állandóság, VFX
Legenerálod a főszereplőt, tökéletes lesz. Beírod ugyanazt a promptot a következő jelenethez, és egy hasonló, de észrevehetően más ember néz vissza rád. Más az orra, más a hajvonala, más a kora.
Ez nem hiba, hanem a működés lényege. A diffúziós modell minden generálásnál a nulláról indul: zajból bontja ki a képet. A prompt csak irányt ad neki, nem személyleírást.
A számok nagyságrendje az, ami itt számít: a szöveg önmagában érmefeldobás, a referenciakép viszont majdnem megbízható. Ezért az első lépés soha nem a prompt csiszolása, hanem egy referencia elkészítése.
A character sheet három rétege
A jó referencia nem egy portré, hanem egy adatlap. Három részből áll, és mindhárom EGYETLEN képre kerül, nem külön fájlokba. Ezt rontják el a leggyakrabban.
- Teljes alak, négy nézetbőlElölről, háromnegyedből, oldalról és hátulról. A ruha és a cipő is legyen rajta: ha csak az arcot adod meg, a modell minden képen új ruhát talál ki.
- Közeli, öt szögbőlElölről, háromnegyedből, profilból, 15 fokkal felülről és alulról. SEMLEGES arccal: ha itt mosolyog, a modell azt veszi alapállapotnak, és onnantól mindenhol mosolyogni fog.
- Érzelmek, nyolc kifejezésselSemleges, valódi mosoly, nevetés, komoly, meglepett, magabiztos, szomorú, elszánt. Enélkül a modell az érzelmet az arc geometriájának átrajzolásával oldja meg, vagyis más arcot ad.
A tiltó szabályok: ez emel 90-ről 95-re
A referenciakép mellé rövid, tiltó mondatok járnak. Nem azt írod le, milyen legyen, hanem azt, mi nem változhat. Ez azért működik jobban, mert a modell számára a „ne változtasd" egyértelműbb utasítás, mint egy újabb leírás.
Never change hair length. Never remove the silver watch. Never add a beard. Never change the shoe style.
Válaszd ki azt a három-négy részletet, ami a karakterből felismerhetővé teszi, és azokat rögzítsd. Mindent tiltani felesleges. A lényeg, hogy a néző ugyanazt az embert lássa.
Mennyire ragaszkodjon hozzá?
A legtöbb generátorban állítható, mennyire kösse magát a referenciához. A Midjourney régebbi, V6-os karakter-referenciája erre egy 0 és 100 közötti értéket (--cw) használt, és ezen jól látszik a három tartomány. A V7-ben ugyanezt az Omni Reference súlya (--ow, 1 és 1000 között, alapból 100) állítja, a V8 pedig már az Edit Model nevű szerkesztővel dolgozik. A skála változik, a logika marad: minél erősebb a kötés, annál kevesebb szabadsága van a modellnek.
| Érték | Mit tart meg | Mire jó |
|---|---|---|
| 100 | mindent: arc, ruha, póz | termékfotó, ismételt beállítás |
| 50–75 | arc és stílus, a póz szabad | jelenetek, ahol a szereplő mozog |
| 0 | csak az arcot | új ruha, új helyszín |
Videóhoz rendszerint a középső tartomány a jó: a szereplő felismerhető marad, de nem ugyanabban a pózban áll minden jelenetben.
A sorrend, ami működik
- Előbb a referenciaKészítsd el a sheetet, és nézd meg alaposan. Ha itt nem tetszik valami, később sem fog.
- Utána a tiltó szabályokHárom-négy mondat arról, mi nem változhat.
- Csak ezután a jelenetekA jelenet-prompt ekkor már rövid lehet: helyszín, fény, kameraállás. A karakterről nem kell újra írnod.
Referencia előbb, prompt utána. Ez az egyetlen sorrend, ami nem érmefeldobás.
Források
- Ho, J., Jain, A. és Abbeel, P. (2020): Denoising Diffusion Probabilistic Models, arXiv
- Rombach, R. és mtsai (2022): High-Resolution Image Synthesis with Latent Diffusion Models, a Stable Diffusion alapja, arXiv
- Midjourney: Omni Reference, hivatalos dokumentáció (V7)
- Midjourney: Character Reference, hivatalos dokumentáció (V6)
Gyakori kérdések
Miért más a főszereplő arca minden jelenetben?
Mert a diffúziós modell minden generálásnál a nulláról indul, zajból bontja ki a képet. A prompt csak irányt ad, személyleírást nem, ezért ugyanabból a szövegből hasonló, de észrevehetően más ember lesz: más orr, más hajvonal, más kor. Ez a működés lényege, nem hiba.
Mi az a character sheet, és mi kerül rá?
A szereplő adatlapja, egyetlen fekvő képen. Bal oldalán a teljes alak négy nézetből, a ruhával és a cipővel együtt, középen az arc közelije öt szögből semleges kifejezéssel, a jobb szélén nyolc érzelem. A három réteget sosem külön fájlban töltöd fel, hanem egymás mellett, egy képen.
Hogyan rögzítsem egy AI-karakter jellegzetes vonásait?
A referenciakép mellé írj három-négy rövid tiltó mondatot arról, mi nem változhat, például hogy a haj hossza vagy az óra maradjon. Csak a felismerhetőséget adó részleteket rögzítsd, mindent tiltani felesleges. A modellnek a „ne változtasd” egyértelműbb utasítás, mint egy újabb leírás.
Mi a helyes sorrend: előbb a referencia vagy a prompt?
Előbb a referencia. Készítsd el és nézd át a character sheetet, aztán add hozzá a tiltó szabályokat, és csak ezután írd a jeleneteket. A jelenet-prompt ekkor már rövid lehet: helyszín, fény, kameraállás. A karakterről nem kell újra írnod, mert azt a referencia már megmondta.