Sora人物一致性实测：一张参考图生成30秒对话短片，参考图生视频完整流程

你有没有想过，只需要一张图，就能生成一段有对话、有表情、有动作的完整短片？

不是特效大片，不是专业团队，就是你一个人，一张参考图，加上几行提示词。

这件事现在真的可以做到了。

先说结论

Sora在文生视频的人物一致性上，表现出乎意料地稳定。

单个10秒片段内，人物的面容、服饰、发型发饰等细节，保持得相当好。你不用担心角色“换脸”或者突然变装。

但是——

如果你想把多个10秒片段串联成一个完整短片，单靠文字提示词是不够的。你需要用到参考图功能，让Sora认准角色。

真人图有坑，换个思路

真人写实风格的参考图，目前Sora不支持上传。

这个限制直接把我引向了另一个方向：用即梦生成国风二次元动漫风格的角色图，拿这张图去做参考。

结果怎么样？

一致性还是可以的。但说实话，如果你用即梦里偏3D国风效果的人物去测，生成出来的视频和原图风格差异挺大的。这一点要提前有预期。

实测流程，手把手

我在即梦里用这个提示词生成了参考图：

国风二次元动漫风格，古风，年轻的男生（束发，穿蓝色汉服）和女生（长发，穿白色汉服），半身正面特写，看向镜头，背景是纯色。

拿到这张图之后，把它发给豆包，让豆包根据图片为两个人设计一段故事，然后补充两人之间的对话台词。

故事有了，对话有了，接下来就是把这些内容整理成分镜提示词，输入给Sora。

顺序就是这样：出图 → 设计故事 → 补充对话 → 写分镜提示词 → 生成视频。

提示词参考

我制作了3段10秒视频，每段包含2个分镜，加起来刚好构成30秒的完整短片。

这里分享其中一段的提示词，供大家参考：

根据参考图，左边是男（穿蓝色汉服，系黑色腰带），右边是女（穿白色汉服，系白色腰带），请保持好人物的一致性和风格的一致性。0-5秒：中国国风二次元动漫风格，古风，江南水乡，细雨濛濛，青石板路湿漉漉的。男子撑着油纸伞在桥头与捧着一摞书、却不慎将书本散落在地的女子相遇。女子（慌张失措，弯腰去捡）说：“书都掉地上了！”男子（温和解围）说：“我帮你捡起来。”5-10秒：中国国风二次元动漫风格，古风，书院里，男子于窗边认真读书，女子捧着一本书，怯生生地向他请教问题。女子（腼腆局促，指尖攥着书页）说：“这道题我不会做。”男子（耐心温和，指尖点向书本）说：“我来教你怎么做。”

对话内容略显生硬，毕竟是纯测试，看个逻辑即可。

有意思的是，我最初并没有在提示词里加入对话，但Sora自己给视频配上了人物说话的声音。所以我后来干脆把台词直接写进去，结果更加可控。

目前最大的问题

声音。

每个10秒片段的声音风格不统一，听起来割裂感比较明显。这是目前Sora参考图生视频最明显的短板，暂时没有很好的解决方案。

画面一致性：过关。

声音一致性：还有明显差距。

期待后续版本能把这块补上。

这个玩法能做什么

短片创作、动漫故事、IP角色展示……你只需要一张设计好的角色图，剩下的交给AI来演绎。

这已经不是“辅助创作”了，而是真正在降低内容生产的门槛。以前需要一个团队才能完成的事，现在一个人就能跑通流程。

方向很清晰，工具也在快速迭代。现在入手研究，比等到人人都会了再学，要值得多。