人物一致性是 AI 视频最难控制的问题之一。即使每个镜头都用相同文字描述同一个人，生成结果仍可能出现脸型、服装、轮廓或产品细节变化。解决办法通常不是继续堆叠形容词，而是为模型提供更清晰的视觉依据，并减少单次生成中同时变化的要素。
Veo3o1 为此提供两种图片引导方式：参考图与首尾帧。如果核心目标是保持人物或产品的外观，而不是精准锁定开场和结尾构图，参考图通常更合适。
参考图能控制什么
参考图可以传递文字很难精确说明的视觉信息，例如面部比例、服装、配色、包装、材质和重复出现的物体。在 Veo3o1 中，参考图模式可上传一至三张图片，并支持 Lite 和 Fast 两种模型预设。
当前参考图模式的约束是：
- 一至三张参考图；
- Lite 或 Fast；
- 固定 8 秒；
- 画幅只能选择 16:9 或 9:16，不支持 Auto。
这些约束都会在生成前显示，准确积分成本也会在提交前列明。完整规则请查看参考图生成视频文档。
建立有效的参考图组合
图片并不是越多越好。每张图片都应该回答一个不同的视觉问题。
人物参考图可按下面的三张组合准备：
- 清晰的正面或四分之三侧面肖像；
- 能看清服装与身体比例的较远景别；
- 光线相近的侧面或另一种表情。
产品参考图可采用：
- 干净的主视觉角度；
- 能显示外形与材质的另一角度；
- 最重要功能或结构的细节图。
除非变化本身就是创意的一部分，否则不要混用不同服装、发型、包装版本、调色或光线方向。参考图彼此冲突时，模型只能猜测应该保留哪一项。
用提示词保护人物或产品的外观
保持外观描述不变，把运动当作变量。一个实用结构是：
固定主体 + 单一动作 + 环境 + 镜头方式 + 光线 + 必须保持不变的细节
例如：
参考图中的女士缓慢穿过安静的酒店大堂，始终保持相同的黑色短发、藏蓝色西装、银色耳环和面部特征。平视中景跟拍，窗边暖光，动作自然克制，不更换服装。
这段提示词完成了四件事：确认参考主体、安排一个可读动作、定义镜头，并重申真正需要固定的细节。它没有在 8 秒内同时引入第二个人物、换装、时间跳跃和复杂运镜。
用可控迭代找出有效变量
每次生成只改一个变量。先确认主体、动作和摄像机是否成立；外观稳定后，再在下一次尝试中调整光线或背景。如果同时更换提示词、随机种子、画幅和模型，就无法判断究竟是哪项变化带来了改善。
可选的随机种子有助于比较相近设置，但不保证每一帧完全相同。对于有价值的结果，应同时记录提示词、模型、画幅、参考图组合和种子。
常见问题怎么排查
脸部或产品外形发生漂移
换用更干净的主参考图，并简化动作。远景、快速运动、明显运动模糊和长时间遮挡都会减少模型可见的外观细节。
服装或颜色发生变化
删除互相冲突的参考图，用一句直接的话固定颜色和服装。不要加入会暗示全新配色的风格词。
主体看起来过于静止
保留外观要求，但分别写清一个人物动作和一个镜头动作。“人物转向窗边，同时镜头缓慢推进”比“让画面更电影、更有动感”更容易执行。
场景信息过载
把想法拆成多个片段。先用一个镜头建立主体，再用另一个镜头完成动作，最后在剪辑软件中组合。短视频生成只有一个明确视觉重点时通常更稳定。
参考图还是首尾帧
如果要在模型自由组织动作的同时保持人物、产品或视觉世界的外观，选择参考图；如果最重要的是精确的起始画面、结束画面或两者之间的过渡路径，选择首尾帧。两者的详细差异见首尾帧与参考图对比。