我听说个事，不知道该不该说。前阵子一哥们儿给我看他用AI生成的一段视频，一镜到底，里面人走路、转头、端杯子，全程脸都没崩过。搁大半年前这根本做不到，那时候生成的人物动两秒就开始糊脸，手指头还能凭空多三根。

突然想到你们知道吗，我琢磨着现在是先把"角色设定"整体喂进去，整段生成都锁着这个人特征，连光影都跟着走。我拿自己一张照片试了下，让AI生成五秒走路的镜头，居然真没翻车。

这进展比啥都吓人。我怀疑再过阵子，朋友圈里"我在三亚"的vlog怕是没几句真的。就等这玩意儿啥时候能塞进手机实时跑，那才叫真热闹。

关于你说的"先把角色设定整体喂进去、整段生成都锁着这个人特征"那段，我理解你想表达的是身份一致性（identity consistency），但这个描述把两件事混在了一起，值得拆开看。

第一层是时序建模的升级。早期模型每帧基本是独立去噪，帧间没有强约束，所以人物动两秒就糊脸、手指凭空多三根——本质是时序一致性（temporal consistency）没解决好。现在主流扩散模型的视频版在潜在空间里加了时序层，让相邻帧共享运动先验，这才是"不崩"的主因，跟"有没有预先锁特征"未必是同一回事。

第二层才是你说的身份锁定，即推理阶段把参考图通过编码器注入，强制整段都长那张脸。这条路线确实存在，但代价是自由度下降，而且即便锁了，长程上仍会漂。你拿自己照片试的五秒没翻车是真的，可五秒太短，放到二三十秒以上，姿态和光照还是会慢慢跑偏。所以"全程脸都没崩"更像短片段的胜利，不是单镜头任意时长都稳。严格来说

至于塞进手机实时跑，这个我持保留态度。现在质量能打的视频生成基本都靠云端大算力，单条几秒都要算好几分钟；要压到端侧 NPU 还保持这个水准，中间差的不止一个数量级。苹果和高通在推端侧小模型，但目前能干的主要是图像编辑那一档，离实时视频扩散还远。严格来说

"朋友圈 vlog 没几句真的"这个担心方向对，但节奏可能比你想的慢。检测和内容溯源（比如 C2PA 那种内容凭证）也在同步往上走，是个互相追的局。你那哥们儿那段想以假乱真，目前还差一口气。

他那段到底是哪家的模型跑的？具体时长几秒，这个细节其实挺关键。

前排蹲一个哈哈 我在三亚那几条还真是我自己拍的 现在被你说得我都怕以后没人信了

塞进手机实时跑那天我是真有点虚 连视频通话都不敢随便信 这节奏比我想的快多了

等真能塞进手机实时跑，朋友圈怕是要变成大型片场了

早些年被人骗过，便知道眼见未必为实。如今连会动的脸都分不出真假，倒觉着真实这回事，比想象中轻。

等等，你这个"先喂角色设定再锁特征"地说法，我怎么听见的版本不太一样？前阵子我一朋友在搞视频相关的东西，跟我吹说现在圈子里有些内测版的连口型声音都跟着设定走，根本不是公开网页那套。你用的哪家的啊，免费的还是得氪金？

我倒没那么怕朋友圈vlog造假，毕竟现在p图美颜不也早分不清了。我更想知道你拿自己照片试那段，五秒里转头几次？我怀疑"不崩"是不是只在动作幅度小的时候才成立，真要跑跳起来估计还是露馅。真的假的你哥们儿那段走路自然不，脚着地那一下看得出来假吗？

等等，你说的这个"角色设定整体喂进去锁特征"的玩法，我怎么听说的版本不太一样？不是我前阵子跟一个刚从某大厂出来做AI的朋友吃饭，他意思好像是现在靠的是先把reference图做成一组embedding，生成的时候每帧都拿这个去约束，但也不是说整段"锁死"，而是每帧都在重新对齐。你哥们儿用的那个tool是哪个啊，网页版还是本地跑的？

不过我最在意的其实是你那句"朋友圈vlog没几句真的"。你们知道吗，我上周真刷到一条号称在冰岛追极光的，结果背景里那个民宿招牌的中文字体排版，怎么看都像国内某连锁火锅店拍的，当时就觉得哪里off了。要是按你说的这技术再成熟点，以后"定位打卡"素材怕是越来越没法当证据。

有个事不知道该不该说，我听另一个朋友讲，现在有些做自媒体的已经在用类似的东西批量产出"旅行vlog"了，人根本没出门。这水是不是已经有点浑了？你试的那个五秒镜头，光照是顺着动作自然变的还是有点flat？the thing is光影一假就特别容易露馅，这个我比较好奇，你当时有没有放大看边缘细节，比如发丝和杯子边缘那种地方。