Manteniendo una cara consistente en 24 episodios de video de IA
Por qué el video con IA se desplaza entre tomas, las tres palancas que realmente bloquean a un personaje (mensaje de visualización, imagen de referencia, semilla), qué aún se rompe y cómo volver a filmar una sola toma en lugar de un episodio.
La primera pregunta que todo estudio hace sobre los dramas de IA no es “¿parece real?”. Es “¿será la misma persona en el episodio 19?”. Al espectador se le perdona una mano ligeramente plástica. No perdonan un protagonista cuya mandíbula, línea del cabello y color de ojos cambian entre escenas; eso se lee como un error y los errores rompen el hechizo.
Esto es lo que realmente controla la coherencia, en orden de impacto.
Palanca uno: el mensaje de búsqueda, escrito una vez y nunca editado
Un mensaje de visualización es un párrafo breve, aburrido y específico que describe sólo lo que una cámara puede ver:
Mujer, veintitantos años, del este de Asia, rostro ovalado, cabello negro y liso hasta el omóplato, cejas finas, un pequeño lunar debajo del ojo izquierdo, chaqueta gris sastre sobre camisa blanca, sin joyas, expresión neutra.
Tres reglas hacen que las indicaciones de apariencia funcionen:
- Solo atributos visibles. Sin personalidad, sin historia de fondo, sin “confianza”. El modelo no puede dar confianza; puede representar un ángulo de barbilla.
- Solo funciones permanentes. Cualquier cosa que cambie en cada escena (cabello mojado, una venda, un abrigo) pertenece al mensaje de toma, no al mensaje de mirada.
- Un detalle identificativo. Un lunar, una cicatriz, un pendiente concreto. Esto es lo que el espectador utiliza para confirmar la identidad a través de los cortes, y es a lo que se aferra el modelo.
Cada mensaje de toma hace referencia al personaje por su nombre y hereda el mensaje de mirada palabra por palabra. Si edita el mensaje de apariencia en el episodio 12, los episodios 1–11 ahora son una persona diferente.
Palanca dos: una imagen de referencia bloqueada
Sólo el texto se desplaza. Una imagen de referencia ancla la cara. Almacenamos un fotograma canónico por personaje (luz neutra, expresión neutra, de frente) y lo pasamos con cada toma.
Notas prácticas:
- Genere la referencia con la resolución más alta que pueda necesitar. Una referencia que es más suave que su salida se convierte en el techo.
- Mantenga la expresión de referencia neutral. Una referencia sonriente empuja cada toma posterior hacia una sonrisa, incluida la escena del funeral.
- Una referencia por personaje, no una carpeta. Múltiples referencias le dan al modelo una opción, y elegirá de manera diferente en diferentes días.
Palanca tres: una semilla fija por personaje
Las semillas no son mágicas, pero eliminan una fuente de variación de forma gratuita. Fija la semilla por personaje y cámbiala sólo cuando quieras deliberadamente una variación (una secuencia de sueño, un flashback con iluminación diferente).
| Configuración | Fijado | Varía |
|---|---|---|
| Mira rápido | ✅ por personaje | — |
| Imagen de referencia | ✅ por personaje | — |
| Semilla | ✅ por personaje | nivel de tiro solo cuando es intencional |
| Aviso de disparo | — | ✅ por toma |
| Iluminación / lente | — | ✅ por escena |
| Armario | — | ✅ por escena, descrita explícitamente |
lo que todavía se rompe
La honestidad importa más que el marketing aquí. Estos son los fallos que todavía vemos:
- Ángulos extremos. Las tomas de perfil y de ángulo bajo se desvían más que las de frente. Presupuesta una nueva renderización para las tomas de perfil de los héroes.
- Manos en primer plano. En el encuadre 1/8, las manos aún se deforman. Escribe alrededor: corta una cara o mantén el objeto fuera del marco.
- Crowds. Cualquier toma con más de tres personas pierde la asignación de identidad: el modelo felizmente intercambiará dos pistas. Mantenga tomas grupales amplias y cortas.
- Tomas largas. Más allá de aproximadamente 12 segundos en una sola toma, las funciones comienzan a deslizarse. Nuestra unidad de disparo es 5 segundos exactamente por esta razón; Las tomas largas se ensamblan en la edición, no se generan en una sola pasada.
- Voz en varios idiomas. Una voz clonada no habla automáticamente un segundo idioma con el mismo timbre. Si localiza, espere volver a emitir la voz por idioma y dígaselo a su cliente desde el principio.
Vuelva a grabar una toma, no un episodio
Debido a que las tomas se renderizan individualmente, es barato solucionar una falla: identificar la toma, ajustar una variable (ángulo, iluminación o un solo adjetivo en el mensaje), volver a renderizar. El costo es de una sola vez: 22 créditos por 5 segundos a 1080p, no los ~430 créditos que cuesta un episodio de 75 segundos.
La regla de flujo de trabajo que sigue: nunca aceptes una toma que no pondrías frente a un cliente, solo porque el resto del episodio ya terminó. Una cara a la deriva en la toma 9 será lo único que alguien mencione.