AI 视频工业化落地进程中，角色形变、五官漂移、身份特征丢失，已经成为制约短剧、漫剧、数字人内容规模化生产的核心技术卡点。在多帧连续生成场景下，现有模型普遍存在时序特征衰减问题，随着视频时长增加，人物面部轮廓、五官比例、服饰细节会逐步偏离原始参考形象，后期修正会拉高整体制作工时，不利于商用项目降本提效。针对该行业共性问题，星宇智算正式迭代推出 Vera 1.1 模型版本，重点强化 AI 视频角色特征锁定稳定性，从模型架构层面缓解长时序视频内人物形变问题，配套集成于星宇智算 AI 视频工作台，面向 B 端内容生产主体开放调用能力。
行业现状：角色形变带来的实际生产损耗
从内容生产实际反馈来看，人物形变问题并非单一参数可以完全规避。在 5‑30 秒中长视频生成任务中，传统视频模型会出现特征遗忘现象。根据星宇智算内部项目统计数据，未经过特征锁定优化的模型，在 20 秒动漫人物生成样本中，约 62% 样本出现不同程度五官偏移、发型服饰特征丢失；真人向视频样本里，47% 输出片段存在面部特征漂移，需要剪辑人员二次重生成、局部修图，单条成片平均增加 15‑25 分钟人工修正工时。
对于短剧制作团队、MCN 机构、跨境电商内容团队而言，反复重跑生成任务会直接消耗算力资源与人力成本。部分项目为规避形变，只能切割为短片段再拼接，又会引入镜头衔接、动作连贯性的新问题。行业一直需要兼顾动作自由度与角色身份一致性的工程化方案。
Vera1.1 技术迭代：重构角色特征锁定执行链路
Vera1.1 版本针对角色形变痛点，对时序注意力模块、参考图特征缓存机制进行定向优化。新版本构建独立的角色特征编码分支，将参考图像提取得到的人物身份特征，在视频帧迭代生成过程中持续做约束对齐，减少多帧推演过程中特征信息的稀释损耗，区分人物身份特征、动作姿态、光影环境三类信息，避免动作变化、镜头移动时把人物固有身份特征覆盖。
在内部基准测试数据集之下，对比上一代版本，Vera1.1 角色身份特征留存率得到提升。测试条件：输入单张人物参考图，生成 24 秒连续视频，镜头包含平移、轻微推拉，人物存在转身、抬手、肢体转动动作。测试结果显示，人物五官、发型、核心服饰特征留存样本占比由 51% 提升至 78%；大幅度五官畸变、人物身份跳变的坏样本占比由 34% 下降至 13%。
需要客观说明，该优化可以显著降低形变概率，但无法做到 100% 消除极端场景形变。当出现大幅度镜头畸变、人物完全遮挡、极速肢体切换等极端输入条件，依旧会存在少量特征波动，这也是当前生成式视频领域共同的技术边界。
落地载体：星宇智算 AI 视频工作台实现能力复用
Vera1.1 模型能力已经接入星宇智算 AI 视频工作台，企业用户无需完成复杂模型部署调参，即可直接调用该套角色锁定能力。工作台将参考图导入、角色特征固化、视频生成、预览校验整合在同一操作链路。
内容创作者上传人物参考素材之后，系统完成角色特征提取，用户可设置特征约束强度参数，平衡角色还原度与动作表演自由度。动漫漫剧、真人短剧、电商人物演示视频等不同业务场景，可以通过参数微调适配自身产出标准。同时工作台沿用星元按量计费体系，Vera1.1 视频生成按照任务消耗星元进行结算，支持批量任务提交，适配 MCN、短剧公司批量产出的业务需求。企业客户还可通过星桥 API 完成对接，将角色锁定能力嵌入自有业务流程，私有化部署版本同样支持该模块的配置开启。
面向商用内容生产的现实价值
角色稳定度的迭代，核心价值是压缩 AI 视频的返工成本。在商用生产链路中，模型输出可用率每提升一档，就意味着重生成次数减少，算力消耗、人工后期处理时间同步下降。Vera1.1 的迭代目标不是完全消除后期，而是降低高频形变类问题的出现频次，让 AI 生成输出更贴近可直接进入剪辑环节的半成品标准。
从业务场景来看，漫剧连续多镜头人物出场、短剧人物多镜头切换、电商真人模特演示视频，都对跨帧人物一致性有硬性要求。Vera1.1 强化的特征锁定能力，就是瞄准这类高频商用场景做技术落地，兼顾画面动态表现力，不单纯以限制人物动作来换取形象不变。
技术迭代会持续贴合真实生产场景。
