CREATIVESPOT · AI TUDÁSTÁR

Karakter- és termékkonzisztencia: hogyan marad ugyanaz minden AI-jelenetben?

Rózsaszín pólós lajhár egy lila filmstúdióban, mellette karakterreferenciák és képes storyboard.

A karakterkonzisztencia AI-videóban azt jelenti, hogy a néző több snittben is ugyanazt a szereplőt látja. Ez évek óta az egyik legnehezebb gyártási feladat: hiába szép egy jelenet, ha a következőben más lesz az arc vagy a testarány. A CreativeSpot munkáiban 2026-ban jelentős előrelépést tapasztalunk, különösen akkor, amikor több snitt egyetlen generálásban készül. Ez azonban nem ugyanaz a feladat, mint külön generált jeleneteken vagy egy teljes epizódon át megtartani a karaktert.

A megoldás ma is a jelenetek megtervezésével és a referenciaanyag elkészítésével kezdődik. Itt szoktak elcsúszni a projektek: a karakter azonosságát csak akkor kezdik ellenőrizni, amikor már elkészült több drága videóváltozat.

Mi változott 2026-ban a karakterkonzisztenciában?

A 2025-ben használt munkafolyamatainkban jellemzően egy-egy snittet generáltunk külön. Ha ugyanazt a szereplőt új kameraállásból szerettük volna megmutatni, új generálást indítottunk. Ekkor az arc, a fej formája vagy a testarányok könnyen elmozdultak, még referenciakép és gondosan megírt prompt mellett is.

Ez a történetmesélést is korlátozta. Gyakran úgy kellett megvágni az anyagot, hogy két eltérő karakterváltozat ne kerüljön közvetlenül egymás mellé. Ugyanannak a szereplőnek az ismételt megszólalása különösen kényes volt, mert a nézőnek volt ideje összehasonlítani az arcokat.

2026-ban számunkra az egyik fontos ugrás az, hogy bizonyos modellekkel több snittet, kameraállást és képkivágást is létrehozhatunk egy generáláson belül. A ByteDance Seedance 2.0 bemutatója például 15 másodperces, több snittes kimenetet és többféle referencia együttes használatát írja le.

Ez nem azt jelenti, hogy a több snittes AI-videót 2026-ban találták fel. A saját gyártási gyakorlatunkban lett jóval használhatóbb ez a megközelítés. A fejlődést pedig nem egyetlen funkció, hanem a jobb referenciakezelés és a jelenetutasítások követése együtt adja.

Egy generáláson belül és két generálás között más a feladat

Az egy generálásban készülő három snitt közös feladatleírásból és referenciaanyagból épül fel. Ez segíthet abban, hogy a totálban, a félközeliben és a közeli képen ugyanaz a karakter maradjon felismerhető.

Ha a következő jelenetet már külön generáljuk, újra biztosítanunk kell ugyanezt az azonosságot. Nem érdemes abból kiindulni, hogy a rendszer automatikusan továbbviszi az előző jelenet minden részletét. Új helyszín, eltérő fény vagy szélsőséges kameraállás mellett a korábban stabil szereplő is megváltozhat.

Ezért az első ellenőrzési pont az, hogy a generált szekvencián belül megtartja-e az arcot és a testarányokat. A második az, hogy a következő generált szekvenciához képest is ugyanaz marad-e. A mozdulatok, tárgyak és térbeli viszonyok folytonosságáról külön írtunk az AI-videós kontinuitásról szóló cikkünkben.

Mit jelent a saját 60%, illetve 75–80% körüli becslésünk?

A korábbi munkáinkban sokszor nagyjából 60% körülinek éreztük a karakter megtartásának biztonságát. Most az egy generáláson belüli, több snittes jeleneteknél inkább 75–80% körüli biztonságérzetünk van, megfelelő képes storyboarddal és referenciákkal.

A CreativeSpot saját gyártási benyomásai
Gyártási helyzetSaját benyomásMit ellenőrzünk?
Korábbi, külön készített snittekKb. 60% körüli biztonságérzetArc és testarány két snitt között
2026: több snitt egy generálásbanKb. 75–80% körüli biztonságérzetAzonosság a generált szekvencián belül
Külön generált jelenetek, teljes epizódErre nem adunk általános százalékotAzonosság az összes szekvencia között

Egy fiktív kabalánál néhány apró eltérés még beleférhet. Egy visszatérő főszereplő, valós személy vagy konkrét termék esetében viszont sokkal szigorúbb lehet az elfogadás. Erről szól a korábbi karakterkonzisztencia-cikkünk is.

A referenciaképek elkészítése külön munkafolyamat

A referenciaanyag nem melléklet a prompthoz. Külön előkészítési feladat, amely meghatározza, mit tudunk később számon kérni a generátoron.

  • Karakter: jól látható arc, háromnegyedes vagy profilnézet, egész alak és rögzített testarányok.
  • Helyszín: a tér elrendezése, jellegzetes tárgyak, fények és fontos kameraállások.
  • Termék vagy kellék: pontos forma, szín, arányok és olyan részletek, amelyeknek felismerhetően meg kell maradniuk.

Előbb azt ellenőrizzük, hogy a referenciaanyagban valóban ugyanaz a karakter szerepel-e. Ha a portrén és az egész alakos képen már eltér az arc vagy a fej mérete, a generátor ellentmondó mintákat kap. Nem elég több képet feltölteni; egymással összhangban lévő képekre van szükség.

A Runway referenciaképes útmutatója is külön kezeli a karakter- és környezetreferenciákat, és semleges arckifejezést, egyenletes megvilágítást javasol. Ez az útmutató állóképek készítéséről szól: az elfogadott képek később videós kiindulópontként használhatók. Nem közvetlen videós azonossággarancia.

A képes storyboard és a karakterreferencia két külön szerepet tölt be

A CreativeSpotnál teljes jelenetben gondolkodunk, nem egymástól független képekben. A képes storyboard megmutatja a snittek sorrendjét, képkivágását és történetbeli szerepét. A külön karakterreferencia azt rögzíti, kit kell ugyanabban az alakban megőrizni.

Ezért a storyboard mellett minden érintett generáláshoz külön megadjuk a szükséges karakter-, helyszín- és kellékreferenciákat is, a választott felület lehetőségei szerint. Egy storyboard kis képkockája nem feltétlenül mutatja elég részletesen az arcot. Egy tiszta portré viszont nem mondja el a jelenetsorrendet.

A teljes történetet előre megtervezzük, de a generáláshoz az adott rövid szekvencia storyboardját és releváns referenciáit használjuk. Nem várjuk, hogy egy hosszú film összes vizuális szabályát egyetlen zsúfolt képlap oldja meg. Ez kapcsolódik ahhoz is, miért nem elég önmagában egy jó prompt.

Gyakorlati példa: ugyanaz a kabala három snittben

Vegyünk egy tervezési példát: egy 15 másodperces jelenetben a márka kabalája belép egy stúdióba, leül az asztalhoz, majd közeliben a kamerába néz. Három snitt, három képkivágás, ugyanaz a szereplő.

  1. Elkészítjük a karakterlapot. Jóváhagyott arc, profil és egész alak; egységes ruházat és testarányok.
  2. Rögzítjük a helyszínt. Ugyanaz az asztal, háttér és fényirány szerepel a képeken.
  3. Összerakjuk a háromképes storyboardot. Belépés totálban, leülés félközeliben, megszólalás közeliben.
  4. Megadjuk a képsort és a külön referenciákat. A jelenetsorrendhez a storyboardot, az azonossághoz a karakterlapot használjuk.
  5. Snittenként és egymás mellett is ellenőrzünk. Megmaradt-e az arc, a fej–test arány és a felismerhető megjelenés?

Ha a következő jelenet már külön generálásban készül, ugyanezt a jóváhagyott referenciaanyagot visszük tovább. Az előző videóból kivett képkockát is ellenőrizzük, mielőtt új mintává tesszük: egy apró hibát különben könnyű továbbörökíteni.

Mi maradt nehéz, és hol kell kézzel javítani?

A profilból frontális nézetbe váltás, a nagyon közeli arc, a takarás, a több szereplő és a nagy mozgás továbbra is érzékeny lehet. Külön figyelmet igényel, hogy a rendszer ne csak hasonló arcot adjon, hanem a megszokott testarányt is megtartsa.

A termékkonzisztencia ennél is szigorúbb feladat lehet. Egy hasonló alakú flakon, megváltozott kezelőgomb vagy pontatlan csomagolás reklámban már hibás termékábrázolás. A Google Veo 3.1 bemutatója külön fejlesztési irányként tárgyalja a karakter-, háttér- és tárgyazonosságot. Ezt gyártói képességleírásként kezeljük, saját anyagon ellenőrizhető ígéretként.

Ha a hiba pontos logót vagy kisebb grafikai részletet érint, kézi utómunkával is javítható lehet. Ha alapvetően megváltozott az arc vagy a test, gyakran a referenciát vagy a jelenet felépítését kell korrigálni, és új generálást készíteni. A felesleges próbálkozások költségéről a sorozat előző részében írtunk.

A hosszú AI-film lehetősége mit bizonyít?

A korábban bemutatott 95 perces Hell Grind azt mutatja, hogy generált képi világból már hosszú történet is összeállítható. Ez fontos előrelépés a néhány másodperces demókhoz képest.

A kész film hossza azonban nem azonos egyetlen generálás hosszával. Egy hosszú produkció mögött sok jelenet, referenciaanyag, válogatás, vágás és ellenőrzés áll. A hosszúfilm-példa önmagában nem bizonyít hibátlan karakterazonosságot minden képkockán. Üzleti videónál ezért az adott szereplőt és konkrét jelenettervet teszteljük, mielőtt teljes sorozatra vállalunk gyártási tervet.

Mit vigyél el ebből?

  • A több snittes generálás a saját munkáinkban jelentősen javította a rövid jelenetek használhatóságát.
  • Az egy generáláson belüli és a külön jelenetek közötti karaktermegtartást külön kell ellenőrizni.
  • A képes storyboard mellett külön, egységes karakter- és helyszínreferenciákra is szükség van.
  • A referenciaanyag elkészítése önálló gyártási munkafázis.
  • A végső döntést az arc, a testarányok, a márkahűség és a kész jelenet együtt határozza meg.

Ha visszatérő szereplős AI-videósorozatban vagy magyarázó animációban gondolkodsz, először a karaktert, a vizuális szabályokat és néhány kritikus jelenetet érdemes tisztázni. A CreativeSpotnál vállalati videósorozatokat és AI-alapú brand videókat készítünk; egy konkrét projektet referenciaanyaggal és próbajelenettel lehet jól előkészíteni.

Források, ellenőrizve: 2026. október 6. ByteDance: Seedance 2.0 · Google: Veo 3.1 Ingredients to Video · Runway: Gen-4 Image References. A százalékos becslések a CreativeSpot saját gyártási benyomásai.