ساخت کاراکتر ثابت با هوش مصنوعی؛ راهنمای ثابت نگه داشتن چهره در عکس و ویدیو
ساخت کاراکتر ثابت با هوش مصنوعی برای پیج، ماسکات برند و ریلز: کاراکترشیت، تصویر مرجع، رفرنس در Nano Banana، Midjourney، Kling و Flow و حفظ چهره در ویدیو.
برای ساخت کاراکتر ثابت با هوش مصنوعی، اول یک تصویر مرجع اصلی و یک کاراکترشیت چندزاویهای از شخصیت بسازید و بعد در هر تصویر و ویدیو، بهجای توصیف دوبارهٔ چهره، همان تصاویر را بهعنوان رفرنس به ابزار بدهید. ثابت نگه داشتن چهره در هوش مصنوعی فقط با پرامپت متنی تقریباً شدنی نیست؛ چیزی که هویت را قفل میکند قابلیتهای رفرنس ابزارهاست. منظورم امکاناتی مثل رفرنس چندتصویری Nano Banana، قابلیت Omni Reference و مدل Edit در Midjourney، Element و Omni Reference در Kling و Ingredients to Video در Google Flow است. در ادامه میگویم چطور کاراکتری برای پیج اینستاگرام، ماسکات برند یا یک سری ریلز بسازید که همیشه همان آدم بماند.
چرا چهرهٔ کاراکتر در هر تصویر عوض میشود؟
مدلهای تصویرساز هر بار از نویز تصادفی شروع میکنند. وقتی مینویسید «زن جوان با موهای مشکی و چشمهای قهوهای»، میلیونها چهره با این توصیف جور درمیآیند و مدل هر بار یکی از آنها را انتخاب میکند. برای همین در عکس اول فک کاراکتر گرد است، در عکس دوم کشیده، و در ویدیو کمکم شبیه آدم دیگری میشود. متن، هویت را توصیف میکند ولی آن را «تعریف» نمیکند؛ تعریف دقیق هویت با تصویر مرجع اتفاق میافتد.
پس قانون اول این است: کاراکتر شما یک پوشه تصویر است، نه یک جمله.
قبل از ساخت تصویر، کاراکتر را چطور تعریف کنیم؟
در پروژههایی که برای برندها انجام میدهم، قبل از اولین تصویر یک «شناسنامهٔ کاراکتر» مینویسم. این کار چند دقیقه وقت میگیرد ولی جلوی بیشتر دوبارهکاریها را میگیرد:
- هویت ثابت را بنویسید: سن تقریبی، فرم صورت، رنگ و حالت مو، رنگ چشم، ابروها، و یکیدو نشانهٔ خاص مثل خال یا عینک. نشانهٔ خاص به مدل و به مخاطب کمک میکند کاراکتر را بشناسند.
- لباس امضا را مشخص کنید: یک لباس یا رنگ ثابت (مثلاً هودی فیروزهای) که در بیشتر پستها تکرار شود. لباس ثابت نیمی از «شناختن» کاراکتر است.
- سبک بصری را قفل کنید: فوتورئال یا سهبعدی کارتونی؟ وسط پروژه عوضش نکنید.
- یک پوشهٔ مرجع بسازید: تصویر اصلی، کاراکترشیت، و بهترین خروجیهای تأییدشده را با نام مشخص نگه دارید.
کاراکترشیت چیست و چطور آن را بسازیم؟
کاراکترشیت (Character Sheet) یک تصویر است که همان شخصیت را از چند زاویه نشان میدهد: روبهرو، سهرخ، نیمرخ و گاهی پشت سر و چند حالت چهره. با یک عکس روبهرو، مدل باید بخشهای دیدهنشده را حدس بزند؛ کاراکترشیت این حدس را کم میکند. Kling هم در راهنمای رسمی خودش برای ساخت Element توصیه میکند تصویر اصلی روبهرو باشد تا ثبات بیشتر شود.
اول یک پرترهی تمیز و پرنور بهعنوان تصویر مادر بسازید:
Studio portrait of a 27-year-old woman, oval face, shoulder-length wavy black hair, warm brown eyes, small mole above the left lip, thin gold-rimmed glasses, wearing a teal hoodie, neutral expression, soft even front lighting, plain light-gray background, photorealistic, sharp focus on the face
این پرامپت همهٔ نشانههای هویتی را یکجا و صریح میآورد و نور یکنواخت و پسزمینهٔ ساده میخواهد. هدف، چهرهای کاملاً خوانا برای مرجع است، نه یک عکس هنری.
بعد همین تصویر را به ابزار بدهید و کاراکترشیت بخواهید:
Using the attached image as the only identity reference, create a character turnaround sheet of the same woman: front view, three-quarter view, side profile and back view, full body, same teal hoodie, plus a row of four facial expressions (neutral, smiling, surprised, thinking). Keep the face, hair, glasses and mole exactly the same. Plain white background, consistent lighting.
عبارت «the only identity reference» به مدل میگوید هویت را فقط از عکس پیوست بگیرد، و تکرار جزئیات (عینک، خال، هودی) جلوی حذفشدن آنها را میگیرد. اگر در یکی از زاویهها چهره فرق کرد، همان بخش را دوباره بسازید.
هر ابزار برای کاراکتر ثابت چه قابلیتی دارد؟
جدول زیر فقط چیزهایی را آورده که در صفحههای رسمی خود ابزارها (آبان ۱۴۰۵) دیدم. اعداد ممکن است با بهروزرسانیها تغییر کنند:
| ابزار | قابلیت مرجع | ظرفیت رفرنس | نکتهٔ مهم |
|---|---|---|---|
| Nano Banana Pro (Gemini 3 Pro Image) | ترکیب چند تصویر ورودی | تا ۱۴ تصویر؛ حفظ شباهت تا ۵ نفر | بهتر است نقش هر تصویر را در پرامپت مشخص کنید |
| Nano Banana 2 (Gemini 3.1 Flash Image) | ثبات سوژه در یک جریان کاری | شباهت تا ۵ کاراکتر و ثبات تا ۱۴ شیء | مدل پیشفرض Flow طبق اعلام گوگل |
| Midjourney V7 | Omni Reference با --oref | فقط ۱ تصویر؛ وزن --ow از ۱ تا ۱۰۰۰ (پیشفرض ۱۰۰) | دو برابر زمان GPU مصرف میکند |
| Midjourney V8.1 و V8.2 | مدل Edit (جایگزین Omni Reference و Character Reference) | تا ۴ تصویر مرجع | در دیسکورد با پارامتر --edit |
| Kling 4.0 | Omni Reference | جمعاً ۱۵ رفرنس: تا ۱۰ تصویر، ۵ ویدیو، ۳ صدا، ۷ Element | ویدیو ۳ تا ۳۰ ثانیه؛ با Keyframes در یک تسک ترکیب نمیشود |
| Kling Element Library | ذخیرهٔ کاراکتر بهعنوان Element | ۲ تا ۴ تصویر برای هر Element؛ Element ویدیویی ۳ تا ۸ ثانیه | ساخت Element رایگان است |
| Google Flow / Veo 3.1 | Ingredients to Video | تعداد در اطلاعیهٔ رسمی ذکر نشده | پشتیبانی بومی از ۹:۱۶ برای ویدیوی عمودی؛ مدل تازهٔ Gemini Omni 1.2 Flash در Flow طبق اعلام گوگل ثبات کاراکتر و صحنهٔ بهتری دارد (آبان ۱۴۰۵) |
| Higgsfield | Soul ID (آموزش چهره) | ۲۰ عکس یا بیشتر، تا ۸۰ عکس | فقط عکس خودتان یا کسی که اجازه داده |
چند نکته از همین صفحههای رسمی: Midjourney میگوید در Omni Reference جزئیات ریز مثل ککومک یا لوگوی روی لباس ممکن است دقیقاً منتقل نشوند، و اگر از stylize خیلی بالا استفاده نمیکنید بهتر است وزن را زیر ۴۰۰ نگه دارید. اگر میخواهید تفاوت کلی این ابزارها را برای تصویرسازی بدانید، راهنمای جامع ساخت تصویر با هوش مصنوعی را هم ببینید.
پرامپت را چطور بنویسیم که هویت کاراکتر حفظ شود؟
ساختاری که من استفاده میکنم دو بخش دارد: یک «بلوک هویت» که در همهٔ پرامپتها کلمهبهکلمه تکرار میشود، و یک «بلوک صحنه» که هر بار عوض میشود. بلوک هویت را یک بار بنویسید، ذخیره کنید و دیگر به آن دست نزنید؛ هر کلمهٔ اضافه یا جابهجا در آن، شانس تغییر چهره را بالا میبرد. گوگل هم در نکتههای رسمی پرامپتنویسی Nano Banana Pro توصیه میکند وقتی چند تصویر مرجع میدهید، نقش هر تصویر را صریح بگویید:
Image 1 is the character reference: keep her face, hair, glasses and mole exactly as shown. Image 2 is the outfit reference. Image 3 is the background. Show the woman from Image 1 wearing the outfit from Image 2, sitting at a café table in the location from Image 3, holding a coffee cup and laughing, natural window light, 4:5 vertical, photorealistic.
در این پرامپت هر تصویر یک وظیفهٔ مشخص دارد: اولی فقط هویت، دومی فقط لباس و سومی فقط فضا. بدون این تفکیک، مدل ممکن است ویژگیهای تصویر لباس را وارد چهره کند.
در Midjourney V7 همین منطق با پارامتر Omni Reference پیاده میشود:
A young woman with shoulder-length wavy black hair and gold-rimmed glasses walking through a rainy Tehran street at night, neon reflections, cinematic photo --oref [IMAGE_URL] --ow 150 --ar 4:5
اینجا --oref آدرس تصویر مرجع است و --ow 150 وزن را کمی بالاتر از پیشفرض میبرد تا چهره محکمتر حفظ شود. طبق راهنمای Midjourney، اگر خواستید سبک را عوض کنید (مثلاً انیمه)، سبک را هم اول و هم آخر پرامپت بیاورید و در صورت کم کردن وزن، ویژگیهای ظاهری را در متن توصیف کنید. اگر در نسخههای V8.1 یا V8.2 کار میکنید، بهجای این پارامتر از مدل Edit و تصاویر مرجع آن استفاده کنید.
سید (Seed) چقدر به ثابت ماندن کاراکتر کمک میکند؟
خیلی کمتر از آنچه بیشتر آموزشها میگویند. سید عدد شروع نویز است و در Midjourney میتواند هر عدد صحیحی بین ۰ تا ۴۲۹۴۹۶۷۲۹۵ باشد. خود مستندات Midjourney صریحاً میگوید نباید برای گرفتن نتیجهٔ یکسان در جلسههای مختلف به سید تکیه کرد، تغییر پرامپت یا نسخهٔ مدل نتیجه را عوض میکند و سید کمترین اثر را روی تصویر نهایی دارد. پس سید ابزار آزمایش است، نه قفل هویت.
چطور کاراکتر را بدون عوض شدن چهره به ویدیو ببریم؟
بیشترین افت هویت در مرحلهٔ ویدیو اتفاق میافتد، چون چهره در حرکت، چرخش سر و تغییر نور باید ثابت بماند. روشی که جواب میدهد این است:
- از تصویر شروع کنید، نه از متن: اول فریم اول را با ابزار تصویر و رفرنسهایتان بسازید و تأیید کنید، بعد آن را به ابزار ویدیو بدهید (Image-to-Video).
- کاراکتر را بهعنوان Element ذخیره کنید: در Kling هر Element دستکم ۲ و حداکثر ۴ تصویر مرجع دارد و در Omni با تایپ «@» صدا زده میشود. راهنمای Kling توصیه میکند Elementهایی را بایند کنید که در فریم شروع حضور دارند.
- بین Keyframes و Omni Reference انتخاب کنید: در Kling 4.0 این دو در یک تسک ترکیب نمیشوند. اگر ترکیببندی دقیق فریم اول و آخر مهم است Keyframes، و اگر حفظ کاراکتر در صحنههای متنوع مهم است Omni Reference را انتخاب کنید.
- برای ریلز عمودی بسازید: طبق اطلاعیهٔ گوگل، Ingredients to Video در Veo 3.1 از نسبت ۹:۱۶ بهصورت بومی پشتیبانی میکند و هدفش حفظ ظاهر کاراکتر در تنظیمات و صحنههای مختلف است.
- حرکت را ساده نگه دارید: چرخش تند سر و دست جلوی صورت بیشترین خطر را دارند.
یک نمونه پرامپت ویدیو برای Kling که با Element کاراکتر کار میکند:
@Sara walks slowly toward the camera in a sunlit bookstore, picks up a book and smiles at the lens. Slow dolly-in, eye-level shot, soft natural light. Keep her face, glasses and teal hoodie consistent throughout. Avoid morphing facial features or changing clothes.
«@Sara» نام Elementی است که قبلاً در کتابخانه ساختهاید. حرکت دوربین با اصطلاح فنی مشخص شده و جملهٔ آخر همان محافظ ثانویهای است که وبلاگ رسمی Kling پیشنهاد میدهد.
کل این زنجیره، از ساخت فریم تا تدوین ریلز نهایی، موضوعی است که در دوره آموزش ساخت ویدیو با هوش مصنوعی بهصورت عملی به آن پرداختهام. برای جزئیات بیشتر خود ابزار هم آموزش کلینگ را بخوانید.
رایجترین خطاها در ساخت کاراکتر ثابت کداماند؟
- توصیف دوباره و متفاوت چهره در هر پرامپت: وقتی رفرنس دادهاید، با متن متناقض (مثلاً رنگ چشم دیگر) با آن نجنگید.
- رفرنس بیکیفیت: عکس تار، سایهٔ سنگین، عینک آفتابی یا چهرهٔ بریدهشده مرجع بدی است. Higgsfield هم در راهنمای Soul ID دقیقاً همین موارد را منع میکند.
- استفاده از خروجی ضعیف بهعنوان رفرنس بعدی: هر بار که از یک خروجی کمی متفاوت رفرنس میگیرید، خطا روی خطا جمع میشود و بعد از چند نسل کاراکتر عوض شده است. همیشه به تصویر مادر برگردید.
- قاطی شدن دو کاراکتر: در صحنههای دونفره هر کاراکتر را با نام و ویژگی متمایز معرفی کنید یا از یک تصویر مرجع مشترک استفاده کنید.
اگر کاراکترتان قرار است محصول یا لباس برند را معرفی کند، روش مشابهی برای حفظ ظاهر مدل در عکسهای مختلف در مقالهٔ ساخت مدل مجازی برای عکاسی لباس توضیح دادهام.
از نظر اخلاقی و حقوقی چه مرزهایی را باید رعایت کرد؟
قانون من ساده است: هیچوقت چهرهٔ یک آدم واقعی را بدون رضایت صریح خودش به کاراکتر تبدیل نکنید. از سلبریتی تا عکسهای پیداشده در اینترنت. Higgsfield هم در راهنمای رسمی Soul ID نوشته فقط عکس خودتان یا کسی را آپلود کنید که اجازهٔ استفاده از چهرهاش را داده است.
- برای کاراکتر مجازی برند، از ابتدا یک چهرهٔ کاملاً ساختگی طراحی کنید تا شباهت به فرد خاصی پیش نیاید.
- اگر از چهرهٔ یک بازیگر یا اینفلوئنسر واقعی استفاده میکنید، رضایت کتبی و محدودهٔ استفاده را مشخص کنید.
- به مخاطب بگویید کاراکتر با هوش مصنوعی ساخته شده است. گوگل در تصاویر خروجی خود واترمارک نامرئی SynthID میگذارد و در Nano Banana 2 آن را با Content Credentials استاندارد C2PA همراه کرده است؛ یعنی منشأ این تصاویر قابل ردیابی است و پنهانکاری نه درست است و نه عملی.
یک نکتهٔ عملی هم بگویم: بعضی از این سرویسها بهطور رسمی برای کاربران ایران در دسترس نیستند؛ قبل از برنامهریزی یک سری طولانی، شرایط استفادهٔ هر سرویس را بررسی کنید. در دورهٔ دانشگاه تولید محتوا هم بخشهای «ساخت تصویر» و «مهندسی پرامپت» دقیقاً روی همین مهارتهای پایه، یعنی ساخت تصویر مرجع خوب و نوشتن پرامپت ساختیافته، تمرکز دارند.
سؤالات متداول
آیا فقط با پرامپت متنی میشود کاراکتر ثابت ساخت؟
در حد شباهت کلی بله، ولی چهره دقیقاً ثابت نمیماند. برای ثابت نگه داشتن چهره در هوش مصنوعی باید از تصویر مرجع و قابلیتهای رفرنس ابزار مثل Omni Reference، مدل Edit یا Element استفاده کنید.
چند تصویر مرجع برای یک کاراکتر لازم است؟
بستگی به ابزار دارد. Omni Reference در Midjourney V7 فقط یک تصویر میگیرد، مدل Edit در V8.1 و V8.2 تا ۴ تصویر، هر Element در Kling ۲ تا ۴ تصویر و Soul ID در Higgsfield دستکم ۲۰ عکس. در عمل یک تصویر اصلی روبهرو بههمراه یک کاراکترشیت چندزاویهای برای بیشتر کارها کافی است.
بهترین ابزار برای کاراکتر ثابت در ویدیو کدام است؟
یک جواب واحد ندارد. Kling 4.0 با Omni Reference و Element امکان ترکیب تصویر، ویدیو و صدای مرجع را میدهد و Ingredients to Video در Google Flow برای ویدیوی عمودی ۹:۱۶ مناسب است. بهتر است با همان کاراکترشیت روی دو ابزار تست بگیرید و هر کدام چهره را بهتر نگه داشت، همان را ادامه بدهید.
آیا ثابت نگه داشتن عدد سید کافی است؟
نه. طبق مستندات Midjourney، سید برای نتیجهٔ یکسان در جلسههای مختلف قابل اتکا نیست و با تغییر پرامپت یا نسخهٔ مدل نتیجه عوض میشود. سید برای مقایسهٔ اثر تغییرات کوچک پرامپت مفید است، نه برای قفل کردن هویت.
میتوانم چهرهٔ یک سلبریتی را کاراکتر پیجم کنم؟
نه، بدون رضایت صریح او این کار هم غیراخلاقی است و هم میتواند دردسر حقوقی بسازد. برای پیج یا برند، یک چهرهٔ کاملاً ساختگی طراحی کنید یا با رضایت کتبی از چهرهٔ خودتان یا یک مدل استفاده کنید.