Vidu 參考生片教學：角色一致性實戰全攻略（2026）

一句答你：Vidu 參考生片嘅核心係「參考圖鎖角色、提示詞鎖動作、後期駁聲軌」；想條片講廣東話，最穩陣流程係先用專門粵語 TTS 出聲軌，再對嘴，最後照 QC 清單逐項收貨。

重點摘要 Key Takeaways

• 參考生片嘅本質係條件控制：參考圖越齊全，角色越穩定。
• 角色一致性五招：三角度參考圖、文字錨定特徵、一鏡一動作、同批生成、後期補救。
• 粵語聲軌記住「先聲後嘴」：出咗聲軌先做對嘴，次序唔好調轉。
• 港嘢免費方案開戶送 2,000 字符（一次性），大約 8 分鐘旁白，夠你試幾條短片。
• QC 分兩層：畫面睇角色同構圖，聲音睇多音字、入聲同字幕同步。
• 生成內容要標示，聲音同肖像要攞授權，合規唔可以求其。

Vidu 參考生片係咩一回事

參考生片（Reference-to-Video） 係一種 AI 影片生成玩法：你除咗畀文字提示，仲會上載一張或者多張參考圖，等工具跟住圖入面嘅角色樣貌、衫褲、畫風去生新鏡頭。同純文字生片相比，佢最大賣點係「可控」——角色唔使逐個鏡頭抽獎。

角色一致性（Character Consistency） 係指同一個角色喺唔同鏡頭、唔同角度、唔同場景之下，塊面、髮型、身形都保持穩定，唔會忽然變咗第二個人。

根據公開資料（2026-10-31 觀察），Vidu 屬於影片生成工具一類，支援以參考圖輔助生成嘅玩法，創作者圈成日攞佢做角色主導嘅短片。至於片長、解像度、收費呢啲具體規格，官方更新得快，本文唔逐項列，落單前以官方公布為準。

學術界一早將「點樣令生成片受控」列做核心課題。有綜述就將圖像、影片、姿態呢啲額外條件，視為提升生成片可用性嘅關鍵方向（Text-to-Video 生成綜述, 2026）。

提多句：工具生態變得好快，Sora 2 已於 2026-04-26 停止提供，佢嘅影片 API 亦已於 2026-09-24 關閉。所以開工之前，第一步係確認你揀嘅工具仲喺度、功能冇縮水。

點解角色一致性咁難搞

生成模型本質上係「逐格估」：佢唔係真係記住咗你個角色，而係每次按條件重新畫。條件唔足，佢就自由發揮，於是塊面漂移、衫褲走樣。有綜述由 Sora 嘅技術路線出發，指出長時序一致性同可控生成仍然係未完全解決嘅問題（Text-to-Video 綜述：從 Sora 睇到啲乜, 2026）。評測基準 T2V-CompBench 亦將多物件、多屬性嘅構圖一致性列做獨立評分維度，即係話連研究界都認呢科唔易（T2V-CompBench, 2026）。

參考圖生片完整流程

第一步：準備參考圖

例如你做緊一個茶餐廳伙記角色「阿強」：白色制服、短髮、黑框眼鏡。咁你最少要三張圖——正面大頭、側面、半身連制服。圖要清、光要均、背景要淨，唔好畀雜物搶 fo。如果角色有標誌性道具，例如佢成日揸住個托盤，道具都要入鏡。

第二步：寫提示詞

提示詞分兩層：角色層同鏡頭層。角色層將參考圖睇唔到嘅嘢講清楚，例如「阿強係廿幾歲男仔，笑容親切」；鏡頭層講動作同運鏡，例如「中景，阿強由右邊行入嚟，放低托盤」。一個鏡頭淨係講一個動作，唔好貪心。

第三步：生成同揀 take

每個鏡頭生成多幾版，揀 take 嘅次序係：先睇角色似唔似，再睇動作順唔順，最後先睇構圖靚唔靚。角色似係入場券，唔似就直接淘汰，唔好因為個景靚就心軟。

第四步：駁長同執靚

短片逐段生成之後，用剪接駁返埋。駁位最好揀動作中段或者鏡頭移動緊嘅位置，觀眾唔易覺。有啲工具自帶延長功能，例如 Veo 3.1 官方文件寫明延長每次 7 秒、最多 20 次、最長約 148 秒（Veo 官方文件, 2026），呢類機制可以慳返唔少剪接工夫。

角色一致性五招

第一招：參考圖要有「三角度」

正面、側面、半身或者全身，三個角度係基本盤。模型見過側面，先識畫側面；你淨係畀大頭自拍，佢唯有靠估。

第二招：提示詞重複錨定特徵

將角色嘅硬特徵——髮型、眼鏡、制服顏色——喺每個鏡頭嘅提示詞入面照寫一次。唔好怕重複，重複先係錨。

第三招：一個鏡頭一個動作

「阿強行入嚟、放低托盤、抹枱、同客人打招呼」——四個動作擠埋一鏡，崩壞率即刻升。拆開四鏡，每鏡一個動作，穩定好多。

第四招：同批生成、統一設定

同一場戲嘅鏡頭盡量喺同一批、同一設定之下生成，參考圖、畫風描述、比例全部保持一致。換一批先再生成，就好似換咗個畫師。

第五招：後期補救唔好怕醜

某個鏡頭塊面微崩，可以剪細佢、拉遠佢，或者用字幕同音效轉移視線。對嘴位唔準，就用對嘴工具補做。生成片從來係「生成加後期」，唔係一 click 出貨。

【獨家觀察】我哋睇過唔少香港創作者嘅工作流程，最常見嘅死因唔係工具唔夠勁，而係「一圖走天涯」：淨係上載一張精修大頭做參考，結果側面鏡頭全部崩壞，之後用成倍時間補鑊。第二常見係次序調轉——生成咗條片先至諗配音，搞到對嘴點都對唔準。記住兩句：參考圖畀足三角度，聲軌行先於對嘴。（2026-10-31 觀察）

粵語聲軌點樣接返上去

第一步：寫份「講得出」嘅稿

粵語旁白稿要口語化：嘅、咗、喺、嚟、唔呢啲口語字照用，句子要短。中英夾雜係香港日常，例如「阿強 check 吓個單先」，自然就得，不過要諗定英文部分點讀。

第二步：用港嘢出聲軌

港嘢係專做香港廣東話嘅 TTS。計吓數先：字符換算大約 240 字符一分鐘，10 分鐘旁白約 2,400 字符；免費開戶禮 2,000 字符（一次性），即係大約 8 分鐘，夠你試幾條短片。API 以 async 為主：POST 交稿，攞個 job_id，再 poll 拎返條聲軌；單次文字上限 500 字符，長稿記得分段。想連字幕一齊出，行 srt=true 嗰條軌，之後對時間軸慳好多力。

點解要專門粵語 TTS？因為全球約 8,490 萬粵語母語者，但高質素粵語標註資源長期不足，通用工具嘅粵語往往唔夠地道（WenetSpeech-Yue, 2026）。想睇多啲聲軌點樣配落唔同工具，可以參考我哋篇 AI 影片粵語配音完整流程、Seedance 粵語聲軌教學 同 Veo 3 粵語聲軌攻略。

第三步：對嘴

對嘴（Lip Sync） 係將角色嘴型同聲軌對齊嘅工序。通用原則係：角色要正面、嘴部要清楚、聲軌長過條片就要剪。Kling 嘅 Lip Sync 官方文件都係咁寫：上載聲軌或者用佢哋嘅 TTS，支援真人、3D、2D 角色，但角色要正面、嘴部清楚，聲軌長過影片就要剪短（Kling Lip Sync 官方文件, 2026）。詳細操作可以睇我哋篇 Kling 粵語對嘴教學 同 粵語對嘴入門指南。

第四步：字幕同步

Viseme 係發音對應嘅嘴型單位，嘴型跟音素走，唔跟聲調走，所以粵語六個聲調唔會直接影響對嘴，反而係入聲字嘅短促收尾會令嘴型節奏唔同。入聲 係粵語以 -p、-t、-k 收尾嘅音節，例如「食」「一」「十」，收尾短促，對嘴嗰陣嘴型收得快係正常。字幕就用返之前 srt 出嘅時間軸，貼落剪接軟件就得，想再執靚可以睇 TTS SRT 字幕工作流程。

QC 驗收清單

粵語發音 QC 係重頭戲。粵語多音字多，文字轉拼音（G2P）容易出錯，例如「佢一行入銀行就後悔」——三個「行」字三種讀法。檢查步驟係：全稿聽一次、圈起錯音、改寫或者分段重出，唔好求其出街。

合規同授權

生成內容要有清楚標示，唔好扮真人實拍。香港數字政策辦公室嘅《香港生成式人工智能技術及應用指引》就強調透明、問責同資料保障（香港數字政策辦公室, 2026）。如果條片用到真人肖像，或者複製咗某人把聲，一定要攞到明確同意；涉及個人資料，私隱專員公署嘅 AI 個人資料保障模範框架係必讀（私隱專員公署, 2026）。音樂、字體、logo 全部都要清授權，唔可以拖。

資料來源同方法

本文內容基於官方公開文件、學術論文同我哋嘅工作流程觀察整理，觀察日期 2026-10-31。凡涉及工具規格（片長、額度、收費）之處，一概以官方公布為準；本文冇列出嘅規格，即係我哋未能核實，寧願唔寫。

常見問題 FAQ

Vidu 可唔可以免費試？

官方方案同試用額度更新得快，以官方公布為準（2026-10-31 觀察）。一般做法係開個戶口，用試用額度先生成幾條短片，確認角色穩定先至課金。聲軌方面，港嘢免費方案開戶送 2,000 字符（一次性），大約 8 分鐘旁白，夠你配幾條片。

參考圖要準備幾多張？

我哋建議三張起步：正面大頭、側面、半身或者全身。重點唔係張數，係角度覆蓋——模型見過嘅角度先畫得穩。

Vidu 可唔可以直接出粵語聲？

影片生成工具嘅內置發聲功能，語言支援逐款唔同，粵語呢類方言未必係主打（2026-10-31 觀察）。穩陣做法係用專門粵語 TTS 出聲軌，再駁落條片做對嘴。

生成片太短，點樣駁長？

通用做法係分段生成再剪接，駁位揀動作中段。有啲工具自帶延長功能，例如 Veo 3.1 延長每次 7 秒、最多 20 次（Veo 官方文件, 2026），可以慳返唔少工夫。

可唔可以 clone 自己把聲？

可以。港嘢嘅 clone 模式用參考音頻生成聲線，但記住：複製他人聲音必須取得明確同意，自己把聲就自己錄得清清楚楚。

點解把聲會讀錯多音字？

粵語多音字係 TTS 嘅核心難點，文字轉拼音嗰步容易估錯。補救方法係改寫句子、避開歧義字，或者將長句拆短分段重出，之後照 QC 清單驗收。

[!CTA]

而家就試港嘢粵語旁白

貼一段稿入港嘢 playground，即刻聽下把粵語聲啱唔啱你條片。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。 本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）