准备带有面部关键点标注的初始参考图

首先使用专业标注工具（如LabelMe或CVAT），将首帧正面清晰照片的68个面部关键点逐一标出，并导出为JSON格式文件。该文件将作为后续所有分镜的人脸拓扑基准——【缺少这一步，后续帧的人脸结构都会出现偏差】。

标注完成后，将JSON文件与首帧原图一同放入项目根目录下的“/ref_face/”文件夹，并统一命名为 face_ref.png 和 face_ref.json。这样在后续调用时能够快速定位，避免混淆。

配置Stable Diffusion ControlNet权重链路

进入WebUI界面，打开ControlNet扩展，选择“openpose”模型，但需切换至“face_only”模式——请注意，此处并非使用全身姿态图，而是将刚才生成的face_ref.json文件作为输入源。

具体操作提供了两种路径：

方法一：在ControlNet面板中勾选“Enable”，将face_ref.json上传至“Image”栏，下方“Preprocessor”选择“none”，“Model”选择“control_v11p_sd15_openpose_faceonly [e9f6a43b]”。

方法二：如果使用ComfyUI，需加载“FaceDetailer”节点组，然后将face_ref.json接入“face_kps”输入端，同时关闭“Detect Face”自动检测开关——【一旦开启自动检测，会覆盖手动标注的关键点，导致锚点失效】。

批量生成分镜时锁定面部种子与生成参数

首帧生成时需记录Seed值（例如178234），随后勾选“Always use same seed for all frames”。这一设置操作简单，直接拖入文件即可完成。

所有后续分镜的提示词开头，必须强制添加固定前缀：“master_face_id:001, face_consistency:strong, no_face_warp, no_expression_drift”。虽然略显繁琐，但能显著降低面部漂移的发生概率。

每帧的采样步数需严格控制在28至32之间。步数低于28，细节容易缺失；高于32，ControlNet会过拟合，导致嘴角僵硬、眼距压缩等问题出现。

务必注意：这三个步骤环环相扣，缺少任意一环，前期所做的标注与配置都可能失去效果。从实测结果来看，这套流程能够确保同一角色在数百帧内保持面部连贯性，几乎察觉不到帧间跳变。