做漫剧分镜和做单张插画，在角色控制上完全是两回事。单张插画的脸只要好看就行，分镜要求的是“同一个人在不同角度、不同景别下，脸还是那张脸”。第一格正面、第二格侧面、第三格中景、第四格特写，观众默认这是同一个人。一旦脸对不上，注意力立刻就从剧情跳到“这谁”上面去了。

纯靠提示词锁脸，在分镜数量少、角度简单的时候勉强能用。但漫剧是连载性的内容，一集几十格分镜，跨越多集之后，提示词对长相的控制力衰减得非常快。AI 每次生成都在重新理解“黑色及肩直发”“杏眼”这些描述，而文字本身的模糊空间太大了。

IP-Adapter 解决的就是这个问题。它的思路是把一张参考图里的视觉特征提取出来，注入到生成过程中，给 AI 一个固定的参照，而不是让它每次从文字里猜。但用了和用好是两回事，下面把几个真正决定锁脸成败的点分开说。

先分清用的是哪个版本

IP-Adapter 有几个变体，做漫剧锁脸和做风格迁移，用的不是同一个。

普通 IP-Adapter 提取的是参考图的整体视觉特征——色调、画风、构图、人物外观全揉在一起。它适合做风格迁移，锁脸不够精准。角色一转头、换个景别，脸就容易跟着变。

FaceID 版本走的是另一条路。它用 InsightFace 提取面部结构特征——眼距、鼻梁宽度、颧骨位置、脸型比例。这些是结构化的信息，比整体视觉特征稳定得多。同一个人在不同角度、不同光线、不同画风下，提取出来的结构特征变化相对小。

漫剧主角的脸是贯穿整部作品的基础资产，用 FaceID 更合适。普通版可以在需要统一整体画风的时候辅助用一下，但锁脸这件事交给 FaceID。

参考图的质量决定了锁脸的上限

参考图没选好，后面参数怎么调都救不回来。FaceID 对参考图的要求比普通 IP-Adapter 更高，因为它提取的是面部结构信息，如果参考图本身拍得不够清楚，提取出来的特征向量质量就低。

漫剧角色的参考图，最少准备这几张：

数量不用多，两三张管用的就够。关键是这几张图要在角色定稿阶段就确定下来，后面每一集复用同一组。中途换参考图，前后集数里角色长相会出现断层。

参考图的风格要和最终生成的风格一致。做二次元漫剧，参考图就用二次元风格的。用写实照片去生成二次元角色，FaceID 提取的身份特征在风格转换过程中会损失一部分精度。

节点怎么接

FaceID 的工作流和普通 IP-Adapter 不太一样，接错了锁脸效果会差很多。

普通 IP-Adapter 的 Advanced 节点输出的是一个 MODEL，直接接 KSampler 的 model 输入。但 FaceID 的接法不同——它输出的是条件信息，需要和 CLIP 文本编码的结果一起送入 KSampler 的条件输入端口。

一个常见的错误是把 FaceID 的输出当成 MODEL 来接。这样跑出来的图，画面色调会被参考图“污染”，但脸并没有更像。原因就是 FaceID 的强项是身份特征，不是模型层面的风格迁移。

另外，FaceID 模式需要安装 InsightFace 库，这个依赖和普通 IP-Adapter 不一样。装插件的时候要确认依赖装上了，不然节点会显示但跑不起来。

权重和生效区间

权重是影响最大的参数。FaceID 的可用区间比普通 IP-Adapter 窄，大概在 0.6 到 0.8 之间。0.5 以下特征会飘，0.9 以上容易出现色彩过饱和、边缘生硬。我在实际使用中的习惯是主锁脸用 0.75，不够像提到 0.8，画面色彩不对降到 0.7。一次只调 0.05，调多了容易错过那个刚好能用的点。

有一个细节值得注意：FaceID 对权重变化的反应方式和普通 IP-Adapter 不同。有用户在 cubiq 的讨论区里做过测试，发现 FaceID 在提高特定层（比如 input_7）的权重时，面部相似度会有明显提升，而 Full Face 模型的反应模式又不一样。这意味着不同版本的 FaceID 模型（v1、v2、Plus v2）需要分别测试权重窗口，不能把一个版本的参数直接套到另一个版本上。

Start At 和 End At 控制 FaceID 在采样过程中的生效区间。Start At 设 0.0，从第一步开始介入。End At 设在 0.65 左右，让后半段采样逐渐减弱影响。后半段主要在细化纹理和色彩，如果 FaceID 一直强力介入到结束，画面会变得僵硬，像是把参考图“贴”上去的。

weight_type 做角色锁脸时选 linear，它更侧重具体特征的还原。CFG Scale 建议控制在 6.0 到 7.5 之间，太高了画面边缘会生硬。

和 LoRA 配合，稳定性更高

只靠 FaceID 锁脸，在连载漫剧里跨越多集、多种场景的情况下，仍然会有漂移。这种漂移很细微，每一集单独看都不明显，但累积几集之后就能看出来。

一个比较稳的做法是训练角色 LoRA，生成时同时加载 LoRA 和 FaceID。LoRA 权重 0.7 到 0.9，FaceID 权重 0.7 左右。LoRA 提供角色身份的基础保障，FaceID 提供每一格分镜的即时参考锚定。

有用户在实际项目中验证过这个组合的效果。LoRA 相当于给基础模型装了一个“角色滤镜”，体积不大但能让 AI 精准识别这个角色的特征。FaceID 在此基础上做每一格分镜的即时校准。只用其中一个，在分镜数量多、角度变化大的情况下都有可能出现漂移。

复杂分镜要区别对待

正面半身像这种简单的分镜，FaceID 处理起来很轻松。但主角大幅动作、极端角度、多角色互相遮挡的时候，锁脸难度会明显上升。这种分镜不要硬锁，容易出问题。

我的做法是：复杂分镜先用低权重出一版画面，确保构图和动作没问题，再用局部重绘单独修脸。多了一步，但比反复调整整个工作流的参数要快。局部重绘时把 FaceID 的权重提高一些，因为重绘区域小，身份特征更容易被精确注入。

批量生成之后，逐格检查这一步不能省。把参考图和每一格分镜里主角的脸截出来做比对，相似度低的标记出来重生成。有创作者专门写脚本做这一步的自动校验，用 InsightFace 读取三视图参考图，自动判断生成画面里的人物是否一致，不合格的标记出来重生成。如果分镜数量大，脚本比手动抽查效率高很多。

FaceID 处理不了的场景

FaceID 也不是万能的。极度夸张的表情、大角度侧脸、人物被大面积遮挡的时候，锁脸效果会明显下降。侧脸超过 90 度、面部被手或头发遮挡超过三分之一、极端表情导致面部结构变形，这些情况下 FaceID 提取的特征向量会失真，生成出来的脸自然不稳定。

这种分镜需要配合其他手段来处理。一个方法是用 InstantID 做补充，它在大角度下的身份保持能力比 FaceID 更强一些。另一个方法是在分镜设计阶段就避免这类构图，或者把复杂动作拆成多个简单的分镜来表现。

锁脸这件事，没有“设好就不用管”的参数。参考图质量、权重微调、LoRA 配合、逐格校验，这几个环节共同决定了最终角色能不能在整部分镜里保持稳定。任何一个环节偷懒，后面都会在画面里体现出来。