AI 几十秒捏出一张脸,为什么还是不像你
我一直觉得这件事有个挺动人的地方。模型的目标,是生成“最可能的那张脸”。而你想要的那张——在统计意义上,恰恰是个不太可能的样本。你的不对称、你那颗痣、你略方的下颌角,都是偏离平均值的噪声。所有优化机制都想帮你抹掉它们.

现在不少手游都有拍照捏脸。传一张正脸照,等几十秒,系统把五官特征往捏脸参数上一套,直接给你一版。省事是真省事。以前想捏个满意的角色,磨一两个小时很正常;现在几十秒就有个起点。但很多人看到结果,第一反应都一样:
“……这谁啊?”
不难看,甚至挺好看。眉眼也有那么点意思。可整体一看,像一个开了美颜的自己,或者像随便哪个网红。你不甘心,开始手动改。眼睛调小一点,下巴收一点,颧骨提一点。改了半小时,越改越怪,最后默默退回 AI 那一版。这事现在挺普遍。生成一张脸几乎免费了,但“捏得像”好像没简单多少。因为难的地方换了。以前难在做不出来,现在难在——它做得出来,但不是你。
一、它不是画不好,是见过的脸太多了
你可以把生成模型想成一个见过几百万张脸的画师。手极快,技法也好。但你跟他说“画个人”,他抬笔就是那张他画过最多次的脸。并不是偷懒,他受的训练就长这样:拿不准的地方,往最常见的方向补。拍照捏脸也一样。一张照片能提供的信息有限。正面照告诉不了你侧面轮廓,二维像素也说不清骨骼起伏。那些照片里没交代清楚的地方,系统只能靠先验补。补出来的,就是“最常见的那张脸”。
于是就有了那种一眼能认出来的观感:过度对称、皮肤无瑕、五官标准、好看,但没记忆点。
你以为它在捏你,其实它在拿你当参考,捏它见过的人的平均值。
更麻烦的是,流程里还有好几道工序在主动帮你“变标准”。
有的模块会把脸左右对称化。你的单边酒窝、那颗痣,被当成噪声抹掉了。有的环节偏爱“好看”,于是不停往网红方向推。游戏本身还有自己的美学模板,一张真人脸映射进去,多少会被修整一遍。所以“大众脸”不是 bug,是这套机制在正常工作。
那怎么办?有个挺形象的说法:给你的记忆点开一条白名单。
别让它们跟其他部分一起被优化。颧骨的弧度、略方的下颌角、那颗痣、笑起来只有一边有的酒窝——单独拎出来,明确告诉系统:这部分不许平均,不许对称,不许磨平。顺带说个特别实用的:如果你发现痣和不对称的特征总是消失,先去看看有没有开水平翻转、有没有做对称补全。 这多半是个纯工程问题,不是模型不行。
二、莫怪模型,也许是你传的那张照片问题
修改照片这块最容易改,收益也最大。你传上去那张照片,大概率已经三重失真了。
先说美颜。现在手机前置默认就带磨皮和瘦脸。你的下颌线已经被削过一轮,皮肤纹理已经被抹平一次。AI 拿到的是“美颜后的你”,它只能沿着这个错误继续跑。再说透视。自拍是三十厘米距离、广角镜头。这个组合会让鼻子放大、脸盘变宽、耳朵后缩。这是初中物理,不是算法问题。结果就是:你捏出来的鼻子会稳定偏大。而你去查系统误差,发现它拟合得很好——因为它忠实地还原了一张失真的输入。还有角度和遮挡。微微低头、刘海挡额头、侧一点脸、笑出表情。每一样都在给系统喂错误信息。
所以拍照捏脸的正确素材,其实很朴素:关掉所有美颜和滤镜;离远一点,让别人帮你拍,或者用后置;正面平视,中性表情,光线均匀;额头和耳朵露出来。有条件的话,再补一张 45 度和一张正侧面。就这几条,比你在捏脸界面里磨半小时管用得多。输入错了,后面全是白费力气。
三、两种“不像”,别混在一起骂
这里得掰开说。同样是“不像”,背后是两种完全不同的毛病,修法也不一样。
第一种:捏不出来。
游戏的捏脸参数是美术定义的一套滑块,它有边界。你的某个特征——比如鼻翼一个特定的曲率、下颌某处不对称——如果这套滑块里压根没有对应的维度,那真不是调不好,是无解。
这就像用有限的调色盘调一个颜色。盘里没有那个色相,你怎么调都差一点。
拍照捏脸走的正是这条路:把照片反解成滑块参数。好处是输出直接就是游戏能用的资产,天生能跑动画、能换装备、能进管线,没有额外损耗。代价就是这个天花板。
第二种:装不进去。
另一条路线是让 AI 自由生成一个精细的 3D 头,不管游戏规格。细节猛得多,但游戏管线要的是一套统一规格:统一的顶点结构,这样动画才能复用;统一的贴图布局;统一的骨骼;明确的面数和内存预算。
于是中间必须有一道“装盘”工序。
打个比方:你请了位米其林大厨做了道极精致的菜,但餐厅规定所有菜必须装进食堂那种标准分格餐盘。服务员刮掉一部分、压平一部分、挪个位置。端到你面前时,它还是那道菜,但已经不是大厨做的那道了。这道工序是有损的,而且损耗常常比生成本身的误差还大。最扎心的是:演示视频里给你看的是大厨那盘,你实际用到的是食堂那盘。两边都没说谎。
所以这两条路各有各的疼:一条是表达不出来,一条是表达出来了但装不下。游戏里的玩家捏脸,几乎必然走第一条——因为可驱动、可复用是刚需。网易伏羲早年那套照片反解游戏参数的思路,到今天还值得读,就是因为它一开始就在交付规格里做优化,天然没有装盘损耗。而自由生成那条路,更适合概念设计、影视预演、个人创作。搞清楚自己在哪条路上,才知道该抱怨什么。在滑块空间里抱怨细节不够,或者在自由生成里抱怨进不了游戏,都是找错了对象。
四、需求文本描述清晰
如果是文本描述捏脸,还有个常见误区。滑块虽然笨,但有个巨大优点:你动眼睛不会影响鼻子。而一句话里所有需求是纠缠在一起的,你改一个词,整张脸跟着漂。这就像装修。你跟师傅说“我要北欧风,带点日式,又有点高级感”——他会给你一个他理解的答案,而且每次理解都不一样。
正确做法是给三样东西:结构图、参考图、材质板。分开给。
捏脸也一样,至少拆成三条独立通道:
身份——参考照片,负责“是谁”
结构——脸型、五官位置、比例,负责“什么形状”
风格——写实还是二次元、什么调性,负责“什么味”
三条分开,你才可能只改风格而不动长相。全塞一句话,就是等着漂移。
还有件小事,但极其重要:存档。不只存种子值,还要存参考图、条件设置、模型和插件版本。因为在这套流程里,同一个需求可以对应无数个答案。不记清楚,“上次那个感觉”就永远回不来了。跟菜谱一个道理:只写“少许盐、中火”,你再也做不出上次那个味道。能复现的才叫资产,不能复现的叫抽奖。
五、ai无法替代你的三件事
第一,管线的规矩。统一结构、统一骨骼、面数内存预算。不满足就是零分。生成模型再强,也不能替你把动画库重做一遍。
第二,手机的性能。电脑上跑得飞起的东西,塞进手机要发烫、要掉帧。离线效果和实时帧率是两个世界。
第三,人的感知。这条最有意思。
为什么很多虚拟人“哪儿都对,但就是瘆人”?
因为眼球完全不动。真人眼睛每时每刻都在做极微小的跳视,静止的眼球在人的直觉里等于——蜡像。因为笑的时候眼角不动。真笑必须带眼周肌肉,只提嘴角,人脑立刻判定“假笑”。因为皮肤没有透光感。耳廓、鼻翼在光下该透一点红,不透就是塑料。
这些是人的生理规律,不随模型迭代而改变。AI 能生成毛孔,但“活人感”来自时间维度——那些一直在动的微小东西。
还有一个很实际的落差:捏脸预览界面的光,是专门为你打的。固定柔光、正面近景、标准表情。而实机里是各种时间天气、远景镜头、跑动战斗,以及一套所有人共用的表情动画。所以“预览满意、实机一般”是真实存在的。但原因不是脸崩了,而是打光变了、镜头远了、它开始动了——而它动起来的样子,不是你动起来的样子。
六、那现在该干嘛
以前捏脸拼耐心:坐两小时,一个下颌角来回拉四十分钟。现在这部分被接管了,接管得还不错。于是人的活儿剩下两件,说实话都比拉滑块难。
一是把“我要什么”说清楚。
并不是“清冷感美女”那种词,而是要具体到骨相、到记忆点、到哪些地方不许被平均。这件事以前不需要做——你自己动手,意图直接在手上。现在你得把它讲出来。
二是验收。别在捏脸界面里验收。
别嫌麻烦,就五条:
转 45 度和正侧面,鼻梁下颌会不会塌
做表情,笑一下说句话,崩不崩
换个场景光,白天黑夜室内都看一眼
缩成聊天框那么小的头像,还认不认得出
动起来之后,还像不像静态那张
静态好看是及格线,动起来不崩才是交付线。AI 负责相似度,你负责神韵。它做八成,剩下那两成,恰好是“像”和“就是 ta”的区别。
最后
我一直觉得这件事有个挺动人的地方。模型的目标,是生成“最可能的那张脸”。而你想要的那张——在统计意义上,恰恰是个不太可能的样本。你的不对称、你那颗痣、你略方的下颌角,都是偏离平均值的噪声。所有优化机制都想帮你抹掉它们。所以今天捏脸真正的技术活儿,不是把模型练得更强。它已经够强了。而是认出哪些“不标准”不该被抹掉,然后护送它们穿过一道道工序,活着到达屏幕前。生成一张脸,已经快免费了。值钱的变成了:这张脸是谁、它能不能用。而“是谁”这一项,只有你自己知道答案。