要将角色沉淀为可复用IP资产,需严格遵循LibTV结构化流程:准备三视图命名规范、编写含固定后缀的YAML设定卡、绑定LoRA或参考图、通过Asset Hub校验注册,并在分镜中用Character Loader节点自动注入身份参数。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

要把角色真正沉淀为可复用的IP资产,不是存几张图就完事,而是让LibTV工作流在每次生成时都稳定调用同一套结构化身份信息——包括面部特征、服装细节、姿态约束和风格锚点,否则下一次换镜头就变脸。
准备角色原始素材
收集至少3张高质量角色正/侧/背面参考图,分辨率不低于1024×1024,背景纯白或透明,人物居中无遮挡。这三张图是后续所有一致性控制的物理基础,缺一不可。
把角色名+视角标注进文件名,例如「林小满_front.png」「林小满_profile.png」「林小满_back.png」。LibTV资产系统靠文件名识别视角,命名错一个字母会导致ControlNet节点找不到对应图。
构建角色设定卡(Character Card)
新建文本文件,命名为「林小满.character.yaml」,用UTF-8编码保存。内容必须包含name、description、age、hair_color、outfit关键词,且description字段要写实——不能写“帅气少年”,得写“黑发微卷,左耳戴银环,穿深蓝连帽衫配破洞牛仔裤”。
在description末尾追加一句固定后缀:【必须保留“--style raw --no watermark”】。这是LibTV角色卡解析器的硬性识别标记,漏掉会导致整个卡片被跳过加载。
封装LoRA与参考图绑定包
方法一:本地LoRA微调后导出权重文件,重命名为「linxiaoman_v1.safetensors」,放入LibTV项目目录下的「models/loras/」文件夹。
方法二:不训练LoRA,直接用参考图驱动。将三张命名好的PNG图放入「assets/characters/linxiaoman/ref/」,再在该目录下新建「config.json」,写入{"face_weight": 0.85, "pose_weight": 0.6, "style_fidelity": 0.72}——这些数值决定不同维度的控制强度,低于0.6时侧面图容易崩形。
方法三:混合使用。把LoRA文件和ref文件夹放在同一级目录,LibTV启动时会自动优先加载LoRA,再叠加ref图的ControlNet约束。这是目前角色稳定性最高的组合方式。
注册到LibTV资产库
第一步:打开LibTV主界面→点击左侧「Asset Hub」→选择「+ Add Character」。
第二步:在弹窗中填入角色ID(只能用小写字母+下划线,如lin_xiaoman)、选择刚才准备好的character.yaml路径、勾选「Enable LoRA binding」或「Enable Ref Image binding」之一。
第三步:点击「Validate & Register」。此时LibTV会校验yaml语法、图片路径可读性、LoRA文件头完整性。只要有一项失败,注册按钮保持灰色,【此时不要强行跳过验证】,否则后续所有镜头都会报“character not found”错误。
注册成功后,角色ID会出现在右侧资产面板,状态灯变绿,右键可快速预览三视图。
在分镜工作流中调用角色资产
打开任意分镜工作流JSON文件,在需要生成角色画面的KSampler节点前插入「Character Loader」节点,下拉菜单中选择「lin_xiaoman」。
该节点会自动注入四类参数:1)从character.yaml读取的描述文本拼接到prompt开头;2)按当前镜头角度匹配ref图并送入ControlNet;3)若启用LoRA则加载对应权重;4)强制覆盖CFG scale为7–9区间——这是角色细节保留的关键阈值,手动改回5以下会导致五官模糊。
保存工作流后,下次只需修改分镜脚本文字,角色形象全程无需重新调整。











