AI图片指令如何精确控制人物的面部表情和动作姿态？

想让AI图片里的人摆个特定的姿势，或者露出你想要的那种微妙表情，而不是每次都像开盲盒一样，其实没那么玄乎。关键在于你得知道怎么跟AI“说话”，而且要用对工具。这事儿分两个层面：一是靠嘴皮子功夫，也就是写好提示词（Prompt）；二是直接上“模具”，让它照着样子做。

我们先从最直接的“嘴皮子”功夫说起。

第一步：用简单、直接的词汇描述

刚开始，别想太多，直接告诉AI你想要什么。你想让角色笑，就写“smiling”；想让她悲伤，就写“sad”；想让她惊讶，就写“surprised, eyes wide open, mouth agape”。动作也一样，“sitting on a chair”（坐在椅子上）、“running”（跑步）、“leaning against a wall”（靠在墙上），这些都是最基本的指令。

但是，你很快会发现，只说“smiling”出来的笑容可能千篇一律，要么就是笑得像个假人。这时候就需要把描述具体化。

细化你的表情指令

AI理解不了“有点开心的那种感觉”，你得把这种感觉拆解成面部肌肉的组合。

• 笑容：是“gentle smile”（温柔的笑）、“happy smile”（开心的笑），还是“smirk”（得意地笑）或者“grin”（露齿笑）？更进一步，可以描述眼睛，“smiling with eyes closed”（笑得眯起了眼），或者“joyful expression with sparkling eyes”（眼神闪闪发光的开心表情）。把表情和眼神状态组合起来，效果会好很多。
• 悲伤：是“sad expression, eyes downcast”（悲伤的表情，眼神下垂），还是“crying with tears streaming down face”（泪流满面）？或者更含蓄的“melancholy expression, staring into the distance”（忧郁的表情，凝视远方）。
• 愤怒：是“angry, frowning, clenched teeth”（生气、皱眉、咬紧牙关），还是“furious expression with narrowed eyes”（眼神凌厉的暴怒表情）？

你看，关键就在于“拆解”。把一个模糊的情绪，拆成具体的五官动作。多用“and”或者逗号把这些细节组合起来，AI就能更准确地抓住你想要的感觉。比如，“a woman with a sad expression and tears in her eyes, looking down at her hands”，这个指令就比单纯一个“sad woman”要精确得多。

细化你的动作指令

动作姿态也是同样的道理。一个简单的“standing”（站立） 太模糊了。AI可能会给你一个呆板的立正姿势。你得告诉它“怎么站”。

• 手放哪里：“hands on hips”（双手叉腰）、“arms crossed”（双臂交叉）、“hand in pocket”（手插口袋）、“arms behind head”（双臂抱头）。手的摆放位置直接决定了人物的气场和状态。
• 身体朝向：“looking at viewer”（看着观众）、“turning back”（转身）、“view from behind”（背影）。这些词决定了观众的视角。
• 身体重心：“leaning forward”（前倾）、“standing on one leg”（单腿站立）。这些描述能打破画面的僵硬感，让姿态更有动态。

把这些组合起来，一个指令可以是：“a man in a suit, standing with arms crossed, leaning against a brick wall, looking away from the viewer.”（一个穿西装的男人，双臂交叉靠在砖墙上，视线望向别处）。你看，画面感是不是一下子就出来了？

但是，无论你的语言描述多么精确，它总有个上限。比如你想要一个非常特定的、复杂的舞蹈动作，或者某个电影角色的经典姿势，光靠语言很难100%还原。这时候，我们就得用上更硬核的工具了。

终极控制：使用ControlNet和OpenPose

如果你用的是Stable Diffusion，那ControlNet这个插件就是你必须了解的东西。 它就像一个“控制器”，能让你在生成图片时加入额外的控制条件，而姿态和表情控制是它最强大的功能之一。

这个功能的核心是一个叫做“OpenPose”的模型。 简单来说，OpenPose的作用是识别一张图片里人体的关键点——头、脖子、肩膀、手肘、膝盖等等，然后生成一个“骨骼图”。 这个骨骼图不包含任何画面、颜色、光影信息，只保留了人物的姿态结构。

然后，你就可以把这个骨骼图交给ControlNet，再配上你的提示词，比如“一个宇航员”，AI就会生成一个和骨骼图姿势完全一样的宇航员。 这就实现了姿势的精确复制。

具体操作步骤大概是这样：

1. 准备一张参考图：这张图可以是任何包含你想要姿势的图片，比如一张照片、一张电影截图，或者一张别人的画。你甚至可以在一些专门的网站上下载别人做好的姿势参考图。
2. 在Stable Diffusion的WebUI里启用ControlNet：通常在“文生图”或“图生图”界面的下方，你会找到ControlNet的设置区。
3. 上传参考图并选择预处理器和模型：把你的参考图上传到ControlNet的图像区域。在预处理器（Preprocessor）里选择“openpose”，在模型（Model）里也选择对应的“openpose”模型。
4. 运行生成：点击“启用”，然后像平时一样写好你的提示词，点击生成。AI在生成图像时，就会严格按照你参考图里的姿势来构建人物。

OpenPose的功能还不止于此。它有不同的版本，比如“OpenPose_full”可以同时捕捉身体、面部和手部的关键点，这意味着它不仅能复制姿势，还能在一定程度上复制表情和手势。 比如，参考图里的人张着嘴笑，那么生成的骨骼图就会包含嘴部张开的关键点信息，最终生成的人物也会是张嘴笑的。

如果你连参考图都没有，只有一个脑海中的姿势怎么办？可以直接“手搓”骨骼图。有一些叫“OpenPose Editor”的在线工具或插件，它会给你一个可以拖拽的骨骼小人，你可以像摆弄木偶一样，把它调整成任何你想要的姿势，然后把这个骨骼图保存下来，再导入到ControlNet里使用。 这样就实现了完全自由的姿态创造。

Midjourney的解决方案

对于Midjourney用户来说，情况有点不同。Midjourney没有像ControlNet这样开放的插件系统，但它也提供了自己的解决方案来处理角色一致性和姿态变化。

一个是“Vary (Region)”功能。 你可以先生成一张比较满意的角色图片，然后使用这个功能选中角色的脸部，再在提示词里专门描述你想要的新表情，比如“sad expression”。 Midjourney会重新绘制你选中的区域，在保持人物其他特征不变的情况下，给TA换上新表情。

另一个更强大的功能是“Character Reference”（角色参考），通过指令“–cref”实现。 你可以上传一张角色的图片作为参考，然后在新的提示词里描述不同的动作。 比如，你的参考图是一个站着的人物，你可以用“–cref [图片链接] a man sitting on sofa”（一个男人坐在沙发上）这样的指令，来生成同一个角色坐下的样子。 通过调整“–cw”参数的权重，你还可以控制参考的强度，决定是更侧重于保持角色的脸部特征，还是全身的服装都一并保持。

总的来说，精确控制这件事，就是从模糊到具体的过程。先学会用更丰富的词汇去描述，这能解决80%的问题。当语言达到极限时，就借助ControlNet和OpenPose这样的工具，直接给AI一个“骨架”让它照着做，这样就能达到像素级的精确控制。这两种方法结合起来，你就能从一个只能“开盲盒”的用户，变成一个能主动“设计”画面的创作者。