如何在同一张图像中放置2个一致的角色

你花费数小时在Stable Diffusion中完善一个角色设计。脸部看起来完美，服装与你的愿景相符，风格正是你需要的。然后你尝试添加第二个角色来创建互动场景，一切都崩溃了。原始角色变成了完全不同的人，面部特征混在一起，你最终得到了两个不一致的陌生人，而不是你精心制作的主角。

快速回答： 在同一图像中生成2个一致的角色需要结合多种技术，包括角色特定的LoRAs、用于分离角色区域的地区提示、用于脸部一致性的IP-Adapter以及仔细的构图规划。最可靠的方法是以较低权重堆叠单个角色LoRAs，同时使用地区提示工具来控制每个角色在框架中出现的位置。

为什么多角色一致性如此困难?

根本性的挑战源于扩散模型如何处理信息。当你在单个角色上训练模型或LoRA时，它学习模式、面部特征、衣服细节和风格元素作为一个相互连接的包。引入第二个角色会产生竞争信号，混淆生成过程。

图像生成模型通过注意机制工作，该机制在整个构图中混合特征。如果没有明确的边界，模型将所有元素视为统一场景的一部分。这意味着来自一个角色的独特特征会泄漏到另一个角色的空间中。你可能会看到角色A的眼睛颜色出现在角色B上，或者发型在主体之间混合。

这个问题在角色LoRAs中特别加剧。每个LoRA修改基础模型的行为以偏向特定特征。当你堆叠两个角色LoRAs时，它们会在相同的神经路径上争夺影响力。模型本质上试图创建一个同时满足两个LoRAs的混合体，导致两个角色都无法正确出现。

空间一致性增加了复杂性的另一层。模型必须理解两个独立的实体存在于框架的不同区域，同时保持它们之间适当的比例、视角和照明一致性。这需要标准提示无法提供的复杂构图控制。

你如何成功堆叠角色LoRAs?

LoRA堆叠构成了多角色生成的基础，但该技术需要精确以避免角色渗漏。通过将每个角色LoRA权重减少到大约0.4到0.6，而不是用于单角色生成的典型0.8到1.0范围，开始。这种降低的影响防止任何LoRA主导整个构图。

加载你的第一个角色LoRA并将其分配给特定的提示区域。如果你使用ComfyUI，ConditioningSetArea节点允许你定义特定的矩形区域，其中特定的条件适用。对于你的第一个角色，你可能会指定图像宽度的左40%。第二个角色LoRA被分配到不同的区域，也许是右40%。

你加载LoRAs的顺序很重要。首先在你的LoRA堆栈中放置应该出现最突出或最接近相机的角色。这个角色的LoRA获得处理优先级，建立随后的LoRAs修改而不是覆盖的基线。如果你需要角色A主导场景，而角色B扮演辅助角色，请首先以略微更高的权重加载角色A的LoRA。

堆叠LoRAs时注意提示结构。每个角色需要独立的描述文本来强化他们独特的特征。而不是单个提示描述两个角色一起，使用每个区域的单独条件。对于角色A，编写包括姿势、表情、衣服和环境背景的完整描述。对角色B在其指定区域中执行相同操作。

权重平衡需要根据你的特定LoRAs进行实验。由于数据集大小或训练持续时间，某些角色LoRAs训练时的影响更强。如果一个角色始终压倒另一个角色，将主导LoRA的权重减少0.1增量，同时增加较弱的权重。目标是平衡的影响，其中两个角色都保持其独特的特征而不混合。

对于高级控制，考虑使用不同LoRA组合的多次通过。使用两个LoRAs以低权重生成初始构图以建立基本定位。然后使用ControlNet或img2img运行第二次通过，使用区域掩模，以较高的权重将每个角色LoRA单独应用到其特定区域。这种两阶段方法防止交叉污染，同时保持构图完整性。

哪些地区提示方法效果最好?

地区提示将你的画布分为受控的区域，其中应用不同的生成指令。这种空间分离防止了困扰标准多角色尝试的角色特征混合。多个工具和工作流程提供具有不同控制水平的地区提示功能。

ComfyUI通过其基于节点的工作流系统提供最灵活的地区提示。ConditioningSetArea节点使用精确的像素或基于百分比的尺寸定义矩形区域。连接单独的提示条件到每个区域，允许完全独立的角色描述。你可以创建重叠的区域，具有不同的条件强度，以处理角色交互或占据共享空间的区域。

AUTOMATIC1111的地区提示扩展通过更直接的界面提供了类似的功能。使用1:1的简单比率（如分屏构图）或2:1的前景-背景排列来划分你的图像。每个区域接收自己的提示文本，你可以指定区域是否应该在边界处混合或保持硬分离。

潜在耦合技术通过实际在生成期间分割潜在空间来进一步进行区域控制。而不仅仅是将不同的提示应用于区域，这种方法通过单独的去噪路径处理每个区域，这些路径只在特定步骤处合并。这种方法大大减少了角色之间的交叉污染，但需要更多的计算资源和更长的生成时间。

对于精确的角色边界，基于掩模的地区提示提供像素完美的控制。在图像编辑器中创建二进制掩模，其中白色区域代表角色A的区域，黑色区域代表角色B的区域。将这些掩模导入到你的工作流程中，并使用它们来控制每个角色的条件适用的位置。这种方法对于角色重叠或占据不规则空间的复杂构图非常有效。

虽然Apatero.com等平台在幕后自动处理地区提示，但理解这些技术可以帮助你排除一致性问题，并在使用本地安装时实现特定的构图目标。

ControlNet集成通过添加姿势、深度或构图指导来增强地区提示。生成显示你所需的角色位置的参考图像或草图。在应用不同的地区提示到每个角色区域时使用此作为ControlNet输入。ControlNet确保角色保持适当的定位，同时区域提示保持个别外观一致性。

注意掩蔽提供另一个地区方法，通过在生成期间修改注意权重。注意力耦合扩展等工具通过区域特定的掩模乘以注意分数，有效地告诉模型在指定的区域中专注于特定的特征。这种技术在与LoRA堆叠相结合时特别有效，因为它强化了角色LoRAs之间的空间分离。

IP-Adapter如何处理多个脸部?

IP-Adapter通过使用图像嵌入而不是文本描述来定义外观，革命了角色一致性。IP-Adapter的多脸部功能允许你为每个角色提供参考图像，确保即使在复杂的多角色场景中脸部特征也保持一致。

标准的IP-Adapter工作流程使用单个参考图像并在整个生成中应用这些脸部特征。对于多角色工作，你需要支持多个脸部输入的IP-Adapter FaceID或IP-Adapter Plus模型。为每个角色加载单独的参考图像，系统独立为每个脸部生成嵌入。

InstantID代表脸部一致生成的最新演变。这项技术在单一统一系统中结合脸部嵌入与姿态控制和风格指导。对于双角色场景，为两个角色提供参考脸部，以及显示其位置的构图指南。InstantID保持脸部一致性，同时允许自然的姿态变化和角色之间的互动。

成功的IP-Adapter多脸部工作的关键在于嵌入强度和层目标。与影响整个生成过程的LoRAs不同，IP-Adapter可以目标特定的模型层，其中详细的脸部特征被处理。设置你的脸部嵌入以主要影响详细特征出现的中间和后期层，同时让早期层自由建立整体构图和风格。

参考图像质量大大影响IP-Adapter结果。使用清晰、光线充足的参考照片，显示正面或四分之三脸部视图而不遮挡。多个每个角色的参考图像提高一致性，因为系统可以在多个示例中平均特征，而不是依赖于单个可能代表性不足的镜头。

权重平衡适用于IP-Adapter，就像它对LoRA堆叠一样。每个角色的脸部嵌入应该以0.5到0.7的强度运行，以防止完全主导图像。更高的权重使脸部更一致，但降低了表情和角度变化的灵活性。较低的权重允许更自然的变化，但冒着一致性丧失的风险。

对于高级工作流程，将IP-Adapter与地区提示结合，以将特定的脸部嵌入分配到指定的区域。仅将角色A的脸部嵌入应用到左边区域，同时角色B的嵌入影响右边区域。这种组合提供了最强大的一致性控制，因为空间定位和脸部特征都获得独立指导。

Apatero.com将这些高级IP-Adapter技术集成到其生成管道中，自动平衡脸部一致性与自然变化，以便你可以专注于创意方向而不是技术配置。

什么布局和构图策略防止角色混合?

构图规划在你开始技术设置之前就决定了多角色生成的成功或失败。战略性的角色定位创建了自然的分离，强化了你的技术一致性措施。

三分法则为两角色构图提供了一个很好的起始框架。将角色A放在左三分线上，将角色B放在右三分线上。这种间距创造了足够的分离以最小化特征混合，同时保持视觉平衡。避免将角色放在太近的地方，特别是如果他们的脸部在框架中会有相似的大小。

深度分层提供了另一种强大的构图技术。将一个角色清晰地放在前景中，第二个放在中地或背景中。大小差异和焦点变化有助于模型理解这些是独立的实体。以框架高度70%出现的角色从以40%高度出现的角色中读取为不同，减少了特征混合的可能性。

方向性面对控制视觉流动和角色独立性。将角色定位为相互面向以进行互动场景，但确保它们占据明确定义的空间区域。或者，使用互补角度，其中一个角色面向左四分之三，而另一个面向右四分之三。这种角度变化有助于模型区分主体。

环境锚定将每个角色绑定到场景中的不同元素。将角色A放在窗口附近，具有特定的照明，而角色B站在门附近，具有不同的照明。这些环境线索提供了额外的背景，有助于在生成期间概念上分离角色。

分辨率和画布形状显著影响角色一致性。更宽的纵横比，如16:9自然提供更多水平分离空间。更高的分辨率允许更详细的个别特征渲染，使模型更容易维持不同的角色。在生成多角色场景时，瞄准较小尺寸上至少1024像素。

镜头框架决定了模型必须为每个角色维持多少细节。全身镜头将特征分散在更大的区域，减少面部一致性所需的精度，但在姿势和衣着中增加复杂性。特写或胸像镜头将细节集中在较小的区域，使脸部一致性更容易，但需要更紧密的地区提示控制。

背景复杂性应随着角色复杂性的增加而降低。简单的渐变背景或柔软的环保元素防止模型在应该专注于角色一致性时分配对场景细节的注意。为单角色工作或角色一致性不如整体构图重要的场景保存复杂的环境。

什么故障排除步骤修复常见的多角色问题?

当角色尽管设置正确但仍混合时，系统性的故障排除可识别并解决根本原因。通过隔离变量开始，确定哪个组件失败。

使用各自的LoRAs或IP-Adapter嵌入单独生成每个角色，而不需要多角色设置。如果单个角色看起来不一致，你的源材料在尝试组合生成之前需要细化。使用更一致的数据集重新训练LoRAs或为IP-Adapter选择更好的参考图像。

如果单个角色有效但组合失败，问题在于你的集成技术。从仅两个LoRAs以低权重开始，逐步增加复杂性，没有地区提示。如果这产生混合，进一步减少权重或增加构图中的分离。如果基本组合工作，添加地区提示并再次测试。

角色特征渗漏通常表示区域分离不足或重叠的条件区域。增加地区提示之间的缓冲区，确保掩模或区域定义不重叠。或者，增加你的提示描述中的对比，以便模型接收更强的分化信号。

不平衡的角色突出建议需要权重调整。如果一个角色始终出现更详细或准确代表，将其LoRA权重减少0.1，同时增加另一个角色的权重0.1。进行小的调整并彻底测试，而不是进行剧烈的权重变化。

模型选择显著影响多角色能力。由于训练数据组合，某些基础模型比其他模型更好地处理多个主体。Realistic Vision、Deliberate和DreamShaper模型通常在多个角色中表现良好。如果你遇到持续的问题，在得出你的技术有缺陷之前测试不同的基础模型。

采样步骤和CFG规模需要为多角色工作进行调整。增加采样步骤为35-50，为模型提供更多的迭代时间来解决来自多个LoRAs或嵌入的竞争信号。将CFG规模降低到6-8，以减少可能导致刚性角色表示的提示坚持，这些表示混合不良。

对于特定角色组合的持续问题，考虑分阶段生成场景。首先在场景中单独创建角色A，然后使用修复在单独的通过中添加角色B。这种分阶段的方法允许为每个角色独立提供完整的模型注意，尽管它需要更多的手动工作。

硬件限制可能表现为一致性问题。具有地区提示和堆叠LoRAs的多角色生成需要比标准单角色工作更多的VRAM。如果你在较低端硬件上经历崩溃或降低的结果，考虑使用Apatero.com，它在专业级基础设施上处理计算复杂性。

ComfyUI工作流程如何简化多角色生成?

ComfyUI工作流程通过视觉基于节点的编程为多角色一致性提供了最强大和灵活的方法。理解关键节点和连接模式让你构建可重用的工作流程，以可靠地处理复杂的多角色场景。

基础工作流程从每个角色的单独Load LoRA节点开始。将每个连接到其自己的CLIP Text Encode节点，包含该角色的特定描述。这些调理输出提供到ConditioningSetArea节点，其中你定义空间区域。来自两个ConditioningSetArea节点的输出然后通过ConditioningCombine节点组合，然后连接到你的采样器。

对于IP-Adapter工作流程，用IPAdapter节点替换或补充LoRA节点。通过LoadImage节点加载你的参考图像，然后将它们连接到IPAdapter Apply节点。在IPAdapter节点上使用掩模输入以限制脸部嵌入影响到特定的区域，实现与基于文本的条件相同的地区控制。

ControlNet集成添加了另一层控制。创建一个构图草图或使用OpenPose生成显示两个角色的姿态参考。通过ControlNet Apply节点提供此，影响整个生成，同时你的地区角色条件维持单独的外观一致性。ControlNet处理定位，同时地区提示处理特征。

潜在耦合工作流程需要更复杂的节点排列，但提供卓越的分离。使用LatentComposite节点在字面上将你的潜在空间分为区域。在合并回一起之前，通过不同的采样器节点使用不同的条件处理每个区域。这种方法防止任何角色生成路径之间的交互，直到最终构图阶段。

注意力耦合扩展添加了在生成期间修改注意权重的节点。创建显示每个角色出现位置的注意力掩模，然后使用这些掩模在指定的区域中增大或抑制注意力。这通过实际改变模型如何跨画布分配处理能力来强化你的地区提示。

工作流程效率通过节点组和可重用组件改进。构建包含LoadLoRA、CLIPTextEncode和ConditioningSetArea节点的字符模块，为一个角色配置。将此保存为一个组，然后为你的两个角色实例化两个副本。调整区域定义和提示文本，同时保持整体结构一致。

高级工作流程实现迭代细化，其中初始生成建立构图，然后后续通过使用img2img技术单独细化每个角色。第一个通过使用低权重LoRAs创建粗糙的构图。第二个通过掩模角色A的区域，并以更高的权重处理它使用角色A的LoRA。第三个通过为角色B执行相同操作。

对于管理具有重复角色对的多个项目的专业人士，参数化工作流程节省大量时间。创建工作流程模板，其中角色LoRAs、嵌入、区域边界和提示元素从外部文件或配置节点加载。这让你可以交换角色定义，而不需要重新构建整个工作流程结构。

虽然ComfyUI提供了无与伦比的控制和灵活性，对于想要结果而不是技术掌握的创建者来说，学习曲线可能很陡峭。Apatero.com等平台通过仔细优化的工作流程提供等效的一致性和质量，而不需要用户理解基于节点的编程或技术配置细节。

除了LoRA和IP-Adapter之外还存在什么替代方法?

几项新兴技术和替代方法为多角色生成提供了不同的权衡。理解这些选项可帮助你为特定场景选择正确的工具。

多角色数据集上的DreamBooth训练通过教授模型这两个角色自然共存来提供一致性。而不是为每个角色训练单独的LoRAs，你在显示两个角色的图像上训练单个模型检查点。当你有显示角色对在各种情况下的广泛训练数据时，这种方法效果最好。

文本反演创建代表每个角色的嵌入令牌，而不需要完整的模型训练。这些嵌入的影响通常不如LoRAs，使它们在组合时自然更兼容。你可以堆叠多个文本反演嵌入，与特征混合相比风险较低，尽管你相比LoRAs牺牲了一些一致性。

ControlNet角色参考模式提供了一致性，通过姿态和粗糙外观指导，而不需要LoRA训练。为角色A提供显示该角色外观的参考图像，ControlNet将尝试在生成中匹配该角色的外观。使用两个单独的ControlNet通过或模型，每个都有自己的参考图像为两个角色。

草图和修复工作流程给你对角色边界的手动控制。生成显示角色应该出现位置的粗糙构图，然后使用修复来使用各自的LoRAs或嵌入单独细化每个角色。这种手动方法确保完全分离，但需要更多的时间和艺术技能。

脸部交换后处理提供了生成技术无法维持一致性时的回退。使用可用的最佳技术生成你的多角色场景，然后使用脸部交换工具用一致的参考版本替换脸部。虽然这种方法有效，但如果做得不小心，它似乎像是承认在生成前线的失败，并可能产生可见的伪影。

风格转移方法可以统一来自单独生成的角色。在一致性易于维持的单独生成中创建每个角色。使用图像编辑工具将它们合成到单个画布中，然后以低强度运行风格转移或img2img，将它们融合到一个有凝聚力的场景中。这对于插图或风格化内容特别有效。

新兴的AI辅助编辑工具可以理解框架间的角色身份。虽然主要是为视频一致性开发的，一些这些工具可用于包含多个角色的静止图像。他们单独分析每个图形，并应用一致性调整以保持个别身份，同时保持场景连贯性。

实际现实是多角色一致性即使使用高级技术仍然具有挑战性。对于优先考虑结果而不是学习曲线的创建者，Apatero.com等服务通过简单的界面提供对这些复杂工作流程的访问，让你通过直接提示而不是技术配置来生成一致的多角色场景。

你如何在两个角色之间保持风格一致性?

风格一致性与角色一致性呈现了一个单独的挑战。即使面部特征和外观保持稳定，角色之间的艺术风格不匹配也会产生刺耳的构图，看起来像糟糕的Photoshop工作而不是连贯的场景。

风格LoRAs应该全局应用而不是地区应用。与需要空间分离的角色LoRAs不同，你的艺术风格应该平等地影响整个画布。将风格LoRAs放在你的加载顺序的最后，以便在建立个别角色特征后修改两个角色的渲染。

基础模型选择决定了你的基线风格基础。选择擅长你目标艺术风格的模型。逼真的摄影工作应该使用Realistic Vision或CyberRealistic等模型。动画或插图风格与Anything V5或CounterfeitV3等模型效果更好。从正确的基础模型开始减少了你的LoRAs必须完成的风格工作。

照明一致性跨越风格边界统一角色。确保两个地区提示包括相似的照明描述符。如果角色A有"从左边柔和的窗光"，角色B应该引用兼容的照明，如"温和的环境照明"，而不是矛盾的术语，如"刺眼的聚光灯"。一致的照明告诉模型将两个角色渲染为相同物理环境的一部分。

通过提示进行色彩分级有助于保持视觉和谐。包括应用于整个场景而不是角色特定区域的总体色彩心情描述符。"温暖的色调板"、"去饱和的色调"或"充满活力的颜色"等术语在你的基本提示中同时影响两个角色。

生成后调整可以拯救在生成期间滑过的风格不一致。使用图像编辑工具应用统一的色彩校正、锐化或过滤效果到整个图像。统一的后处理步骤通常比尝试通过数百次生成完善风格匹配更有效地混合角色。

ControlNet预处理器，如颜色和深度，可以跨角色提取和重新应用风格信息。生成你的初始多角色图像，然后通过ControlNet颜色预处理器运行它来提取色彩分布。在后续生成通过中使用此作为指导，该通过统一风格，同时保持角色身份。

提示结构优先级对风格维护很重要。将场景范围的风格描述符放在你的提示的开始处，其中它们获得最大的权重。遵循角色特定的外观细节。这种顺序告诉模型风格一致性超过优先级层次中的角色变化。

常见问题

你可以同时使用超过两个角色LoRAs吗?

你可以在技术上堆叠三个或更多的角色LoRAs，但成功率随着每个额外的角色而急剧下降。竞争信号变得越来越难以平衡，地区提示变得更加复杂。大多数工作流程在两个角色的可靠一致性处达到最大值。对于需要三个或更多角色的场景，考虑在单独的通过中生成它们并合成，或使用Apatero.com，它通过优化的处理管道处理复杂的多角色场景。

对于两角色场景，什么LoRA权重效果最好?

从每个角色LoRA的0.5权重开始，根据结果进行调整。如果一个角色主导，将其权重减少到0.4，并增加另一个角色到0.6。所有角色LoRAs的总组合权重应该通常保持在1.2以下以避免压倒基础模型。当结合三个或更多LoRAs时，较低的权重在0.3到0.4范围内效果更好，尽管一致性随着每个额外的角色而受到影响。

你需要每个角色区域的单独提示吗?

单独的地区提示大大提高一致性，应被视为可靠的多角色生成的必需品。每个角色需要自己的描述文本，指定外观、姿态、表情和衣服，而不受另一个角色描述的干扰。描述两个角色一起的全局提示产生劣质的结果，频繁的特征混合。

你如何防止角色拥有相同的脸?

使用充分不同的角色LoRAs，在明确不同的主体上训练，实现严格的地区提示边界，并考虑添加IP-Adapter脸部嵌入，具有不同的参考脸部。问题通常源于未充分训练不同的LoRAs。如果预防失败，脸部交换后处理可以在生成后区分角色。

一致双角色场景的最小图像分辨率是多少?

在最短尺寸上至少生成1024像素，以进行可靠的角色分离和细节。更宽的图像，如1024x768或1280x768，比方形格式对两个角色效果更好，因为它们提供更多的水平分离空间。更高的分辨率，如1280x896或1536x864，进一步提高一致性，但需要更多VRAM和生成时间。

你可以一起使用来自不同训练源的角色LoRAs吗?

是的，来自不同训练者或训练方法的LoRAs可以成功组合，只要它们与你的基础模型兼容。关键因素是相对的LoRA强度和充分的地区分离。你可能需要更多权重调整来平衡使用不同技术训练的LoRAs，因为某些训练方法产生比其他方法更强或更弱的效果。

基础模型是否对多角色一致性很重要?

基础模型选择显著影响多角色成功率。在包含许多多人图像的多样化数据集上训练的模型比主要在单主题肖像上训练的模型更好地处理角色分离。Realistic Vision、Deliberate和DreamShaper通常对多个角色表现良好，而某些专业模型纠缠。

两角色生成需要多少采样步骤?

与单个字符的典型20到30步相比，为多角色工作使用35到50个采样步骤。额外的复杂性需要更多的迭代，以便模型解决竞争信号并产生清洁结果。60以上的极高步数很少改进质量足以证明时间投资。

你可以在同一图像中混合逼真和动漫角色风格吗?

混合根本不同的艺术风格在单个图像中在技术上是可能的，但很少产生美学上令人愉快的结果。基础模型将尝试在风格之间进行妥协，通常创建看起来错误的不寻常的中间地带。对于需要混合风格的项目，单独生成角色并合成，或使用Apatero.com等服务，可以帮助更自然地混合不同的元素。

当角色无论你尝试什么都继续混合时，你应该做什么?

如果所有技术解决方案失败，在同一构图、照明和姿态指导中分别生成每个角色在单独的图像中。然后使用图像编辑软件将它们手动合成到单个场景中。这种保证成功的方法用手动编辑工作交换生成方便，但在自动化技术失败时产生可靠结果。或者，Apatero.com等平台通过平均用户不需要自己配置的专业工作流程处理这些具有挑战性的场景。

结论

在同一图像中生成两个一致的角色将AI图像生成推向其极限，需要技术技术和构图策略的组合。成功来自理解多个角色在生成过程中创建竞争信号，你的工作是通过仔细设置最小化冲突。

最可靠的方法将角色特定的LoRAs以减少的权重与严格的地区提示相结合，以在空间上分离角色区域。添加IP-Adapter脸部嵌入提供了一个额外的一致性层，强化角色身份而不干扰整体构图。战略性布局规划，以清晰分离的位置定位角色，防止困扰计划不周的多角色尝试的特征混合。

虽然这些技术通过适当的实施有效工作，但它们需要重要的技术知识和耐心实验来掌握。ComfyUI工作流程提供了最大的控制但随之而来陡峭的学习曲线。对于想要专业多角色结果而不成为生成工程师的创建者，Apatero.com通过简单的提示界面提供了相同的复杂一致性技术。

关键的见解是多角色一致性是可解决的但不是自动的。每个额外的角色都呈指数增长的复杂性。将你的多角色工作专注于交互真正必需的必要场景，并为其他一切使用单角色生成。

当你开发多角色工作流程时，请记住不完美的结果可以通过小的后处理变为完美。达到90%的生成可以通过小的手动调整打磨为完美，使得不必要尝试通过数百次生成追求最后的10%。平衡技术完美与实际效率，你的多角色场景将讲述你的单角色工作永远无法讲述的故事。