Gemini для постоянных персонажей: как держать лица и одежду
Если вы делаете ролики, рекламу или серию картинок с одними и теми же героями, главная проблема — не потерять их узнаваемость от кадра к кадру. В статье разбирается, как через Gemini API передавать референсы, зачем нужны нумерация изображений и метки вроде IMAGE_REF, и что показывает небольшой тест на 18 генерациях.
Почему “постоянный персонаж” в Gemini зависит от дисциплины
Автор статьи объясняет простой принцип: у генератора картинок нет памяти между отдельными запросами. Каждый кадр собирается заново из текста и приложенных изображений, поэтому стабильность героя приходится выстраивать на стороне клиента, а не ждать её “по умолчанию” от модели.
Для этого предлагается держать три вещи: паспорт персонажа с неизменяемыми признаками, эталонный портрет на нейтральном фоне и отдельные виды героя — анфас, в профиль, в полный рост и так далее. Важная мысль: в паспорт стоит включать только то, что не должно меняться, иначе модель начнёт переносить это в каждый кадр, включая эмоцию или одежду.
Как подаются референсы через REST
В примере с gemini-3.1-flash-image изображения отправляются как inlineData в том же массиве parts, что и текст. Порядок частей имеет значение: сначала идут картинки, а потом промпт, и именно на эту последовательность потом можно ссылаться в описании сцены.
Отдельно отмечается, что соотношение сторон лучше задавать через imageConfig.aspectRatio, а не только словами в промпте. Это практичная мелочь, но в реальной работе она помогает точнее управлять результатом.
Что показал тест с двумя героями
Автор сравнил три подхода: голый промпт без ролей, сцену с ролями без нумерации и вариант с нумерацией изображений и короткими описаниями примет. Проверялись две пары героев: мужчина и женщина, а также две женщины с заметно разной внешностью. Всего было 18 генераций — по три дубля на каждый вариант промпта.
Вывод получился не столько про “волшебную точность”, сколько про типичные риски. Лица модель в этом тесте не путала, но без ролей и дополнительных подсказок чаще уезжали одежда, аксессуары и даже фоновые надписи. Нумерация картинок и явные указания на то, кто есть кто, сделали промпт более однозначным и дали более стабильный результат.
Что это значит для работы
Практический смысл такой схемы понятен маркетологам, дизайнерам, продюсерам и всем, кто делает серию материалов с одними и теми же героями. Если персонаж должен быть узнаваемым из кадра в кадр, лучше заранее зафиксировать референс, описать неизменяемые признаки и явно подписать роли изображений.
Ещё один полезный вывод: фраза no text не гарантирует полностью чистый фон. Если в кадре важна чистота композиции, это лучше проверять вручную и при необходимости пересобирать сцену. Для рекламных и контентных задач такая дисциплина часто важнее, чем попытка “додавить” модель одним длинным промптом.