Проект OmniChar выпустил версию v1.3.26: это открытая студия консистентных AI-персонажей под лицензией GPLv3, где весь герой — лицо, тело, одежда и обученный LoRA-адаптер — упакован в переносимый файл .char. Формат работает с генерацией изображений и видео через FLUX.2, Krea 2, MiniMax H3 и другие модели, подключается к локальному ComfyUI и облачной бете OmniChar Cloud, а дрейф внешности между рендерами измеряется числом. Идея в том, чтобы персонаж перестал быть настройкой конкретного пайплайна и стал переносимым артефактом.

image
image
image

Что произошло

25 сентября 2026 года вышел релиз v1.3.26 открытой студии OmniChar — инструмента для генерации консистентных AI-персонажей, распространяемого по GPLv3. Ключевая сущность проекта — файл .char: это zip-архив, в котором лежат манифест, референсные изображения, фейс-кропы, «замороженное» текстовое описание героя и эмбеддинги для скоринга; фактически один файл переносит лицо, тело, одежду персонажа и его обученный LoRA-адаптер. Формат подключается к генерации картинок через FLUX.2, Krea 2, Z-Image Turbo и LTX-2.5 22B, к видео со звуком — через MiniMax H3, к видео без звука — через LTX-2.5 22B и Z-Image Turbo. Работать с .char можно из локального ComfyUI через отдельную ноду или из облачной беты OmniChar Cloud, которая открыта как публичный тест.

Контекст

До появления подобных форматов консистентность собиралась вручную под каждую базовую модель: либо часами обучалась личная LoRA, либо применялись face-адаптеры вроде PuLID и InstantID, которые переносят только лицо и не держат одежду и тело. Для видео MiniMax H3 существовали отдельные лёгкие RefMods — .safetensors размером примерно 1–1,6 МБ, работающие исключительно с этой моделью. OmniChar строит проверку консистентности из известных компонентов: YuNet детектирует лица, SFace строит 128-мерные сигнатуры, DINOv2-base формирует 768-мерный центроид субъекта; каждый рендер получает continuity score от 0 до 100, и дрейф внешности читается как число, а не на глаз. Научной новизны здесь нет — ценность в инженерной сборке и в попытке закрепить .char как контракт между инструментами, по аналогии с тем, как safetensors стандартизировали обмен весами.

Почему это важно для индустрии

Под единым форматом скрываются три разных механизма переноса идентичности: FLUX.2 klein читает референсы напрямую собственным multi-reference каналом, отправляя их токенами в последовательность промпта без какого-либо обучения; Krea 2 требует обученного LoRA-адаптера; MiniMax H3 получает референсы через отдельный узел, принимающий до 9 изображений, 3 клипов и 3 аудио. Для билдеров это означает, что .char — переносимый формат данных, а не переносимая модельная особенность: поддержание героя по всей воронке от картинок до видео перестаёт требовать часов обучения под каждую базу, стоимость консистентности падает, а привязка к одному инструменту ослабевает. Continuity score впервые даёт продакшн-конвейерам количественный критерий качества вместо ручного просмотра рендеров. Сдерживающий фактор: вендоры встраивают нативные механизмы референсов в сами модели, и если это продолжится, ценность формата сместится от переноса к управлению — скорингу дрейфа, библиотекам персонажей и их версионированию между проектами.

Почему это важно для пользователей

Пользоваться можно уже сегодня, если есть NVIDIA-карта или аккаунт на fal: путь с 16 ГБ видеопамяти тестируется для обучения адаптеров FLUX.2, Krea 2 и Z-Image Turbo. Установка сводится к git clone и запуску ./webui.sh --install --extra all, после чего веб-UI открывается на http://127.0.0.1:8848; в комплекте идут готовые workflow для FLUX.2 Klein 9B и MiniMax H3, есть библиотека чужих .char, а готового героя можно переносить между проектами коротким промптом. Видеоконвейер на MiniMax H3 требует серьёзного железа — около 40 ГБ весов и 64 ГБ RAM, — так что владельцам скромных карт реалистичный путь сейчас лежит через облако или через генерацию картинок локально.

Что пока неизвестно / ограничения

Сцены с несколькими людьми пока ломаются: лицо героя «расползается» на других персонажей. Производительность чувствительна к числу референсов: пять референсов на разрешении 1024px замедляют один шаг генерации примерно в шесть раз, поэтому бюджет латентности стоит закладывать заранее. Проект находится в версии 1.x, публичных данных о цене облачной беты и точной латентности нет, а методология continuity score — формула, калибровка и пороги — не опубликована, из-за чего метрика остаётся самодельной и не проверяемой третьими сторонами. Сравнительных бейзлайнов с LoRA-обучением или PuLID/InstantID на том же железе также не приводится, так что выигрыш по времени и качеству подтверждается пока описаниями авторов. Наконец, ожидать одинаковой консистентности от каждой поддерживаемой модели из коробки нельзя: качество переноса зависит от того, какой механизм референсов использует конкретная база.

Источники

Автор

Look at AI, редакция