本地跑一套“文字生成分镜、分镜生成画面、画面串成漫剧”的流水线这两年从极客玩具变成了不少个人创作者和小团队真在用的生产方式。我最早接触这类玩法时最大的痛点不是模型不够强而是环节太散写剧本用一个工具、画分镜用一个工具、配音和剪辑又换一套来回导文件、对不上角色、风格飘移一条三分钟的短片能折腾一整周。后来把本地大模型和节点式图像工作流接起来才真正把“一个人做漫剧”这件事跑通。这篇就围绕本地部署的 Qwen 系列模型配合 ComfyUI 搭建 AI 漫剧生产线的完整思路展开从环境准备、剧本与分镜拆解、角色一致性控制、批量出图到后期合成把我踩过的坑和能直接抄的配置都摊开讲。适合已经有一点本地部署基础、想把手工作坊升级成流水线的朋友也适合完全没接触过节点工作流但愿意照着步骤走的新手——我会尽量把每个“为什么这么选”讲清楚而不是只丢一串参数。1. 先想清楚这条流水线到底在解决什么问题很多人一上来就急着装环境、下模型结果跑到一半发现方向就不对。我建议先把“AI 漫剧”这件事拆开看它本质上是把一段叙事文本经过分镜、画面、配音、剪辑四个阶段变成一条有镜头语言的视频。传统做法里这四个阶段分别由编剧、分镜师、画师、剪辑师完成AI 介入的价值不是替代某一个环节而是把“从文字到画面”的转换成本压到极低让一个人能同时扮演多个角色。1.1 漫剧和普通 AI 视频的本质区别普通 AI 视频追求的是“一段连续画面动起来”而漫剧的核心是“镜头切换 角色表演 台词节奏”。这意味着你不能只靠一个文生视频模型从头生成到尾那样角色会变形、场景会跳、台词对不上口型。漫剧的正确打开方式是“分镜驱动”先把剧本拆成一个个镜头每个镜头明确“谁、在哪、做什么、说什么”再逐镜头生成静态画面最后用剪辑把画面、配音、字幕、转场拼起来。静态画面加轻微运镜推、拉、摇、移就能做出漫画动态漫的效果这也是目前个人创作者最现实的路线。1.2 为什么选本地 Qwen 而不是在线接口选本地模型最直接的理由是成本和隐私。一条漫剧动辄几十上百个镜头每个镜头都要生成分镜描述、角色提示词、台词润色如果全走在线接口token 消耗很快而且剧本这种核心创意内容上传到第三方总让人不踏实。本地 Qwen 系列尤其是指令跟随能力较强的版本在中文叙事理解、分镜拆解、提示词改写上表现相当稳跑在自己的机器上想改多少遍就改多少遍边际成本几乎为零。另一个隐性好处是可控性你可以针对自己的题材微调提示词模板让模型稳定输出符合你分镜格式的 JSON这在批量生产时非常关键。1.3 为什么用 ComfyUI 而不是普通绘图界面普通绘图界面是“一次一张图”的线性操作而 ComfyUI 是节点式工作流天生适合批量。漫剧生产的特点是“同一套流程重复几十次每次只换输入”这正好是节点工作流的强项你把“加载模型、编码提示词、控制角色、生成、放大、保存”串成一条线然后把几十个镜头的提示词做成列表批量灌进去机器自己跑。更关键的是ComfyUI 里可以精细控制角色一致性——通过参考图、面部特征锁定、种子固定等手段让同一个角色在不同镜头里保持长相稳定这是漫剧能不能看下去的生命线。1.4 整条流水线的四个阶段划分我把整条线分成四段后面每个章节对应一段第一段是剧本与分镜用本地 Qwen 把故事拆成结构化镜头表第二段是角色与风格设定确定主要角色的外观锚点和整体画风第三段是批量出图用 ComfyUI 工作流把镜头表变成画面第四段是配音与合成把画面、台词、音效、字幕拼成成片。这四段之间用文件JSON、图片、音频传递彼此解耦哪一段出问题都好单独排查不会牵一发动全身。2. 环境准备别急着装先把这几件事定下来环境准备阶段最容易犯的错是“看到教程就照装”结果显卡型号不匹配、显存不够、依赖冲突折腾两天还没跑起来。我在这一阶段吃过最大的亏是没先确认显存预算装完一套发现批量出图时爆显存只能推倒重来。所以这一章先讲清楚硬件和软件的基本盘再给具体的安装步骤。2.1 硬件预算显存决定你能跑多大的模型本地跑 Qwen 加图像生成显存是硬约束。我的经验是文本模型和图像模型不要同时常驻显存用“先跑文本、再跑图像”的分时策略能把显存需求压下来。下面这张表是我实测下来比较稳妥的配置档位供参考具体数值会因模型量化版本和系统不同有浮动配置档位显存文本模型建议图像模型建议批量出图体验入门8GB7B 量化版轻量 SD 系模型单张出图批量需排队主流12-16GB14B 量化版主流 SD 系模型可小批量速度尚可舒适24GB32B 量化版主流模型 放大批量流畅可开高分辨率宽裕40GB大参数版本多模型并行大批量无压力提示显存不是唯一指标内存和硬盘读写速度在加载大模型时影响很大。机械硬盘加载十几 GB 的模型会明显拖慢启动建议模型放在固态盘上。2.2 软件栈Python 环境隔离是底线我强烈建议用独立的 Python 虚拟环境不要往系统 Python 里装。原因很简单ComfyUI 和文本模型推理框架对依赖版本的要求经常打架混装一次能让你排查半天。具体做法是建一个专用目录用虚拟环境工具创建隔离环境把 ComfyUI 和文本推理分别装在不同环境里通过脚本调用互不干扰。这样即使某一套升级坏了另一套还能正常跑。2.3 ComfyUI 的安装与首次启动ComfyUI 的安装本身不复杂克隆仓库、装依赖、启动即可。真正需要注意的是自定义节点的管理漫剧生产会用到角色一致性、图像放大、批量加载等节点这些大多来自第三方节点包。我的建议是第一次启动先用纯净环境跑通一个最简工作流加载模型、输入提示词、出一张图确认基础链路没问题再逐个装节点包每装一个就重启验证一次。一次性装十几个节点包再启动出问题你根本不知道是哪个引起的。# 示意创建隔离环境并安装基础依赖 python -m venv comfy_env source comfy_env/bin/activate pip install -r requirements.txt python main.py --listen 127.0.0.1 --port 8188启动后浏览器打开本地地址就能看到节点界面。第一次跑通一张图比装十个插件更有成就感也更有利于定位问题。2.4 文本模型的本地部署要点本地 Qwen 的部署方式有好几种命令行推理、带界面的服务、API 兼容服务都行。对漫剧流水线来说我推荐部署成本地 API 服务因为后面要用脚本批量调用它做分镜拆解和提示词改写有统一的接口比每次手动操作高效得多。部署时注意两点一是量化版本的选择量化能大幅降显存但会损失一点理解精度分镜拆解这种任务对精度要求不算极致中等量化通常够用二是上下文长度分镜表可能很长上下文太短会截断建议留足余量。3. 用本地 Qwen 把故事拆成能拍的分镜表这是整条流水线里最容易被低估的一环。很多人以为分镜就是“把故事分成几段”实际上能直接驱动出图的分镜表必须包含镜头编号、场景描述、角色动作、表情、镜头景别、台词、画面提示词等字段而且要格式统一、机器可解析。手工写几十个镜头累到崩溃这正是本地 Qwen 发挥价值的地方。3.1 分镜表的字段设计先定格式再让模型填我踩过的坑是一开始让模型“自由发挥写分镜”结果每次输出格式都不一样有的用表格、有的用段落、有的字段缺失根本没法批量处理。正确做法是先设计好 JSON 结构再让模型按结构填充。我的分镜表大概长这样{ shot_id: 1, scene: 夜晚的城市天台远处有霓虹灯, characters: [主角A], action: 主角A靠在栏杆上低头看手机, expression: 疲惫、若有所思, shot_type: 中景, dialogue: 这条消息我等了三年。, image_prompt: 1girl, leaning on railing, rooftop at night, neon lights bokeh, tired expression, medium shot, cinematic lighting }字段设计的关键是把“给人看的描述”和“给模型看的提示词”分开。scene、action、expression是给人读的方便你审阅修改image_prompt是给图像模型读的要用英文标签化表达。让 Qwen 同时产出这两套是它相比普通翻译工具的核心优势——它理解叙事能把中文情境转成合适的画面语言。3.2 提示词模板把要求写死减少来回改要让模型稳定输出上面的结构提示词模板得下功夫。我的模板大致包含四块角色设定谁是谁、什么性格、输出格式说明严格 JSON、字段含义、分镜规则每个镜头时长、景别变化节奏、示例给一两个标准样例。这里有个经验示例比规则更管用。模型看到具体样例后输出格式的稳定性会明显提升。另外要明确告诉它“不要输出 JSON 以外的任何解释文字”否则它会热情地在前面加一段“好的以下是分镜表”导致解析失败。3.3 长剧本的分段处理别指望一次吞下整本上下文再长也有上限而且一次性塞太多内容模型容易“顾头不顾尾”后面的镜头质量下降。我的做法是按幕或按场景分段先把剧本切成若干段落每段单独调用一次生成该段的分镜最后合并。分段时注意在每段开头重复角色设定和上一段的结尾状态保证衔接自然。合并后人工过一遍重点检查镜头编号连续性、角色是否突然消失、场景是否跳变。3.4 人工审校不可省模型给骨架你来定节奏我必须强调Qwen 生成的分镜表是初稿不是终稿。模型擅长把文字转成结构化镜头但它不懂你的节奏感。哪些镜头该长、哪些该快切、哪句台词该留白这些得你自己调。我的习惯是拿到分镜表后先通读一遍把“信息重复的镜头”删掉、把“情绪高潮的镜头”拆细、把景别变化调出节奏感远、中、近、特写交替。这一步花的时间直接决定成片好不好看。4. 角色一致性漫剧能不能看下去的分水岭如果说分镜是骨架角色一致性就是血肉。观众能容忍画风粗糙但绝对容忍不了“同一个角色每个镜头换一张脸”。这一章讲我在 ComfyUI 里控制角色一致性的几种手段从简单到复杂按需选用。4.1 角色锚点先给每个主要角色定一张“标准照”我的流程是在正式批量出图前先为每个主要角色单独生成一张高质量的“角色设定图”确定发型、发色、瞳色、服装、体型、气质。这张图就是后续所有镜头的锚点。生成锚点时多试几版选最满意的一张存好后面所有镜头都以它为参考。这一步偷懒后面几十张图都会跟着飘。4.2 参考图与特征锁定让模型“记住”这张脸ComfyUI 里控制角色一致性的常用手段包括参考图注入、面部特征提取、种子固定等。我的组合策略是参考图定整体外观 面部特征定五官 固定种子定基础构图倾向。参考图负责服装和气质面部特征负责脸型五官种子固定能让相似提示词下的输出更稳定。三者叠加角色在不同镜头里的相似度能到一个可接受的水平。要注意的是参考图权重不能拉太满否则每个镜头都变成锚点图的复制粘贴动作和场景就展不开了。4.3 多角色同框最容易翻车的地方两个角色同框时模型经常把两人的特征“串味”——A 的发色跑到 B 头上。我的处理办法是分区提示 分别注入参考在提示词里明确“左边是谁、右边是谁”并给每个角色单独挂参考图节点让模型知道哪套特征对应哪个人。即便如此多角色同框仍需多抽几张挑一张这是目前技术条件下的现实。我的经验是重要镜头多生成几个候选别指望一次成。4.4 风格统一画风飘移比脸飘更隐蔽角色脸飘容易被发现画风飘移则很隐蔽——单看每张图都不错串起来看就觉得“不像一部片子”。解决办法是固定一套风格提示词 固定模型 固定采样参数整条片子从头到尾不换。风格提示词里写清楚光线倾向、色彩基调、质感比如“电影感、柔和光影、低饱和”并且把它做成工作流里的固定节点不随镜头变化。这样即使角色动作场景千变万化整体观感还是统一的。5. ComfyUI 批量出图把几十个镜头交给机器到了这一步分镜表和角色锚点都齐了剩下的是把镜头表灌进工作流批量跑。这一章讲工作流怎么搭、批量怎么灌、出问题怎么排查。5.1 工作流骨架一条线跑完一个镜头我的基础工作流大致是加载图像模型 → 正向提示词编码拼接风格词和镜头词→ 负向提示词编码 → 角色参考注入 → 采样 → 放大 → 保存文件名带镜头编号。这条线跑通一个镜头后把“提示词输入”和“保存文件名”做成可批量替换的入口就能循环跑整张表。工作流不要一上来就堆复杂功能先把最简链路跑稳再逐步加放大、加面部修复、加后期调色。5.2 批量灌数据用列表驱动而不是手动改手动改提示词跑几十张图是不现实的。ComfyUI 支持从外部文件读取提示词列表把分镜表里的image_prompt和shot_id导出成文本或表格让工作流按行读取每跑完一张自动换下一行。这里有个细节文件名一定要带镜头编号否则几十张图混在一起后期合成时你根本对不上哪张对应哪个镜头。我一般命名成shot_001.png这种格式排序即镜头顺序。5.3 出图参数的经验值步数、分辨率、采样器参数没有绝对最优只有适合你模型和题材的组合。我的经验值供参考采样步数中等偏上即可太低细节糊、太高收益递减还费时间分辨率按成片比例定横屏竖屏先想好中途改比例会导致构图全乱采样器选稳定成熟的别追新批量生产要的是可复现。下面这张表是我常用的参数区间参数常用区间说明采样步数20-30再高细节提升有限分辨率按成片比例竖屏短剧和横屏漫剧比例不同采样器成熟稳定款批量优先可复现提示词引导强度中等太高画面僵硬太低不听话5.4 批量出图的常见故障排查批量跑最怕中途崩。常见问题有这么几类显存不足导致进程被杀降低批量大小或分辨率、某张图提示词触发模型异常单独重跑那张、文件名冲突导致覆盖检查命名规则、参考图路径错误导致角色丢失检查节点连接。我的习惯是先小批量试跑 3 到 5 张确认流程和效果都对了再放开跑全部。这样出问题损失小排查也快。6. 配音、字幕与合成把画面变成能看的片子画面出来只是半成品配音和剪辑决定成片的观感。这一章讲配音方案、字幕对齐和合成工具的选择。6.1 配音方案本地合成还是人工录制配音有两条路本地语音合成和人工录制。本地合成的优势是快、可批量、改台词不用重录劣势是情感表达有限人工录制情感好但成本高。我的建议是旁白和次要角色用本地合成主角关键台词人工录或精修。本地合成时注意语速和停顿漫剧的台词节奏很影响观感合成后一定要试听把生硬的断句调顺。6.2 字幕与口型静态漫剧的现实取舍静态漫剧不做精确口型对齐是行业常态观众也接受。字幕的作用是补足听不清的台词和强化情绪。我的做法是字幕按镜头切分一句台词一条字幕时间轴对齐配音。剪辑软件里手动对几十条字幕确实累但这是成片质量的保证。如果镜头多可以先用工具自动生成时间轴再人工微调。6.3 合成工具与运镜让静态图动起来合成用常规剪辑软件即可。让静态图“动起来”的核心是轻微运镜推镜头强调情绪、拉镜头交代环境、平移展示场景。每张图加 3 到 5 秒的缓慢运镜配合转场和音效观感就出来了。注意运镜幅度别太大静态图放大平移过度会糊。转场别滥用花哨效果漫剧讲究叙事流畅硬切和简单叠化往往最耐看。6.4 成片检查清单发布前过一遍成片导出前我一般过一遍清单镜头顺序对不对、角色有没有突然换脸、字幕有没有错别字、配音和字幕是否同步、音量是否忽大忽小、片头片尾是否完整。这些问题单看都不大串起来就是“业余感”的来源。花十分钟检查比发布后被评论区指出来强。7. 几个让我少走弯路的实操心得最后分享几条不在任何文档里、纯靠踩坑换来的经验。第一先做一条 30 秒的样片再铺开。很多人一上来就规划十分钟的大制作结果流程没跑通就耗尽了热情。用一条短样片把四段流程全走一遍暴露的问题最真实。第二把每个环节的中间产物都存好。分镜表、角色锚点、每张原图、配音文件全部按规范命名归档后期想改某个镜头时你会感谢自己。第三模型和参数一旦定下来就别频繁换。批量生产最忌讳中途换模型风格会断档。想升级就等这部片子做完下一部再换。第四别追求每个镜头都完美。漫剧是整体艺术个别镜头差点没关系节奏和故事才是根本。把精力花在分镜节奏和角色一致性上回报远大于抠单张图的细节。这套流水线我自己跑下来一条三到五分钟的漫剧从剧本到成片大概两到三天其中大半时间花在分镜审校和成片检查上机器跑图反而是最省心的部分。真正决定质量的还是你对故事节奏和角色塑造的把控——工具只是把重复劳动接了过去。后续如果想再进一步可以研究针对自己题材的分镜模板固化、角色多角度设定图库的积累以及把配音和字幕对齐也做成半自动流程这些都能让下一部片子的启动成本更低。