企业官网建设流程全解析

1. 从零搭建AI漫剧生产线的整体思路

1.1 为什么选择开源工具而不是商业平台

做AI漫剧这件事，我一开始也走过弯路。最早图省事，直接用在线平台生成，结果发现三个致命问题：一是角色一致性根本没法保证，第二集主角的脸就变了；二是分镜节奏完全不可控，平台给你什么你就得用什么；三是批量生产的时候成本高得离谱，一条三分钟的漫剧光生成费用就够吃一顿火锅了。

后来我转向开源工具链，核心逻辑就一条：把创作控制权拿回自己手里。开源工具的好处在于，每个环节你都能调参、能替换、能二次开发。角色脸崩了？换模型、调LoRA权重。分镜节奏不对？自己写提示词模板。成本太高？本地部署，电费就是全部开销。

这套思路的核心是把漫剧生产拆成五个独立环节：剧本生成、角色设计、分镜绘制、动态化处理、后期合成。每个环节用一个专门的开源工具，环节之间用标准格式（JSON、PNG序列、WAV音频）衔接。这样做的好处是，任何一个环节出问题，你只需要替换那一个工具，不用推倒重来。

1.2 五环节工具链的选型逻辑

我实测下来，目前最稳的组合是这样的：

选Ollama而不是直接用在线API，是因为漫剧剧本往往需要反复修改，本地跑没有次数限制，而且可以针对特定风格微调。Stable Diffusion WebUI和ComfyUI的分工也很明确：前者适合单张精修和角色设计，后者适合批量生产和流程自动化。

注意：这套工具链对硬件有基本要求。显卡至少8GB显存，推荐12GB以上。内存建议32GB，因为ComfyUI批量处理时很吃内存。如果硬件不够，可以把动态化环节放到云端，但剧本和角色设计一定要本地跑，这两步需要大量试错。

1.3 漫剧和普通AI视频的本质区别

很多人把AI漫剧和AI视频混为一谈，其实两者在生产逻辑上完全不同。普通AI视频追求的是“像真实拍摄”，所以重点在光影、材质、运动模糊。漫剧的核心是“漫画感”，它要求的是：

• 线条清晰：描边要干净，不能有噪点
• 色彩块面化：阴影用色块而不是渐变
• 角色一致性极高：同一角色在不同分镜里必须长得一样
• 表情夸张：情绪表达要比真人更强烈

这就决定了漫剧的工具链不能照搬视频生成那套。比如在ComfyUI里，漫剧工作流必须加入Lineart预处理和Flat Color后处理节点，否则生成出来的图会带有太多写实纹理，失去漫画味。

2. 剧本生成：用本地大模型写出合格的分集脚本

2.1 模型选择和量化方案

剧本生成这块，我试过不少模型。最终稳定在Qwen2.5-14B-Instruct的4bit量化版本上。为什么选这个尺寸？7B模型写出来的台词太水，缺乏戏剧冲突；32B模型推理太慢，改一版要等好几分钟，创作节奏全断了。14B是一个甜点，生成一集剧本大约30秒，质量也够用。

量化方案用GGUF格式的Q4_K_M，这个量化等级在质量和速度之间平衡得最好。实测下来，14B Q4_K_M在12GB显存的卡上跑，上下文长度8192时占用约9GB显存，留有余量给系统。

部署命令很简单：

ollama pull qwen2.5:14b-instruct-q4_K_M ollama run qwen2.5:14b-instruct-q4_K_M

如果你用的是Text Generation WebUI，加载模型时记得勾选flash_attention和cache_8bit，这两个选项能显著降低显存占用。

2.2 漫剧剧本的特殊提示词结构

写漫剧剧本和写小说不一样，它需要同时输出画面描述和台词。我总结了一个三段式提示词模板，实测出片率很高：

你是一个漫剧编剧。请按照以下格式输出第X集剧本： 【场景】用一句话描述地点和时间 【画面】用三句话描述分镜画面，每句话对应一个分镜 【台词】角色名：台词内容 【旁白】可选的旁白内容 要求： 1. 每集包含6-8个分镜 2. 台词要口语化，每句不超过20字 3. 画面描述要包含角色表情和动作 4. 结尾留悬念

这个模板的关键在于限制分镜数量。新手最容易犯的错误是让AI自由发挥，结果生成出20多个分镜，后期根本做不完。6-8个分镜刚好对应2-3分钟的成片，节奏也舒服。

2.3 角色设定表的维护技巧

多集漫剧最大的坑是角色性格漂移。第一集主角是个高冷剑客，第三集突然变成话痨，观众直接出戏。解决办法是维护一个角色设定表，每次生成剧本时把它塞进系统提示词里。

我的角色设定表长这样：

{ "角色名": "林霜", "年龄": "18", "性格": "外冷内热，说话简短，偶尔毒舌", "口头禅": "麻烦", "外貌": "银发，左眼有疤，黑色劲装", "背景": "被师门驱逐的剑修" }

生成剧本时，把这段JSON转成自然语言描述，放在提示词最前面。实测下来，角色一致性从60%提升到90%以上。另外一个小技巧是，每生成三集就回头检查一次，如果发现性格偏移，就在提示词里加一句“注意：林霜不会说超过15个字的句子”。

实操心得：本地模型生成剧本时，温度值建议设在0.7-0.8之间。太低会重复套路，太高会胡言乱语。如果发现生成内容开始循环，把重复惩罚调到1.1，立刻就能拉回来。

3. 角色设计：用Stable Diffusion锁定角色形象

3.1 角色三视图的生成流程

角色设计是整个链条里最需要耐心的环节。我的做法是先用Stable Diffusion WebUI生成一张满意的角色立绘，然后以这张图为基准，用ControlNet生成三视图。

具体步骤：

1. 用文生图生成角色正面立绘，提示词里加入character sheet, front view, full body, white background
2. 挑一张最满意的，固定种子
3. 开启ControlNet，加载OpenPose模型，用正面图提取骨骼
4. 修改提示词为side view或back view，生成侧面和背面
5. 用Inpaint修复三视图之间的细节差异

这里的关键是固定种子。同一个种子加上相同的提示词，生成的角色脸型基本一致。如果换了种子，脸就完全变了。

3.2 LoRA训练：让角色真正稳定下来

三视图只能保证静态一致，一旦角色做出不同表情、穿上不同服装，脸还是会崩。终极解决方案是训练一个角色LoRA。

训练数据准备：用三视图加上不同表情、不同角度的生成图，凑够20-30张。然后用kohya_ss训练，参数如下：

训练时间在12GB显存的卡上大约40分钟。训练完成后，在生成分镜时加载这个LoRA，权重设0.7-0.8，角色一致性直接拉满。

3.3 表情包的批量生成方案

漫剧需要大量表情：喜、怒、哀、惊、羞、狠。一个个生成太慢，我的做法是用ComfyUI搭一个批量工作流：

• 输入：角色LoRA + 基础提示词
• 表情列表：happy, angry, sad, surprised, shy, fierce
• 批量节点：每张图生成4个变体
• 输出：自动按表情命名保存

这个工作流跑一次能出24张表情图，耗时约15分钟。生成后人工筛选，每个表情留2-3张最好的，存进角色素材库。后续做分镜时直接调用，不用每次重新生成。

注意：训练LoRA时，打标非常关键。不要用自动打标，手动写标签，把角色特征（发色、瞳色、服装）和可变特征（表情、动作、背景）分开。这样训练出来的LoRA才能灵活控制。

4. 分镜绘制：ComfyUI批量出图的工程化实践

4.1 漫剧专用工作流搭建

ComfyUI是批量出图的神器，但默认工作流不适合漫剧。我改造了一套漫剧专用工作流，核心节点链是这样的：

Checkpoint加载 → LoRA加载 → CLIP文本编码 → KSampler → VAE解码 → Lineart预处理 → Flat Color后处理 → 保存

其中Lineart预处理用的是AnimeLineArt模型，它能把写实纹理转成干净的漫画线条。Flat Color后处理是一个自定义节点，作用是把渐变阴影压成色块。这两个节点加上去，出图立刻就有漫画味了。

工作流搭建好后，用Load Image Batch节点批量读取分镜描述文件，用Text Concatenate节点把角色LoRA触发词和分镜描述拼在一起，然后Queue批量执行。一集8个分镜，大约5分钟出完。

4.2 分镜提示词的标准化模板

分镜提示词不能随便写，必须有固定结构。我的模板是：

[角色LoRA触发词], [角色名], [表情], [动作], [服装], [场景], [镜头类型], [画风标签] 画风标签固定为：anime screencap, flat color, clean lineart, cel shading 镜头类型：close-up, medium shot, wide shot, over-the-shoulder

举个例子：

lin_shuang_lora, Lin Shuang, angry, drawing sword, black martial arts outfit, snowy mountain top, medium shot, anime screencap, flat color, clean lineart, cel shading

这个模板的好处是可替换。做第二集时，只需要改表情、动作、场景三个字段，其他保持不变，角色和画风就锁死了。

4.3 批量出图时的显存优化

ComfyUI批量出图最容易爆显存。我的优化方案是：

• 开启--lowvram模式，虽然慢一点但稳定
• 把batch_size设为1，用队列而不是批处理
• 每生成5张图自动清理一次显存，用Clean VRAM节点
• 分辨率控制在768x1024，漫剧不需要4K

实测下来，12GB显存跑768x1024的图，队列模式可以连续出50张不崩。如果显存更小，可以把分辨率降到512x768，出图后再用Real-ESRGAN放大。

实操心得：ComfyUI的KSampler里，steps设25-30就够了，再高收益很小。CFG设7-8，太高颜色会过饱和。sampler用dpmpp_2m，scheduler用karras，这个组合出图最稳。

5. 动态化处理：让静态分镜动起来

5.1 EbSynth的键帧插值方案

静态分镜直接剪辑会像PPT，必须做动态化。EbSynth是目前最实用的方案，原理是：你只需要画几张关键帧，它自动把中间帧补出来。

操作流程：

1. 从ComfyUI导出的分镜图里，挑出动作幅度最大的几张作为关键帧
2. 在EbSynth里加载关键帧和原始序列
3. 调整Patch Size参数，漫剧建议设21，太大细节丢失，太小会有噪点
4. 导出补帧后的序列

一个3秒的镜头，原本需要72张图，用EbSynth只需要画6张关键帧，其余66张自动生成。效率提升10倍以上。

5.2 RIFE补帧让动作更顺滑

EbSynth补出来的帧率通常是12fps，看起来有点卡。用RIFE补到24fps或30fps，动作就顺滑了。

RIFE的用法很简单：

python inference_video.py --video input.mp4 --output output.mp4 --exp 2

--exp 2表示2倍补帧，12fps变24fps。如果原片是24fps，用--exp 2补到48fps，再抽帧到30fps，效果更好。

5.3 口型同步的简化处理

漫剧不需要精确口型同步，但嘴巴完全不动也很奇怪。我的简化方案是：在角色说话时，用After Effects或Shotcut给嘴巴区域加一个轻微的缩放动画，幅度5%左右，频率跟台词节奏走。观众的大脑会自动补全口型，完全不会觉得违和。

如果追求更精细的效果，可以用Wav2Lip，但那个对硬件要求高，而且漫剧风格下容易显得突兀。我的建议是，除非特写镜头，否则用简化方案就够了。

注意：EbSynth处理时，关键帧之间的动作幅度不要太大。如果两个关键帧之间角色移动超过画面宽度的30%，补出来的中间帧会糊。解决办法是把长镜头拆成多个短镜头，每个镜头单独处理。

6. 后期合成：剪辑、配音、字幕一条龙

6.1 Shotcut剪辑的工程化设置

Shotcut是开源剪辑软件里最稳的。我的工程设置：

• 分辨率：1920x1080
• 帧率：30fps
• 色彩空间：Rec.709
• 音频采样率：48000Hz

导入素材后，按分镜顺序排列。每个镜头的时长根据台词长度定，一般一句台词2-3秒。镜头之间加Cross Dissolve转场，时长0.3秒，不要太长，否则节奏拖沓。

6.2 配音方案：本地TTS还是真人录音

配音有两个选择：本地TTS或真人录音。我的建议是主角用真人录音，配角用TTS。主角声音是漫剧的灵魂，TTS再自然也缺少情感层次。配角用TTS完全够用，还能省不少成本。

本地TTS推荐ChatTTS，它对中文的支持很好，而且可以控制语气。安装：

pip install chattts

生成配音时，把台词按角色分组，每个角色用不同的音色参数。ChatTTS支持oral、laugh、break等控制标记，在台词里插入这些标记，生成出来的配音会自然很多。

6.3 字幕和音效的批量处理

字幕用Aegisub做，支持批量导入台词文件。我的做法是把剧本里的台词导出成ass格式，时间轴跟配音对齐，然后统一设置样式：字体用思源黑体，大小48，描边2px，底部居中。

音效是提升漫剧质感的关键。我整理了一个常用音效库：

Freesound上的音效都是CC协议，免费用。下载后按场景分类，剪辑时直接拖进去。

实操心得：Shotcut导出时，用H.264编码，码率设8M，音频用AAC，码率192k。这个配置在B站和抖音上都能直接上传，画质和文件大小平衡得最好。

7. 常见问题排查与避坑指南

7.1 角色脸崩的三种情况和解决办法

脸崩是最高频的问题，我遇到过的有三种：

情况一：不同分镜脸型不一致。原因是LoRA权重太低或提示词里角色特征描述不够。解决办法是把LoRA权重提到0.85，并在每个分镜提示词里重复角色核心特征（发色、瞳色、疤痕）。

情况二：表情变化时脸变形。原因是训练LoRA时表情样本太少。解决办法是补训，专门收集20张不同表情的图，用较低学习率（5e-5）再训5轮。

情况三：侧脸和正脸差异大。原因是训练数据里侧脸样本不足。解决办法是在三视图阶段就生成足够的侧脸和半侧脸，训练时按角度分层采样。

7.2 批量出图时的显存溢出排查

显存溢出通常发生在连续出图20张以后。排查步骤：

1. 打开任务管理器，观察显存占用曲线
2. 如果呈阶梯状上升，说明有节点没释放显存
3. 在ComfyUI里加入Clean VRAM节点，每5张清理一次
4. 如果还不行，把--lowvram改成--medvram，牺牲速度换稳定

另一个隐藏原因是图片分辨率。768x1024的图占用显存是512x768的2.25倍。如果显存紧张，先降分辨率，出图后再放大。

7.3 动态化后画面抖动的处理

EbSynth补帧后画面抖动，通常是关键帧选取有问题。解决办法：

• 关键帧之间的动作幅度控制在20%以内
• 在EbSynth里把Patch Size从21降到15
• 补帧后用Deshake滤镜做一次稳定

如果抖动依然明显，说明原始分镜的构图变化太大，需要重新生成分镜，让镜头运动更平缓。

7.4 音频视频不同步的修复

音视频不同步通常发生在补帧之后。原因是补帧改变了视频时长，但音频没变。修复方法：

1. 在Shotcut里，右键视频轨，选择Detach Audio
2. 手动拖动音频轨，对齐口型
3. 如果偏差太大，用Time Remap功能调整视频速度

预防措施是：先补帧，再配音，最后剪辑。顺序对了，同步问题少90%。

8. 从单集到系列：规模化生产的经验

8.1 素材库的标准化管理

做单集的时候，素材随便放桌面就行。做系列的时候，必须有标准化的目录结构：

project/ ├── characters/ # 角色LoRA和素材 │ ├── lin_shuang/ │ │ ├── lora.safetensors │ │ ├── expressions/ │ │ └── outfits/ ├── scripts/ # 剧本 │ ├── ep01.json │ └── ep02.json ├── storyboards/ # 分镜 │ ├── ep01/ │ └── ep02/ ├── audio/ # 配音和音效 ├── output/ # 成片 └── workflows/ # ComfyUI工作流

这个结构的好处是，做第二季的时候，角色LoRA和工作流直接复用，只需要换剧本和分镜。

8.2 工作流模板的复用和微调

ComfyUI工作流可以导出成JSON，下次直接加载。我的做法是维护三个模板：

• 角色设计模板：用于生成新角色
• 分镜批量模板：用于日常出图
• 表情包模板：用于补充表情素材

每次做新一集，加载分镜批量模板，改一下提示词文件路径，点运行就行。微调的地方只有LoRA权重和采样步数，其他参数不动。

8.3 产能估算和排期建议

根据我的实测数据，一集3分钟漫剧的产能如下：

按这个产能，全职做的话一周能出2-3集。兼职的话，一周一集比较现实。

最后分享一个小技巧：把ComfyUI的工作流和Ollama的提示词模板都存成文本文件，用Git管理。每次修改都提交一次，这样如果新版本效果变差，可以随时回滚到上一个稳定版本。我靠这个习惯避免了好几次“改崩了找不回来”的惨剧。