前言
在 AI 漫剧的生产链路中，图生视频模块是把 SD 静态分镜转化为动态漫片段的核心环节。Wan2.1 作为早期成熟的开源视频底座，在二次元漫剧场景拥有大量存量工作流，很多中小型工作室依旧基于该版本做批量测试、动作迁移、流水线原型验证。手动逐个在界面上传分镜生成视频效率低下，想要实现漫剧批量自动化，就必须掌握本地目录规范、环境排错、ComfyUI API 调用脚本。
很多新手部署 Wan2.1 时，会出现模型识别失败、节点不加载、显存溢出、图生视频输出黑屏、二次元画面线条糊化等一系列问题，绝大多数不是模型本身 bug，而是文件放置路径错误、依赖缺失、量化版本不匹配。 我用夸克网盘给你分享了「Wan2 (2).1 工作流安装包（ComfyUI 与模型）」，点击链接或复制整段内容，打开「夸克 APP」即可获取。 链接：https://pan.quark.cn/s/905e851e21e4
该整合包已经打包好适配 N 卡的 ComfyUI 基础环境、Wan2.1 全套权重、漫剧专用图生视频工作流 json、动作迁移配套节点，省去手动逐个下载权重、寻找自定义节点的繁琐过程。本文将讲解解压部署、目录校验、常见报错排查、批量处理漫剧分镜的 shell 指令与 Python 自动化脚本，适合用来搭建漫剧流水线原型。相关 AI 漫剧教程去这里看：https://blog.csdn.net/2603_96706799?spm=1000.2115.3001.5343
一、整合包解压与目录规范（Windows/Linux 通用）
下载得到压缩包之后，不要放在中文路径、带有空格的文件夹下面，中文路径会造成模型加载异常、工作流 json 解析失败。
Windows 操作步骤
将压缩包解压至纯英文路径，示例：D:\AI\Wan2_1_ComfyUI
打开解压后的根目录，确认内部目录结构完整。
Wan2_1_ComfyUI
├─ run_nvidia_gpu.bat # N卡启动脚本
├─ ComfyUI
│ ├─ custom_nodes # Wan视频扩展节点、动作迁移节点
│ ├─ input # 漫剧静态分镜放到这个文件夹，供图生视频读取
│ ├─ output # 生成后的动态漫视频输出目录
│ └─ models
│ ├─ diffusion_models # Wan2.1主UNet权重
│ ├─ text_encoders # umt5文本编码器权重
│ └─ vae # Wan专属VAE权重
└─ workflows # 漫剧图生视频、动作迁移工作流json
Linux/macOS 终端解压指令
解压压缩包，替换为你的压缩包文件名
unzip Wan2(2).1工作流安装包（ComfyUI与模型）.zip -d ~/ai_work/
进入项目根目录
cd ~/ai_work/Wan2_1_ComfyUI/ComfyUI
赋予执行权限
chmod +x *.sh
二、环境启动与节点加载校验
Windows
直接双击run_nvidia_gpu.bat启动服务，浏览器访问：http://127.0.0.1:8188
Linux 终端启动指令
进入ComfyUI根目录
cd ~/ai_work/Wan2_1_ComfyUI/ComfyUI
激活内置虚拟环境
source .venv/bin/activate
启动服务，开放局域网访问，允许外部脚本调用API
python main.py --listen 0.0.0.0 --port 8188
启动之后观察控制台日志，如果看到下面两行输出，代表 Wan 视频扩展节点加载成功：
[ComfyUI] Loaded WanVideoLoader
[ComfyUI] Loaded WanImageToVideoSampler
如果没有打印这两行，代表自定义节点没有被识别，需要检查custom_nodes文件夹名称，不要嵌套多层文件夹。
浏览器界面右上角刷新，点击Load按钮，从workflows目录载入漫剧预设工作流wan21_anime_i2v.json，画布就会加载完成图生视频节点链路，专门针对赛璐璐漫剧做过参数预设，降低线条糊化概率CSDN博...。
三、高频报错排查，终端指令快速定位问题
部署 Wan2.1 过程中，大量故障可以通过简单终端指令定位根源。
- 模型文件缺失 / 损坏校验（Linux）
查看主模型目录文件列表，确认safetensors文件存在
ls -lh ./ComfyUI/models/diffusion_models/校验文件大小，若文件大小为0，说明下载解压损坏，需要重新解压资源包
- 权限报错，节点无法读取权重（Linux）
修复整个项目目录读写权限
sudo chown -R $USER:$USER ~/ai_work/Wan2_1_ComfyUI/
- 显存不足 OOM，8‑12G 显卡启用 FP8 量化
编辑工作流里面模型加载节点，选择 FP8 量化版本权重，同时开启模型推理后自动卸载。 Windows 可以直接编辑 bat 启动参数，增加环境变量，限制显存分配策略：
set PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:512
- 图生视频输出黑屏
大概率 VAE 权重放置错误，确认 wan21_vae.safetensors 存放在models/vae；也可以降低视频生成分辨率，漫剧推荐分辨率 720×480，不要直接跑 1080P。
四、Python 脚本：批量把 SD 漫剧分镜做图生视频（ComfyUI‑API）
在 AI 漫剧项目中，不可能手动一张一张上传静态分镜。下面是可直接修改使用的 API 批量脚本，读取input文件夹下全部 png 漫画分镜，调用已经加载好的 Wan2.1 图生视频工作流，批量输出动态漫片段。
import os
import json
import requests
import time
COMFYUI_HOST = "http://127.0.0.1:8188"
INPUT_IMG_DIR = "./ComfyUI/input"
漫剧图生视频工作流json路径
WORKFLOW_PATH = "./workflows/wan21_anime_i2v.json"
def read_workflow_json(path):
with open(path,"r",encoding="utf‑8") as f:
return json.load(f)
def submit_comfy_task(workflow_data):
resp = requests.post(f"{COMFYUI_HOST}/prompt",json={"prompt":workflow_data},timeout=60)
resp.raise_for_status()
return resp.json()["prompt_id"]
def wait_task_finish(prompt_id):
while True:
r = requests.get(f"{COMFYUI_HOST}/history/{prompt_id}",timeout=15)
data = r.json()
if prompt_id in data:
status_info = data[prompt_id].get("status",{})
if status_info.get("status_str") == "success":
print(f"任务 {prompt_id} 执行完成")
break
if status_info.get("status_str") == "error":
raise Exception(f"任务{prompt_id}执行出错")
time.sleep(2)
if name == "main":
base_workflow = read_workflow_json(WORKFLOW_PATH)
img_list = [f for f in os.listdir(INPUT_IMG_DIR) if f.lower().endswith(".png")]
print(f"检测到待处理漫剧分镜：{len(img_list)} 张")
for img_file in img_list:
print(f"开始处理分镜：{img_file}")
# 修改工作流输入图片节点，替换为当前分镜文件名
for node_id,node_data in base_workflow.items():
if node_data.get("class_type") == "LoadImage":
node_data["inputs"]["image"] = img_file
break
pid = submit_comfy_task(base_workflow)
wait_task_finish(pid)
time.sleep(1)
print("全部漫剧分镜图生视频批量任务执行完毕，视频输出到output文件夹")
脚本逻辑说明：
读取预设好的漫剧 Wan2.1 图生视频工作流；
遍历input目录所有 png 静态分镜；
动态替换 LoadImage 节点的图片文件名，提交 API 任务；
轮询 ComfyUI 任务状态，完成之后继续下一张分镜；
生成好的动态漫片段自动写入output文件夹。
五、漫剧生产的现实局限与版本取舍
Wan2.1 适合做流水线原型验证、动作迁移调试，但是对比后续迭代的 Wan2.2，长时序一致性、二次元线条保留能力存在差距。在真实商用量产项目中，一般用 Wan2.1 做前期流程验证，正式成片再升级到更高版本模型。
同时这套自动化脚本仅仅完成批量图生视频，完整漫剧流水线还需要在脚本外层增加：图片特征校验过滤坏帧、生成完成后调用 ffmpeg 做片段拼接、时序色彩统一。
简单 ffmpeg 拼接指令示例，把 output 目录生成的多个短视频片段拼接成一集漫剧：
filelist.txt里面每行填写一个视频文件名
ffmpeg -f concat -safe 0 -i filelist.txt -c copy ep01_dongman.mp4
六、总结
Wan2.1+ComfyUI 的部署难点不在于模型推理本身，而在于目录路径、权重安放、API 自动化调用。直接使用整合包可以跳过繁杂的资源搜集，重点放在调试批量脚本、适配漫剧的运动幅度参数上。通过终端指令排查环境故障，配合 ComfyUI‑API 批量脚本，就可以实现静态漫画分镜全自动转化为动态漫片段，为完整 AI 漫剧工业化管线搭建打下底层基础。
