前置说明:本文仅用于开源 AI 技术学习、本地工作流调试研究,所有生成内容请遵守平台规范、版权法规,禁止直接用于违规内容量产。整套方案全部离线运行,不依赖云端 API,适合个人技术调试学习。
一、硬件与环境前置说明
这套流水线最低适配 RTX4050/3060 8G 显存笔记本,16G 内存、50G 以上 SSD 空闲空间;12G 显存显卡可以稳定批量渲染,24G 显卡支持长镜头、高分辨率输出。 核心组件清单:
- ComfyUI(秋叶整合包,自带依赖,新手优先)
- Wan2.2-ReMixV3.0 I2V 图生视频 FP8 量化模型(漫剧优化版,时序闪烁问题优于原版)
- IP-Adapter 角色特征模型,用来锁定人物五官、防止跨镜头变脸
- 本地 Qwen 大模型(GGUF 量化版),剧本拆分、分镜结构化
- Fish-TTS 本地语音模型,台词配音
- FFmpeg,音视频拼接、字幕压制、编码统一
8G 显存启动 ComfyUI 专用 bat 参数,直接复制到 run_nvidia_gpu.bat:
@echo off set PYTHONARGS=--lowvram --cuda-malloc --force-fp16 --disable-xformers python main.py %PYTHONARGS%
参数解释:
--lowvram开启显存分片,模型自动溢出到内存,是 8G 显卡最核心的优化开关;FP8 量化模型相比 FP16 显存占用直接减半,画质损失很小。
话不多说,先上资源,边看边做,事半功倍:https://pan.quark.cn/s/6422b249063a
二、整体流水线逻辑
本地 LLM 解析剧本 → 脚本自动拆分分镜、提取角色 / 台词 / 场景描述 → IP-Adapter 缓存角色特征向量 → ComfyUI 批量生成分镜静图 → Wan2.2-ReMixV3.0 图生视频生成微动态漫剧片段 → 本地 TTS 批量生成配音 → FFmpeg 自动拼接、压字幕、统一竖屏编码输出成片。
三、剧本转结构化分镜 Python 脚本(核心预处理)
新建drama_storyboard.py,作用:把原始剧本文本清洗、切分镜头,输出 ComfyUI 可以批量读取的 JSON,自动过滤心理描写这类难可视化文本,提取台词供给 TTS。
import re import json from typing import List, Dict class DramaStoryboardConvert: def __init__(self, char_map: dict): self.char_map = char_map self.pat_dialogue = re.compile(r"([^::]{1,12})[::][\"“](.*?)[\"”]") self.pat_scene_split = re.compile(r"\n{2,}") self.filter_pattern = re.compile(r"心里想着|暗自思忖|内心知道|脑海中闪过") def clean_text(self, text: str) -> str: text = self.filter_pattern.sub("", text) text = re.sub(r"\s+", " ", text) return text.strip() def parse_to_storyboard(self, raw_text: str, ep_name: str, genre: str = "女频") -> Dict: scenes_raw = self.pat_scene_split.split(raw_text) shot_list = [] shot_idx = 0 for scene in scenes_raw: scene = self.clean_text(scene) if len(scene) < 6: continue dialog_match = self.pat_dialogue.search(scene) dialogue = "" speaker = "" if dialog_match: speaker = dialog_match.group(1) dialogue = dialog_match.group(2) action_desc = self.pat_dialogue.sub("", scene).strip() shot_item = { "shot_id": shot_idx, "speaker": speaker, "dialogue": dialogue, "action_desc": action_desc, "prompt_suffix": "漫画分镜,柔和光影,线条干净,人物保持一致,无扭曲,微动作", "negative_prompt": "五官变形,人脸漂移,多手指,模糊,闪烁,崩坏" } shot_list.append(shot_item) shot_idx += 1 return { "episode": ep_name, "genre": genre, "shot_total": shot_idx, "shot_list": shot_list } if __name__ == "__main__": # 角色字典,自行维护角色名称和参考图 char_dict = {"苏晚": "ref_suwan.jpg", "陆沉": "ref_luchen.jpg"} converter = DramaStoryboardConvert(char_dict) with open("raw_script.txt", "r", encoding="utf-8") as f: raw = f.read() res = converter.parse_to_storyboard(raw, ep_name="ep01", genre="女频") with open("./comfy_storyboard.json", "w", encoding="utf-8") as fw: json.dump(res, fw, ensure_ascii=False, indent=2) print("分镜JSON生成完成,可直接送入ComfyUI批量节点")
四、角色特征缓存脚本(解决漫剧最大痛点:人物变脸漂移)
新建save_character_embedding.py,提前提取角色参考图特征向量,保存 pt 文件,后续所有镜头复用同一个 embedding,锁定五官和形象,避免每一张图人物长相变化。
import torch from PIL import Image from transformers import CLIPVisionModelWithProjection torch.cuda.empty_cache() image_encoder = CLIPVisionModelWithProjection.from_pretrained( "./models/ip-adapter-plus", torch_dtype=torch.bfloat16 ).to("cuda") # 修改这里为你的角色参考图路径 ref_img = Image.open("./ref_suwan.jpg").convert("RGB") ref_img = ref_img.resize((512,512)) with torch.no_grad(): img_emb = image_encoder.encode_image(ref_img) torch.save(img_emb, "./char_emb/suwan_01.pt") print("角色特征向量保存成功,路径:./char_emb/suwan_01.pt")
ComfyUI IP-Adapter 节点直接加载 pt 文件,权重推荐 0.65~0.72,权重太高画面僵硬,太低锁不住人脸。
五、ComfyUI Wan2.2-ReMixV3.0 工作流参数配置
针对漫剧图生视频,推荐固定参数:
- 分辨率:480×720(9:16 竖屏,适配短剧)
- 采样步数:22~28 步,8G 显卡不要超过 30 步
- 帧率:8fps,单镜头时长 4s,短镜头稳定性更强
- 运动幅度:0.2~0.35,漫剧只需要轻微呼吸、眨眼、手部微动,大幅度动作极易崩坏
- 提示词模板:
漫画分镜,{动作描述},固定人物形象,柔和打光,干净勾线,静态漫画轻微动态,镜头缓慢平移 - 反向提示词:
人脸变化,五官错乱,肢体扭曲,闪烁,鬼影,黑帧,水印,文字
重要避坑:Wan2.2-ReMixV3.0 不要一次性批量并行渲染多个镜头,8G 显卡开启队列串行渲染,防止显存峰值直接 OOM 崩溃。
六、本地 TTS 台词批量导出脚本
新建export_tts.py,读取分镜 JSON 里的台词,调用本地 Fish-TTS 生成配音音频,每个镜头音频和镜头 id 一一对应:
import json import os # 这里是本地Fish-TTS的推理接口,根据你本地部署的地址修改 from fish_speech import TTS tts_engine = TTS() with open("comfy_storyboard.json","r",encoding="utf-8") as f: data = json.load(f) out_dir = "./tts_audio" os.makedirs(out_dir,exist_ok=True) for shot in data["shot_list"]: dia = shot["dialogue"].strip() if not dia: continue audio = tts_engine.generate(dia, speaker=shot["speaker"]) save_path = f"{out_dir}/shot_{shot['shot_id']}.wav" audio.save(save_path) print(f"生成配音:shot_{shot['shot_id']}.wav")
七、FFmpeg 成片合成指令(批量拼接、字幕压制、编码标准化)
7.1 先写 filelist.txt,按镜头顺序写入视频片段
file 'shot_00.mp4' file 'shot_01.mp4' file 'shot_02.mp4' file 'shot_03.mp4'
7.2 无损拼接所有镜头
ffmpeg -f concat -safe 0 -i filelist.txt -c copy ep01_raw.mp4
7.3 嵌入 SRT 字幕,黑体、白色字体黑色描边
ffmpeg -i ep01_raw.mp4 -vf "subtitles=sub.srt:force_style='FontName=SimHei,Fontsize=28,PrimaryColour=&H00ffffff&,Outline=2'" -c:a copy ep01_sub.mp4
7.4 统一编码,输出符合短剧平台规范的 9:16 成片
ffmpeg -i ep01_sub.mp4 -c:v libx264 -preset medium -crf 24 -vf scale=408:720 -c:a aac -b:a 128k ep01_final.mp4
7.5 单镜头静图缓慢推拉运镜备用指令(不用视频模型时兜底方案)
ffmpeg -loop 1 -i shot_01.png -i shot_01.wav -filter_complex "[0:v]scale=408:720,zoompan=z='min(zoom+0.0015,1.1)':d=125:s=408x720[v]" -map "[v]" -map 1:a -shortest -c:v libx264 -pix_fmt yuv420p shot_01.mp4
八、8G 显卡高频踩坑和显存优化方案
- 模型只加载一个主扩散模型,LoRA 叠加数量≤2 个,多 LoRA 同时加载显存爆炸
- 推理前关闭浏览器、直播软件、游戏,释放后台显存占用
- 一旦出现 CUDA out of memory:降低分辨率、缩短单镜头时长、切换 FP4 量化版本
- 视频画面闪烁:降低 motion bucket 数值,不要设置大于 0.4,漫剧优先微动态
- 角色偶尔换脸:检查 IP-Adapter 权重,确认特征向量 pt 文件没有损坏,每个角色独立保存 embedding
- 导出视频上传报错:必须用 libx264 编码,yuv420p 色彩空间,很多平台不支持 nv12、hevc 编码
九、扩展方向
这套流水线可以对接 BigBanana AI Director 漫剧工场上层编排工具,自动调度整个链路,不用手动依次执行脚本、导入 JSON,实现全自动无人值守渲染。