ComfyUI本地生成AI漫剧：图像到成片完整制作流程

引言：AI漫剧制作的现实与理想

很多人对AI漫剧制作存在一个误解——以为只需要一个简单的提示词，AI就能自动生成完整的分镜脚本和成品视频。但现实是，不管是开源模型还是闭源模型，目前都做不到这一点。B站UP主「程序员萝卜」在第268期教程中，以一个漫威英雄采访短片为例，详细拆解了100%本地生成AI漫剧的完整流程，所用硬件仅需4060Ti显卡。

这期教程的核心价值在于：它不是夸夸其谈的理论，而是一个经过实践验证的、可复现的制作方案。整个流程涉及LTX 2.3视频模型、KLEIN图像编辑模型和QWEN TTS语音模型三大核心工具。

图像准备：AI漫剧制作的基石

为什么图像是关键

在LTX首尾帧模式下，所有关键性动作都需要预先用图像来表达。这意味着你不能指望纯靠提示词让模型自动生成复杂动作——比如绿巨人把女孩抱起来、钢铁侠和女孩对拳等动作，都必须预先制作好对应的图像。

技术背景：LTX首尾帧模式 LTX（Latent Text-to-video eXtension）是一类基于扩散模型的视频生成架构。首尾帧模式（First-Last Frame Conditioning）是指在生成视频时，同时提供起始帧和结束帧作为约束条件，让模型在两帧之间进行运动插值和内容填充。这种方式本质上是将视频生成问题转化为"受约束的时序插值"问题，相比纯文本驱动的视频生成，大幅降低了模型需要"自由发挥"的空间，因此人物一致性和画面稳定性显著提升。代价是创作者必须预先设计好关键帧图像，制作门槛从"写提示词"上升到"会图像编辑"。

以这个漫威英雄采访短片为例，一个英雄的20秒访问片段需要5张图片。制作流程如下：

1. 生成原始图片：先生成女孩的基础图片
2. 合成角色图片：使用KLEIN模型生成女孩与各英雄的合影
3. 设计动作图片：为每个关键动作单独生成图片（如抱起、摸胸肌等）
4. 图像修正：用KLEIN单图编辑修正细节（如给钢铁侠加上金属手套）

KLEIN模型图像编辑实战技巧

图像编辑使用的是第230期教程中介绍的KLEIN单图编辑功能。KLEIN是一种指令驱动的图像编辑模型，属于InstructPix2Pix范式的进化版本，其核心能力是根据自然语言指令对已有图像进行局部或全局修改，无需用户手动绘制蒙版（Mask）。与传统的Inpainting方法相比，KLEIN能理解语义级别的编辑意图，例如"给角色加上金属手套"或"将两个人物合成到同一场景中"。这个模型的优势是速度极快，13秒即可完成一次编辑，得益于其轻量化的推理架构设计，使其在消费级显卡上也能快速迭代出图。但需要注意的是，不是每张生成的图都能直接使用，需要反复"刷图"直到获得满意的结果。

这里有一个重要的认知：想做好AI视频，必须掌握基本的图像编辑能力。那些完全不学图像编辑就想靠视频模型直接出片的想法，在目前的技术条件下基本不可能实现。

LTX首尾帧模式详解：优势与局限

核心优势

• 速度快：4060Ti显卡即可流畅运行
• 长视频支持：通过首尾帧衔接可以生成较长的连续视频
• 人物一致性好：首尾帧模式下的人物一致性远优于单纯的图生视频

不可忽视的局限

• 衔接处微卡顿：每个首尾帧之间的衔接处会有轻微卡顿，这是先天缺陷
• 提示词响应差：由于首尾帧已经确定了画面的大部分运动状态，提示词的影响力有限
• 运镜受限：运镜效果需要通过首尾帧图片来实现，而非提示词控制

提示词的正确写法

提示词要简洁但精准。例如"女人笑着说话，漫威英雄死侍从右边走进画面"——其中"走进画面"这几个字至关重要。如果不写，模型可能会用突然切镜头或转场的方式把人物放到画面中，看起来非常不自然。

不要写太复杂的提示词，写了复杂的它也实现不了。那些拿着复杂分镜脚本去跑LTX首尾帧的方案，最终能跑出来的概率非常低。

语音生成与合成：用QWEN TTS让角色开口说话

QWEN TTS语音生成策略

语音部分使用的是第257期教程中的QWEN TTS模型。QWEN TTS是阿里巴巴通义千问^广告系列的文本转语音模型，属于大语言模型驱动的神经网络TTS（Text-to-Speech）系统。与传统TTS不同，基于LLM的TTS能够理解语境、情感和语调，生成更自然的语音，其声音特征（音色、语速、情感倾向）由提示词中的描述性文字控制。

这里有一个关键技巧：同一角色的所有台词应该一次性生成，而不是分段生成。

原因在于技术层面：同一次推理过程中，模型会维持相对稳定的隐空间表示（Latent Representation），从而保证音色的一致性；而多次独立推理则可能因随机种子和上下文差异导致音色漂移（Voice Drift）。比如女孩的所有台词（开场白、采访问题、结束语）全部写在一个流程中一次性生成，最终得到36秒的完整语音。

而三个漫威英雄因为是不同角色，需要分别用不同的流程生成，通过调整提示词中的声音描述（如"中年男性的声音，欧美口音，挑逗的声音