ComfyUI 实现 AI 漫剧工业化生产：解决角色一致性与时序画质问题

ComfyUI 实现 AI 漫剧工业化生产：解决角色一致性与时序画质问题的重点在于把前置条件、操作顺序和容易误判的地方分清楚。

摘要

AI 漫剧在二次元短视频领域热度持续走高，但大量个人创作者在本地落地时会遇到不少工程层面的现实阻碍：跨镜头角色特征漂移、视频帧间色彩闪烁、漫画原生线条被模型软化、手动处理效率低下。网上多数教程侧重提示词与简单出图，缺少完整可复现的离线处理管线。这篇内容以开源工具集合，结合「AI‑Tools 查找新工具按日期，查找对应工具按名称排序」资源库，讲解从人设资产、分镜渲染、动态生成，到时序修复、批量导出的完整技术流程，附带可直接运行的 Python 代码、FFmpeg 脚本、ComfyUI 节点参数，8G 显存消费级显卡即可完成整套离线生产。

话不多说，先上资源，链接：https://pan.quark.cn/s/7a5fc94ad1b8

关键词

ComfyUI AI 漫剧，本地 AI 漫剧，AI 漫剧角色一致性，AI 视频时序防抖，二次元视频超分，IP‑Adapter 人设锁定，Wan2.2 图生视频

一、本地制作 AI 漫剧遇到的实际技术问题

AI 生成漫剧的痛点大多不是 “出不了图”，而是生成结果不稳定，无法支撑连载式内容产出，集中体现在四点：

角色跨镜头漂移 单纯依靠文字提示词约束人物，切换景别、角度、动作之后，五官、发型、服饰很容易发生变化。对于连载漫剧，人物反复变脸会直接破坏剧情代入感，也是很多账号难以沉淀粉丝的重要原因。

视频时序不稳定 文生视频模型大多是逐帧独立推理，帧与帧之间没有强特征继承，容易出现亮度跳变、色彩断层、画面频闪。经过短视频平台二次压缩之后，这种缺陷会被进一步放大，观感廉价。

漫画线条细节退化 文生视频输出的素材分辨率普遍不高，漫画平涂轮廓、锐利线条经过模型推理之后会被软化。直接使用面向写实照片的超分模型，会进一步破坏二次元画风。

生产链路零散，难以批量产出 分镜生成、动态片段制作、画质修复、配音剪辑分散在不同软件，没有自动化调度脚本。单集高度依赖人工反复调整，很难做到稳定更新。

参考示意图：AI 漫剧常见缺陷对比（网上公开素材） 左：未处理原始片段，存在人物五官偏移、帧间闪烁；右：经过管线处理之后，人设统一、线条锐利、色彩稳定

二、完整生产管线整体架构

整套流程把资产准备、图像渲染、视频生成、后处理、音视频合成串联成完整链路，所有模型、脚本、工作流文件均收纳在 AI‑Tools 工具库中。

工具库目录说明：

Video_Super_Resolution：二次元超分权重 anime_x2.pthVideo_Interpolation：RIFE 漫剧微调补帧模型Video_Stabilize：帧间稳色处理 Python 脚本Video_Encode：漫剧 FFmpeg 批处理脚本Comfy_Workflow：漫剧分镜、角色锁定完整工作流 json

三、核心模块可运行代码

3.1 人脸特征相似度校验（过滤变脸分镜）

读取网盘三视图参考图，自动判断生成画面人物是否一致，不合格画面直接标记重生成。

= thresholdnif __name__ == "__main__":n import osn ref = "./AI‑Tools/character_resource/girl_three_view.png"n frame_dir = "./raw_comic_frames/"n for filename in os.listdir(frame_dir):n if filename.endswith(".png"):n ok = check_character_same(ref, os.path.join(frame_dir, filename))n if not ok:n print(f"[警告] {filename} 人物特征偏移，建议重新生成")","id":"kQwAs"}">

3.2 漫剧帧间时序色彩对齐（消除闪烁跳色）

针对漫画平涂画面做亮度均衡，保留轮廓线条，不破坏原有画风。

np.ndarray:n prev_float = prev_frame.astype(np.float32)n curr_float = curr_frame.astype(np.float32)n mean_prev = np.mean(prev_float)n mean_curr = np.mean(curr_float)n eps = 1e-6n ratio = np.clip(mean_prev / (mean_curr + eps), 0.7, 1.3)n curr_fixed = curr_float * ration curr_fixed = np.clip(curr_fixed, 0, 255).astype(np.uint8)n return curr_fixedndef batch_process_frames(input_folder, output_folder):n import osn os.makedirs(output_folder, exist_ok=True)n frame_files = sorted([f for f in os.listdir(input_folder) if f.endswith(".png")])n prev = Nonen for name in frame_files:n img = cv2.imread(os.path.join(input_folder, name))n if prev is not None:n img = comic_temporal_color_correct(prev, img)n cv2.imwrite(os.path.join(output_folder, name), img)n prev = img.copy()nif __name__ == "__main__":n batch_process_frames("./raw_frames", "./stable_out_frames")","id":"uiFTp"}">

3.3 调用网盘二次元超分模型做线条修复

3.4 FFmpeg 批处理脚本 漫剧成片压制

文件位于网盘AI‑Tools/Video_Encode/comic_encode.bat，输出 9:16 竖屏适配短视频平台。

3.5 ComfyUI IP‑AdapterFaceID 关键节点配置

取自网盘 Comfy_Workflow 漫剧工作流，控制人物一致性权重。

四、漫剧提示词工程模板

正向提示词

反向提示词

五、基于 AI‑Tools 资源库落地操作步骤

获取网盘 AI‑Tools 全套资源，解压到本地磁盘，路径尽量不要带中文特殊符号；打开 ComfyUI，导入Comfy_Workflow下漫剧人设锁定工作流，载入三视图参考图；批量生成分镜画面，运行人脸校验脚本，过滤人物偏移的镜头；使用 Wan2.2 图生视频生成动态片段，导出帧序列；执行时序稳色脚本，调用 RIFE 补帧、anime_x2 超分完成画质增强；本地 TTS 生成角色配音，使用批处理脚本 FFmpeg 完成视频编码输出成片。

8G 显存优化要点：模型全部开启 FP8 量化，关闭不必要缓存，一次只推理一个片段，避免 OOM 显存溢出。