企业官网建设流程全解析

本地AI漫剧零基础部署教程：全离线、角色不变脸、8G显存可量产

这两年AI绘图和视频生成的门槛降得厉害，身边不少做短剧、做漫画的朋友都开始琢磨一件事：能不能在自己家里那台游戏本上，把一段漫剧从剧本到成片全流程跑通，不联网、不租云算力、角色还得前后长得一样。我前前后后折腾了大半年，踩过的坑能写满一个笔记本，今天就把这套在8G显存机器上稳定出片的方案完整拆开讲一遍。所谓“本地AI漫剧”，说白了就是用本地部署的图像生成模型出角色立绘和分镜画面，再用本地视频生成或帧插值工具把静态画面串成动态镜头，最后配上字幕和音频合成一段完整的漫剧短片。它解决的核心问题有三个：一是数据不出本机，剧本和素材完全离线；二是角色一致性可控，同一个角色在不同镜头里不会“换脸”；三是硬件门槛压到8G显存这个大多数游戏本都能摸到的水平，具备批量生产的可能。这套内容适合三类人看：完全没接触过本地部署的新手、用过在线AI绘图但想转到本地的创作者、以及想搭一条小产能漫剧流水线的个人或小团队。下面我按整体思路、核心细节、实操流程、问题排查四个大块来讲，中间穿插我自己实测的参数和经验。

1. 整体方案设计与选型思路拆解

1.1 为什么是“本地全离线”而不是在线工具

先把这个前提说清楚，因为方案选型决定了后面所有步骤。在线AI绘图工具出图快、不用管显卡，但做漫剧有个致命问题：角色一致性靠的是平台自己的角色参考功能，你没法精细控制，而且每次生成都要联网、要排队、要消耗平台额度。做一集三分钟的漫剧，分镜少说四五十张，多的话上百张，在线工具的成本和等待时间会迅速失控。更关键的是，剧本和角色设定属于创作核心资产，全离线意味着这些东西只存在你自己的硬盘里，从流程上就杜绝了外泄的可能。

本地部署的代价是前期配置麻烦，但一旦跑通，后面就是纯本地算力，出多少张图都不额外花钱，而且模型、参数、工作流全部捏在自己手里，想怎么调就怎么调。我自己的判断标准很简单：如果你只是偶尔出几张图玩玩，在线工具够用；如果你要做的是有连续角色、有分镜逻辑的漫剧，本地部署是唯一能保证一致性和产能的路。

1.2 8G显存这个门槛是怎么算出来的

很多人一听本地部署就觉得要4090起步，其实漫剧这个场景对显存的要求没有想象中那么高，关键在于你选什么模型、用什么精度、开多大分辨率。我实测下来，8G显存能稳定跑通的组合是这样的：图像生成用SDXL级别的模型，但必须用fp16半精度或者更激进的量化版本，分辨率控制在1024×1024以内，单张出图显存占用大概在6.5G到7.5G之间浮动。如果开高清修复或者放大到2K，显存会瞬间爆掉，所以量产阶段我建议直接放弃高清修复，靠后期统一放大。

这里有个计算逻辑要讲明白：显存占用大致等于模型权重占用加上推理时的中间激活值。SDXL的fp16权重约6.5G，推理时还要留出1G到2G给激活值和缓存，所以8G是刚好够用的临界点。如果你用的是经过量化压缩的模型版本，权重能压到4G左右，那8G显存跑起来就很宽裕了，甚至能开一点小幅度的放大。视频生成环节更吃显存，所以我建议视频部分用帧插值和轻量运动模块来做，而不是直接上重型视频生成模型，这样8G显存才扛得住。

1.3 角色不变脸的核心思路：参考图加固定种子双保险

角色一致性是漫剧的命门，也是新手最容易翻车的地方。我的方案是双保险：第一层是角色参考图机制，给每个主要角色准备三到五张标准视角的定妆图，生成新镜头时把参考图喂进去，让模型锁定角色的面部特征和服装细节；第二层是固定随机种子加固定提示词模板，同一个角色的所有镜头用同一套种子范围和描述词结构，减少随机波动。

这两层要配合着用。光有参考图，种子乱跳的话发型和配饰还是会飘；光固定种子，没有参考图约束，换个场景光照角色脸就变了。我实测下来，参考图权重给到0.6到0.75之间比较稳，太高会限制动作和构图，太低又锁不住脸。提示词模板里要把角色的固定特征写成一段可复用的描述块，比如发型、瞳色、服装款式、体型，每次生成只改场景和动作部分，固定块原样粘贴。这套方法听起来笨，但胜在稳定可复现，量产阶段最怕的就是不确定性。

1.4 量产流水线的整体架构

整套流水线我分成四个环节：剧本分镜拆解、角色定妆与参考图库建设、分镜批量生成、后期合成。第一个环节是纯文本工作，把剧本拆成一个个镜头描述，每个镜头标注角色、场景、动作、景别。第二个环节是给每个角色建参考图库，这是后面一致性的基础，值得多花时间。第三个环节是核心产能环节，用统一的工作流批量跑图，输出按镜头编号命名归档。第四个环节把静态图串成动态镜头，加转场、字幕、配音，合成成片。

这四个环节里，第二和第三环节是技术难点集中区，也是我下面重点展开的部分。整个架构的设计原则是“前期重、后期轻”：前期把角色库和工作流调稳，后期批量跑的时候基本就是挂机等结果，不需要每张图都手动干预。这个原则很重要，很多人反过来做，前期随便搞搞，后期每张图都修，产能根本上不去。

2. 核心细节解析与实操要点

2.1 环境准备：软件栈怎么搭才不打架

本地部署最烦的就是环境冲突，我见过太多人卡在装依赖这一步就放弃了。我的建议是彻底隔离，用独立的Python虚拟环境，所有依赖装在这个环境里，不污染系统环境。基础软件栈包括：Python 3.10版本（这个版本兼容性最好，太新太旧都容易出问题）、对应的显卡驱动、CUDA运行库、以及主流的本地推理前端。前端我建议选带节点式工作流的那种，因为漫剧需要批量处理和参数复用，节点式工作流可以把整套流程存成一个模板反复调用，比一张张手动调参数效率高太多。

安装顺序也有讲究：先装显卡驱动，再装CUDA运行库，然后建虚拟环境装Python依赖，最后装推理前端。顺序错了容易出现前端找不到显卡的情况。装完之后先跑一个最简出图测试，确认能正常出图再往下走，不要一上来就装一堆插件，出了问题根本不知道是哪个环节的锅。我自己的习惯是每装完一个大件就做一次冒烟测试，出图正常再装下一个，这样排查问题的时候范围很小。

2.2 模型选择：图像模型与辅助模型的搭配

图像生成模型我选的是SDXL架构的写实偏二次元混合风格模型，这类模型对漫剧这种介于写实和漫画之间的画风适配度最好。选模型的时候重点看两个指标：一是对参考图机制的支持程度，二是出图的稳定性。有些模型出单张图很惊艳，但连续出图风格漂移严重，这种就不适合量产。我实测过好几个模型，最后留下的那个不是出图最漂亮的，而是连续跑五十张风格最稳的。

辅助模型方面需要准备三个：一个是面部特征提取模型，用来从参考图里提取角色面部特征；一个是图像放大模型，用来在后期统一提升分辨率；还有一个是帧插值模型，用来把静态图之间的过渡做平滑。这三个辅助模型都不大，加起来占不了多少显存，但作用很关键。面部特征提取决定了参考图机制的效果上限，放大模型决定了成片清晰度，帧插值决定了动态镜头的流畅度。选辅助模型的原则是够用就好，不要追求最新最全，稳定运行比参数漂亮重要。

2.3 角色参考图库的建设标准

这一节是整篇内容里我最想强调的部分，因为参考图库的质量直接决定角色一致性，而这一步恰恰是大多数人敷衍过去的。给每个角色建库，我要求至少五张图：正面半身、正面全身、侧面半身、四分之三侧面、以及一张带表情的特写。这五张图要满足几个硬标准：光照均匀、背景干净、服装细节清晰、面部无遮挡。达不到标准的图宁可重出，也不要凑合放进去，因为参考图里的瑕疵会被模型学过去，在后面所有镜头里反复出现。

建库的流程是先用基础提示词生成一批候选图，人工挑出符合标准的，再用面部特征提取模型把特征固化下来，存成角色特征文件。这个文件就是后面批量生成时的“角色身份证”，每个镜头生成时都调用它。我踩过的一个坑是早期图省事，一个角色只存了两张参考图，结果侧面镜头和表情镜头一致性崩得一塌糊涂，返工重做了三十多张图。从那以后我定了个规矩：参考图库不达标不开工，这个时间省不得。

2.4 提示词模板的工程化写法

漫剧的提示词不能像随手出图那样写，得有工程化的结构。我的模板分三段：固定角色描述块、场景动作描述块、画质风格描述块。固定角色描述块就是前面说的角色身份证的文字版，把发型、瞳色、脸型、服装、体型这些不变的特征写死，每个镜头原样复用。场景动作描述块是每个镜头变化的部分，写清楚角色在什么环境、做什么动作、什么景别、什么机位。画质风格描述块统一全片的视觉调性，比如光影风格、色彩倾向、画面质感。

这个三段式结构的好处是可维护。改角色设定只动第一段，改剧情只动第二段，调整全片风格只动第三段，互不干扰。我建议把每个角色的固定描述块单独存成文本文件，生成时直接引用，避免手打出错。另外提示词里要避免互相矛盾的描述，比如同时写“柔和光线”和“强烈明暗对比”，模型会随机选一个，导致同角色不同镜头光影跳变。写完模板先小批量试跑十张，确认风格统一再放量。

2.5 批量生成的参数配置与显存控制

批量生成阶段的参数配置直接决定产能和稳定性。核心参数我列一下实测值：采样步数25到30步，再高收益递减但时间线性增长；采样器选稳定型的那种，不要选实验性的；分辨率1024×1024，宽高比按分镜需要选，但总像素不要超过这个基准太多；参考图权重0.6到0.75；随机种子按角色分组固定，同一角色同一场景的镜头用相近种子。这些参数不是绝对的，但作为起点很稳。

显存控制是8G机器的生命线。我的做法是批量任务排队跑，一次只跑一张，跑完释放显存再跑下一张，不要开并行。并行看起来快，但8G显存开两个任务直接爆。另外生成前关掉其他吃显存的程序，浏览器开一堆标签页都可能影响。如果跑的过程中出现显存不足报错，优先降分辨率而不是降步数，步数降太多画质崩得厉害，分辨率降一档画质损失相对可控。我一般留一个768×768的备用配置，遇到复杂场景显存吃紧时切过去。

3. 实操过程与核心环节实现

3.1 从零搭建环境的完整步骤

我把环境搭建拆成可照抄的步骤。第一步，确认显卡驱动版本，太老的驱动先更新，更新完重启。第二步，安装对应版本的CUDA运行库，版本号要和推理前端的要求对上，装完在命令行验证一下版本号能正常输出。第三步，创建Python虚拟环境，命令是python -m venv manju_env，然后激活环境。第四步，在激活的环境里安装推理前端的依赖，按官方文档的依赖清单来，不要自己乱加版本。第五步，下载主模型和辅助模型，放到前端指定的模型目录。第六步，启动前端，跑一张最简测试图。

这六步里最容易出问题的是第二步和第四步。CUDA版本对不上，前端启动时会报找不到显卡；依赖版本冲突，启动直接报错。我的经验是严格按前端官方文档的版本要求来，不要图新。测试图跑通之后，把整个环境做个快照备份，后面万一装插件搞坏了，直接回滚快照，不用从头再来。这个备份习惯救过我好几次。

3.2 角色定妆与参考图库落地

定妆环节我按角色逐个来。先写这个角色的固定描述块，然后生成二十张候选图，覆盖不同角度和表情。挑图的标准前面说过，这里补充一个实操技巧：挑图时把候选图排成网格看，单张看容易忽略细节，网格对比能快速发现哪张的服装细节最完整、哪张的面部最清晰。挑出五张达标的，用面部特征提取工具处理，生成角色特征文件，同时把五张原图归档到角色库目录。

这里有个细节要注意：特征提取时如果参考图之间光照差异太大，提取出来的特征会不稳定。所以挑图时尽量选光照条件接近的，实在不行先用图像处理工具把光照统一一下再提取。我一般会把五张图调成相近的色温和亮度再入库，这一步多花十分钟，后面省几十张返工。角色库目录的命名也要规范，用角色代号加视角的格式，批量生成时脚本按命名规则自动调用，不会调错。

3.3 分镜批量生成的工作流配置

工作流配置是量产的核心。我在节点式前端里搭了一条固定流水线：输入节点读取分镜描述文件，提示词组装节点把固定角色块和场景块拼起来，参考图加载节点按角色代号调对应特征文件，采样节点用固定参数出图，输出节点按镜头编号命名保存。整条流水线存成模板，每次批量生成只需要换分镜描述文件。

分镜描述文件我用表格管理，一行一个镜头，列包括镜头编号、角色代号、场景描述、动作描述、景别、备注。批量跑之前先检查表格，确认每个角色代号在角色库里都有对应文件，场景描述没有和角色固定块冲突的内容。跑的时候先跑五张样张人工检查，确认角色没变脸、风格统一，再放全量。全量跑的时候我一般晚上挂机，第二天早上收图，一晚上跑一百多张没问题。收图后按镜头编号排序快速过一遍，挑出明显崩坏的标记重跑，正常图直接进后期。

3.4 静态图到动态镜头的合成处理

后期合成环节把静态图变成有动态感的镜头。我的做法是每个镜头生成两到三个关键帧，用帧插值模型补中间帧，做出轻微的推拉摇移效果。漫剧不需要复杂运镜，轻微的镜头运动加上角色表情的微变化就够看了。关键帧之间的差异要控制好，差异太小动态感不足，差异太大插值会糊。我实测差异控制在画面主体位移百分之五到十之间比较合适。

合成流程是：关键帧按镜头分组，帧插值生成过渡帧序列，序列导入剪辑软件按时间轴排列，加转场、字幕、配音，导出成片。剪辑软件用本地的就行，不需要联网。配音我建议提前录好或者用本地语音合成工具生成，不要用在线服务，保持全离线。整条后期流程跑顺之后，一集三分钟的漫剧后期时间大概两到三小时，比前期生成快得多。

3.5 产能估算与批量排产

产能这块给个实测数据供参考。8G显存机器，单张1024分辨率出图平均四十秒到一分钟，一小时能出六十到九十张。一集三分钟漫剧按分镜密度算大概需要八十到一百二十张图，加上重跑损耗按一百五十张算，纯生成时间三到四小时。加上前期角色库建设和后期合成，一集的总工时大概一天到一天半。这个产能对个人创作者来说已经够用了，一周出三到四集完全可行。

排产上我建议角色库建设集中做，一次把全剧所有主要角色的库建完，后面所有集数共用。分镜生成按集批量跑，后期合成按集做。这样安排的好处是角色库只建一次，边际成本递减。如果边做边建库，每集都要重新调角色，效率低还容易不一致。我现在的做法是开新剧先把角色设定和参考图库一次性做完，这部分占前期工作量的大头，但做完之后后面就是流水线作业。

4. 常见问题与排查技巧实录

4.1 角色一致性崩坏的排查路径

角色变脸是最高频的问题，排查按这个顺序走：先看参考图权重是不是被意外调低了，再看随机种子是不是没按角色分组固定，然后看提示词固定块是不是被场景描述覆盖了，最后看参考图本身是不是质量不达标。这四步能解决九成以上的变脸问题。我遇到过一次怎么调都不对，最后发现是角色库文件命名错了，加载的是另一个角色的特征文件，这种低级错误在批量操作时反而容易犯。

还有一个隐蔽的原因是模型本身对某些特征不敏感，比如某些发色或瞳色在特定光照下会被模型忽略。遇到这种情况，在固定描述块里把该特征重复强调一次，或者在参考图里补一张该特征特别清晰的图。我有个角色是浅色头发，在夜景镜头里老是变成深色，后来在描述块里加了“浅色发丝在暗光下仍保持明亮”的约束，问题就解决了。

4.2 显存不足的应急处理

显存不足报错在8G机器上是家常便饭，应急处理按优先级来：第一优先降分辨率，从1024降到768，显存占用能降三成左右；第二优先关掉高清修复和放大插件；第三优先减少同时加载的辅助模型数量；最后才考虑降采样步数。降步数是下策，因为画质损失明显。我一般把768配置存成备用模板，遇到复杂场景一键切换。

预防比应急更重要。批量跑之前先跑一张测试图看显存占用峰值，接近上限就提前降配置。另外注意显存碎片问题，长时间连续跑图后显存会碎片化，表现为明明没跑大任务也报显存不足，这时候重启前端释放显存就好。我现在的习惯是每跑五十张重启一次前端，虽然麻烦点但能避免中途崩掉。

4.3 出图风格漂移的稳定化技巧

风格漂移表现为同一批图里有的偏写实有的偏卡通，光影和色彩不统一。稳定化的核心是锁死画质风格描述块，全片用同一段，一个字都不要改。另外采样器和步数也要锁死，换采样器风格变化很明显。如果锁死之后还有轻微漂移，检查是不是不同镜头的场景描述里带了互相冲突的风格词，比如一个镜头写了“赛博霓虹”另一个写了“自然日光”，这种冲突会传导到画质上。

还有一个技巧是固定一个基准图作为风格锚点，每批生成时把基准图作为风格参考喂进去，权重给低一点，0.2到0.3就行，能明显减少漂移。基准图选全片视觉调性最典型的那张。这个方法我实测有效，尤其是跨天分批生成的时候，能保证今天出的图和昨天出的图风格接得上。

4.4 常见问题速查表

4.5 我踩过的几个印象深刻的坑

第一个坑是早期没做环境快照，装了个插件把依赖搞崩了，从头重装花了大半天。从那以后每装完一个大件就快照一次，现在回滚只要几分钟。第二个坑是参考图库偷懒，一个配角只存了一张图，结果这个配角每次出场都长得不一样，观众一眼就看出来了，只能返工。第三个坑是批量跑的时候没检查分镜表格，有个镜头角色代号写错了，跑出来一个不存在的角色，混在成片里特别突兀，收图时才发现。

这些坑的共同点是都发生在“图省事”的环节。本地部署这套流程，前期每一步的严谨程度直接决定后期返工量。我现在的心态是前期多花一小时，后期少返工一天。另外建议养成收图后快速过一遍的习惯，崩坏的图当场标记重跑，不要攒到最后一起处理，攒着容易漏。

5. 硬件与外设的搭配建议

5.1 8G显存机器的其他配置要求

显存是瓶颈但不是唯一要求。内存我建议至少16G，批量跑图时前端和系统本身都要吃内存，8G内存跑起来会频繁读写硬盘，速度拖慢明显。硬盘建议用固态，模型文件动辄几个G，机械硬盘加载模型的时间能让人等到怀疑人生。CPU要求不高，主流的中端处理器就够，这个流程主要吃显卡。散热要注意，批量跑图显卡长时间高负载，散热不好的机器会降频，出图速度越来越慢，我一般把机器垫高或者加个散热底座。

电源管理里把性能模式打开，不要用节能模式，节能模式下显卡频率上不去，出图慢一倍。另外如果机器有集显和独显切换，确保前端用的是独显，有些机器默认用集显跑，报错报得莫名其妙。这些外围配置看起来琐碎，但每一项都可能成为产能瓶颈。

5.2 存储规划与文件管理

漫剧项目的文件量不小，一集一百多张图，加上中间帧和成片，单集素材好几个G。我的存储规划是分三层：模型层单独一个目录，所有模型文件集中放，方便前端统一加载；项目层按剧集分目录，每集下面再分角色库、分镜图、中间帧、成片四个子目录；归档层放已完成项目的备份。目录命名用固定规则，剧集代号加集数加环节，脚本处理时按规则匹配，不会乱。

文件管理上我建议每跑完一批就整理一次，崩坏的图移到废图目录，正常的图按镜头编号重命名归档。不要攒着不整理，攒到几百张混在一起，找图能找疯。另外模型文件不要随便移动位置，前端的工作流里存的是绝对路径，移动了要重新配置，容易出错。

5.3 长时间挂机跑图的稳定性保障

挂机跑图最怕中途崩掉，一晚上白跑。稳定性保障有几个措施：一是关闭系统自动更新和自动休眠，这两个是挂机杀手；二是前端设置里打开出错自动跳过，单张图出错不影响整个队列；三是分批跑，不要一个队列排几百张，排五十张一批，跑完检查一下再排下一批；四是机器周围留出散热空间，别把出风口堵了。

我还会在挂机前跑十张测试，确认显存占用稳定、没有报错趋势再排全量。另外准备一个简单的日志记录，每批跑完记一下成功多少张、失败多少张、失败原因，积累下来能看出规律。我有段时间失败率突然升高，查日志发现都是同一类场景，后来针对性调整了那类场景的参数就好了。

6. 从单集到系列化的扩展思路

6.1 角色库的复用与迭代

系列化之后角色库的价值会放大。第一季建好的角色库，第二季直接复用，新角色按同样标准补建。复用的时候注意模型版本不要随便换，换了模型角色特征会漂移，非要换的话先用老角色库在新模型上跑测试，确认一致性没崩再切换。角色库还要定期迭代，随着剧情发展角色可能有新服装新造型，这些新造型按同样标准补进库里，标注适用集数。

迭代的时候保留旧版本，不要直接覆盖。我吃过亏，新造型的参考图覆盖了旧造型，结果重跑老镜头的时候角色穿的是新衣服，穿帮了。现在我的做法是角色库按造型分版本，文件名带版本号，分镜表格里标注用哪个版本，这样新老镜头各用各的，不会串。

6.2 工作流模板的版本管理

工作流模板也要版本管理。每次调整参数或者加节点，存一个新版本，文件名带日期和变更说明。这样万一新版本出问题，能快速回退到上一个稳定版本。我一般保留最近五个版本，太老的删掉。模板变更后先小批量测试，确认稳定再用于正式生产，不要直接上全量。

模板的变更说明要写清楚改了什么、为什么改、测试结果如何。这个习惯在单集制作时感觉多余，但系列化之后价值就出来了，几个月后回头看能快速想起当时为什么那么调。我现在的模板目录里每个文件都有说明，找起来很方便。

6.3 产能爬坡的实际节奏

从单集到系列化，产能爬坡有个实际节奏。第一集最慢，因为要建角色库、调工作流、磨合流程，我第一集花了两天多。第二集开始提速，角色库复用，工作流稳定，一天半左右。到第五集之后基本稳定在一天一集，熟练的话大半天能出一集。这个爬坡曲线的前提是每集做完都复盘，把遇到的问题固化到流程里，下一集不再犯。

爬坡过程中最忌讳的是每集换方案。今天换个模型明天换个采样器，永远在重新磨合，产能上不去。我的建议是前五集用同一套方案跑通，把流程磨顺，之后再考虑优化。优化也要一次只改一个变量，改完测试稳定再改下一个，同时改多个变量出了问题根本不知道是哪个的锅。

7. 内容合规与素材管理

7.1 本地生成内容的版权注意事项

本地生成不等于没有版权问题。模型本身的授权协议要看清楚，有些模型允许商用有些只允许个人使用，用在商业项目上之前务必确认。生成的角色形象如果参考了现有作品的角色，即使是用AI生成的，也可能涉及侵权，这个边界要自己把握好。我的做法是角色设定完全原创，参考图库用自己生成的图，不拿现成作品的角色图做参考。

素材管理上，所有生成的原图、中间文件、成片都保留，不要删。一方面方便追溯，另一方面万一有版权争议，完整的生成记录能证明创作过程。我按项目归档，每个项目的所有素材打包存一个目录，标注生成日期和使用的模型版本。这个习惯平时感觉麻烦，真遇到问题的时候就是护身符。

7.2 音频与配音的本地化方案

全离线要求配音也不能用在线服务。本地语音合成工具现在效果已经不错了，选一个支持中文、音色可调的，提前把角色音色定好，每个角色固定一个音色参数。配音流程是剧本转配音文本，按角色分配音色，批量合成，然后和画面时间轴对齐。对齐这步需要手动微调，但工作量不大。

背景音乐和音效建议用无版权素材库，提前下载到本地，按情绪和场景分类归档。漫剧的音效不用太复杂，转场音、环境音、关键动作音效这几类备齐就够用。音频整体响度要统一，不同来源的素材响度差异大，混在一起忽大忽小，剪辑软件里统一做一下响度标准化。

8. 实操心得与最后几句实在话

这套方案我从零摸索到现在稳定出片，最大的体会是：本地AI漫剧的门槛不在技术，在耐心。技术步骤网上都能查到，但每一步的细节把控、每个参数的微调、每次翻车后的排查，这些才是真正拉开差距的地方。8G显存能跑通不代表跑得舒服，中间要忍受等待、要反复调参、要接受一定比例的废图，这些都是常态。

给准备入坑的朋友几个实在建议：第一，先把环境搭稳再谈产能，环境不稳后面全是白费功夫；第二，角色库建设不要省时间，这是整个流程的地基；第三，批量跑之前一定先跑样张检查，五张样张能省几十张返工；第四，养成快照和归档的习惯，出问题能快速回滚；第五，前五集用同一套方案跑通再优化，不要边跑边换方案。这套流程跑顺之后，一个人一台8G显存的机器，一周出三到四集漫剧是完全现实的，这个产能对个人创作者来说已经相当可观了。