企业官网建设流程全解析

这次我们不聊概念，直接看一个能落地的 AI 漫剧制作方案：LibTV 工作流。很多人刷到过 AI 漫剧，觉得炫，但真到自己动手，卡在剧本、分镜、配音、剪辑哪个环节都正常。LibTV 这套工作流把整条链路串起来了，从剧本生成到分镜拆解，再到画面生成、配音、剪辑，一套流程走完。这篇文章会把 LibTV 工作流的核心能力、安装方式、功能测试、接口调用、常见坑和版权边界一次讲清楚，适合想拿 AI 做漫剧、短视频、漫画解说但还没完整跑通流程的人。

先给结论：LibTV 值不值得折腾，取决于一件事——你想不想把“AI 生成漫画视频”这件事标准化。如果你只是偶尔玩一张图，没必要上工作流；但如果你要做系列内容、批量产出漫剧，LibTV 这类工作流就是刚需。它解决的问题不是“能不能生成”，而是“怎么稳定地生成一批符合剧本的画面”。接下来，我们从它能做什么开始。

1. LibTV 核心能力速览

从工作流设计思路来看，LibTV 采用的是“先文本，后画面，再声音，最后合成”的管线结构。用户只需要准备剧本文本或让 LLM 节点生成剧本，工作流会把剧本拆成分镜，再逐镜头生成画面，配合配音和字幕输出成片片段。

这套结构对内容创作者最大的价值是：把 AI 漫剧从“手工拼凑”变成了“流程化生产”。中间的画面一致性、分镜比例、配音对齐，这些过去需要人工反复调整的环节，都在工作流里固化了。

2. LibTV 工作流适用场景与使用边界

2.1 适合谁用

• 漫剧创作者：需要持续产出多集内容，靠单张生成图拼剪太慢，LibTV 的分镜批量能力能明显提效。
• 短视频运营：用 AI 漫画形式做历史故事、小说解说、情感类内容，LibTV 的剧本拆解能力可以减少编剧成本。
• 漫画作者：想测试分镜效果、做动态预览短片，不需要真的逐帧手绘。
• ComfyUI 玩家：已经有 ComfyUI 使用基础，想扩展一套完整的多模态工作流模板。

2.2 能解决什么问题

• 剧本到分镜的拆解：手动把一段故事拆成多格漫画再写画面描述，很费时间，工作流里由 LLM 节点完成。
• 角色一致性：同一角色在多个分镜中保持外观稳定，工作流会使用角色参考图或面部一致性节点。
• 配音与字幕同步：对白文本直接转语音，再生成字幕，时间轴对齐由流程处理。
• 批量生产：多集内容可以套同一套工作流，换剧本就能继续出片。

2.3 不适合什么场景

• 追求电影级画面质感：AI 漫剧的本质是漫画 + 动态效果，不是 CG 大制作，镜头调度和物理效果都有限。
• 复杂叙事：涉及大量人物关系、伏笔、闪回等复杂叙事时，纯 AI 生成的剧本容易逻辑断裂，需要人工改稿。
• 没有显卡又没有 API 额度：完全本地跑图像生成需要独立显卡；完全走云 API 又需要付费额度，纯 CPU 跑大模型出图效率很低。

2.4 版权、隐私与合规边界

这里必须单独强调，因为这是漫剧从业者最容易踩的雷：

• 剧本来源：如果剧本由 LLM 生成，不要直接使用与现有小说、漫画、影视作品高度雷同的角色名、剧情线和分镜结构。改编、续写、同人内容要确认原作品授权情况。
• 角色形象：生成包含真实人物肖像或已有 IP 角色形象的内容，必须获得授权。动漫、游戏、影视角色形象同样受著作权重。
• 配音音色：使用 TTS 时，如果音色接近公众人物或知名声优，需要有明确授权。商用前建议使用原创音色或已获授权的音色包。
• 素材使用：工作流中使用的参考图、背景图、BGM 素材，应来自可商用渠道或自建素材库。
• 平台发布规则：不同平台对 AI 生成内容的标注要求不同，发布时如实标注 AI 生成，避免侵权投诉和账号风险。

一句话：LibTV 是生产工具，不是版权保护伞。用工具之前，先把授权问题想清楚。

3. AI 漫剧工作流整体逻辑

在写安装步骤之前，先把 LibTV 工作流的信息流讲明白。理解这条链路，后面不管工作流版本怎么变，你都能快速适应。

剧本文本 ↓ LLM 剧本扩写 / 情节生成 ↓ 分镜脚本拆分（每个镜头：场景、角色、动作、对白、画面描述） ↓ 关键词生成（图片生成 prompt + 负面 prompt） ↓ 角色一致性处理（角色参考图 / 描述绑定） ↓ 逐镜头文生图 / 图生图 ↓ 画面后期（放大、修脸、统一风格） ↓ 配音 TTS（对白 → 音频） ↓ 字幕生成（对白 → srt/ass） ↓ 视频合成（图片 + 音频 + 字幕 + 转场 → 视频片段） ↓ 输出漫剧成片片段

这条链路里，最核心的三个环节是：分镜拆解质量、角色一致性的稳定性、配音与画面的时间轴对齐。LibTV 工作流把这三块固化成节点连接，用户要做的是调参数、换剧本，而不是每次重新搭建流程。

从热词反馈来看，很多人搜“libtv工作流怎么用”，核心困惑不是某个节点不会用，而是“工作流加载后报错”和“不知道从哪里开始输入”。这篇之后会分别给出答案。

4. LibTV 环境准备与 ComfyUI 前置条件

LibTV 作为 ComfyUI 工作流，运行环境先要满足 ComfyUI 本身的要求。下面是通用检查清单，具体版本以你下载的工作流说明为准。

4.1 硬件要求

如果你的显卡显存不够，可以走“API 节点”方案：工作流里部分生成节点使用云端 API 完成图像生成，本地只做流程编排和文件处理。

4.2 软件环境

- Python 3.10 或 3.11（ComfyUI 常见兼容版本） - Git（用于克隆 ComfyUI 和自定义节点仓库） - NVIDIA 驱动（装好 CUDA 对应版本） - PyTorch（配合 CUDA 版本安装） - ComfyUI 本体 - ComfyUI Manager（推荐安装，管理自定义节点）

国内网络环境下，克隆 GitHub 仓库和下载模型都可能比较慢，建议使用镜像或合适的网络工具，避免频繁中断。

4.3 推荐的 ComfyUI 安装方式

如果你还没有装 ComfyUI，最省事的方式是使用整合包。常见整合包会预装 Python、PyTorch 和基础模型，解压即用。这类整合包一般长这样：

ComfyUI_Windows_Portable/ ├── ComfyUI/ │ ├── main.py │ ├── custom_nodes/ # 自定义节点目录 │ ├── models/ # 模型目录 │ └── output/ # 输出目录 ├── python_embeded/ # 内置 Python 环境 └── start.bat # 一键启动脚本

如果不使用整合包，也可以手动安装：

# 以 Windows 为例，先装 Python 3.10/3.11 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt

安装完毕后在项目目录运行：

python main.py

默认访问地址为http://127.0.0.1:8188。看到 WebUI 界面就说明 ComfyUI 本体安装成功。

5. LibTV 工作流导入与节点安装

这是新手最常卡住的一步。下载 LibTV 工作流文件（通常是.json格式）后，打开 ComfyUI，把 JSON 文件拖进浏览器页面即可加载。但很多人在这一步会看到下面这串错误：

请安装缺失的包以使用此工作流。要安装缺失的节点，请先在你的 Python 环境中运行...

这个提示的本质是：工作流里引用了一些 ComfyUI 自定义节点，但你的环境里没有装这些节点。ComfyUI 不认“工作流文件里的代码”，它只认已安装的自定义节点。

5.1 使用 ComfyUI Manager 安装缺失节点

正确路径是：先装 ComfyUI Manager，再用它安装缺失节点。

1. 克隆 ComfyUI Manager 到自定义节点目录：

cd ComfyUI/custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git

2. 重启 ComfyUI，右侧边栏会出现 Manager 入口。
3. 点击 Manager -> Install Missing Custom Nodes。
4. 系统列出缺失节点清单，逐个安装。
5. 安装完成后完全重启 ComfyUI（关闭窗口再启动），不能只刷新页面。

5.2 手动安装缺失节点

如果 Manager 安装失败，再到custom_nodes目录手动克隆对应仓库：

cd ComfyUI/custom_nodes # 示例：安装某个缺失节点仓库（以实际缺失节点为准） git clone <节点仓库URL> cd <节点目录名> pip install -r requirements.txt

安装完检查这个节点的requirements.txt是否包含依赖，有些节点需要额外装onnxruntime、opencv-python、pydub等。

5.3 加载后的第一眼检查

工作流加载成功后，第一件事不是运行，而是确认：

• 红色缺失节点：说明环境里没有对应插件，继续安装。
• 黄色警告节点：说明参数没填完或模型路径不对。
• 模型节点里显示NOT FOUND：说明模型文件没有放到ComfyUI/models对应目录。

常见模型需要放置的位置：

models/ ├── checkpoints/ # 大模型（SDXL/Flux 等） ├── vae/ # VAE ├── loras/ # Lora 模型 ├── controlnet/ # ControlNet 模型 └── clip/ # 文本编码器相关

先补模型，再谈运行。这一步做不对，后面的流程全部白搭。

6. LibTV 漫剧全流程测试

环境装好后，接下来用一套测试数据跑完整流程。建议第一次运行不要直接上复杂剧本，用一个 4 到 8 个分镜的短测试脚本，确认整条链路通了，再加大规模。

6.1 剧本生成测试

测试目的

验证工作流里的剧本生成节点是否可用，以及生成文本是否符合漫剧风格。

操作步骤

1. 在“剧本生成”节点输入故事梗概或设定。
2. 设置剧情类型、集数、每集时长。
3. 点击运行。
4. 查看输出文本。

预期结果

输出一段包含多个镜头描述的分集剧本，包含场景说明、角色对白、动作描述。

判断标准

• 每个镜头有独立的场景和角色标识。
• 对白与画面描述分离，方便后续配音和出图。
• 同一角色在多个镜头中的名字一致，不出现“小明”变成“Brian”这种同人改名错误。

常见问题

• 剧本生成为空：检查 LLM 节点的 API Key 是否正确，或本地模型是否加载成功。
• 输出结构混乱：调低随机参数，或者在节点描述里要求“按镜头输出，格式固定”。

6.2 分镜拆解测试

测试目的

验证工作流能否把一段剧本文本拆成适合漫剧的单格分镜。

操作步骤

1. 把写好的剧本粘贴到“分镜拆解”节点。
2. 设置分镜数量或分格格式。
3. 运行后查看分镜表。

预期结果

每个镜头包含：场景 + 角色 + 动作 + 对白 + 画面提示词。

判断标准

• 分镜数量符合设定。
• 画面提示词可以直接用于出图节点，不需要手动大改。
• 对白文本独立成字段，方便后续配音节点读取。

常见问题

• 分镜之间剧情跳跃：说明剧本本身缺少过渡，回剧本节点修改。
• 画面提示词太短导致生成图偏简单：可以在提示词节点增加风格、光线、景别关键词。

6.3 画面生成与角色一致性测试

这是 LibTV 工作流最值得测的部分。

测试目的

验证同一角色在不同分镜中的外观一致性，以及多分镜批量出图的稳定性。

操作步骤

1. 为每个主要角色准备一张参考图，加载到角色参考节点。
2. 设置画面分辨率，漫剧常见比例是 9:16 或 3:4。
3. 批量提交分镜。4. 查看输出图片。

预期结果

• 每个分镜都有对应的漫画风格画面。
• 同一角色在多个分镜中五官、服装、发色保持一致。
• 批量任务按顺序生成，不串图。

判断标准

• 同一角色在不同分镜中可辨认。
• 背景风格统一，不出现前一张是写实风、后一张是卡通风的情况。
• 输出文件名和时间戳能对应到具体分镜编号。

常见问题

• 角色崩脸：启用面部修复节点，或把角色参考图权重调高。
• 画面风格漂移：固定同一组正向提示词关键词，风格 Lora 权重不要在不同分镜之间乱切。
• 批量生成中途报错：先降低批量数到 1 到 2 张测试，确认单张稳定后再加大批量。

6.4 配音 TTS 测试

测试目的

验证对白文本能否稳定转成语音，并对应到正确分镜。

操作步骤

1. 在配音节点选择音色。
2. 输入对白文本，或直接连接分镜节点的对白输出。
3. 设置语速、语调。
4. 生成音频。

预期结果

每个分镜输出一段对应对白的音频文件，格式通常是 mp3 或 wav。

判断标准

• 音频文件名与分镜编号能对应。
• 语音节奏正常，不吞字、不重复。
• 标点符号处有自然停顿。

常见问题

• 音频爆音：降低音量值，修正过长的句子。
• 角色音色混用：核对配音节点是否绑定了固定角色 ID。
• 多音字读错：在文本中加注音，或用同音替代词。

6.5 视频片段合成测试

测试目的

验证图片、音频、字幕能否合成为一段可播放的漫剧视频片段。

操作步骤

1. 确保所有分镜图片和音频都已生成。
2. 加载字幕节点，读取对白文本生成字幕文件。
3. 设置转场效果和单镜头时长。
4. 运行视频合成节点，输出 mp4。

预期结果

生成一段带有画面、配音、字幕的 mp4 文件，长度匹配分镜数量。

判断标准

• 画面切换与配音对白时间轴对齐。
• 字幕出现时间与语音同步。
• 输出分辨率与设置一致，播放流畅。

常见问题

• 音画不同步：检查音频长度和分镜时长设置，长对白时适当延长单镜头时长。
• 字幕乱码：确认字幕编码为 UTF-8。
• 合成失败提示 ffmpeg 错误：安装或更新 ffmpeg 依赖。

7. LibTV 接口 API 调用与批量任务

很多人的下一步需求是：不想总在 WebUI 上点击，想让 LibTV 工作流接到自己的业务流程里。ComfyUI 本身提供 HTTP API，LibTV 工作流加载后可以调用它。

7.1 ComfyUI API 基础流程

ComfyUI 的 API 调用分为三步：导入工作流、提交任务、轮询结果。

获取工作流 API 格式

在 ComfyUI WebUI 中，加载 LibTV 工作流后，点击“保存(API Format)”按钮，会导出一个 API 格式的 JSON。该 JSON 可以直接用于 POST 请求。

提交任务

# 假设 ComfyUI 已启动在 127.0.0.1:8188 curl -X POST http://127.0.0.1:8188/prompt \ -H "Content-Type: application/json" \ -d @prompt.json

返回结果示例：

{ "prompt_id": "xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx", "number": 1, "node_errors": {} }

prompt_id是任务的唯一标识。

查询任务状态

curl http://127.0.0.1:8188/history/{prompt_id}

任务完成后，可以在返回值中找到输出文件路径。

7.2 Python 调用示例

以下代码是通用模板，需要按 LibTV 工作流实际节点 ID 调整：

import json import requests COMfyUI_URL = "http://127.0.0.1:8188" # 1. 读取 API 格式工作流 with open("libtv_workflow_api.json", "r", encoding="utf-8") as f: workflow = json.load(f) # 2. 按需修改输入参数，例如把剧本节点内容改掉 # workflow["节点id"]["inputs"]["text"] = "新的剧本内容" # 3. 提交任务 resp = requests.post(f"{COMfyUI_URL}/prompt", json={"prompt": workflow}, timeout=30) data = resp.json() print("task id:", data.get("prompt_id")) # 4. 轮询任务结果 import time task_id = data.get("prompt_id", "") while True: history = requests.get(f"{COMfyUI_URL}/history/{task_id}", timeout=30).json() if task_id in history: status = history[task_id].get("status", {}) if status.get("completed"): print("task completed") break elif status.get("status_str") == "error": print("task failed") break time.sleep(5)

7.3 批量任务设计思路

漫剧批量生产的核心在于“同一套工作流，多个输入剧本”。常见做法是：

inputs/ ├── 第01集_剧本.txt ├── 第02集_剧本.txt ├── 第03集_剧本.txt └── outputs/ ├── 第01集/ ├── 第02集/ └── 第03集/

批量任务建议：

• 用脚本遍历输入目录，逐个替换 LLM 节点的剧本文本。
• 每个剧本生成本地一份prompt.json。
• 通过/prompt接口逐个提交。
• 任务完成后，下载输出文件到对应集目录。
• 增加失败重试机制，任务失败后自动重新提交最多三次。
• 加日志：记录每集提交时间、完成时间、失败原因。

批量任务的常见坑：

• 多个任务同时提交导致显存溢出 → 控制并发数。
• 输入文本里包含特殊字符导致 JSON 解析失败 → 统一用 UTF-8，转义引号。
• 输出文件重名 → 用分镜编号 + prompt_id 作为文件名。

8. LibTV 工作流资源占用与性能观察

运行 LibTV 工作流时，最需要盯紧的是显存和内存曲线。

8.1 显存占用怎么观察

Windows 下可以用任务管理器 -> 性能 -> GPU 查看，也可以安装nvidia-smi命令行工具：

watch -n 1 nvidia-smi

Linux 下这样看最直观，每秒更新一次显存使用情况。

重点观察两个时间点：

• 加载模型时：显存会瞬间飙高，属于正常现象。
• 批量出图时：显存占用会缓慢爬升到峰值，回到低位说明单批任务完成。

8.2 什么参数最消耗资源

8.3 降低显存占用的可操作方案

• 关闭不需要的前置预览节点。
• 分批出图，不做整集一次性跑完。
• 使用低内存加载模式，ComfyUI 可以在启动命令里加--lowvram或--novram：

python main.py --lowvram

• 使用模型量化或 fp8 版本降低模型体积。
• 高频功能尽量用 API 节点替代本地模型。

8.4 CPU 推理与 GPU 推理差异

图像生成类节点对 CPU 不友好。做 AI 漫剧，本地出图建议至少有一张 NVIDIA 显卡。如果你的机器没有独立显卡，又不想租云 GPU，那就必须走 API 节点方案——本地只跑流程调度和文件合成，出图由云端完成。

语音 TTS 节点相对较轻量，CPU 也能跑，但长文本段落仍然建议 GPU 加速。

视频合成主要是 ffmpeg 编码，CPU 可以胜任，但分辨率越高耗时越长。

9. LibTV 常见问题与排查方法

10. LibTV 版权风险与合规使用建议

再单独强调一次版权合规，原因是 AI 漫剧行业已经出现大量因忽视版权导致的账号下架和商业纠纷。

10.1 剧本层面

• 不要直接让 LLM “按某部小说改编”，更不要替换人物名后整集照搬。
• 如果漫剧剧情基于已发表的网文、漫画、影视剧，需要获得原著授权。
• 原创剧本建议保留创作过程记录，包括剧本草稿、修改记录，方便应对侵权投诉。

10.2 角色形象层面

• 生成真实人物形象（艺人、网红、公众人物）用于商业化内容，必须获得肖像授权。
• 已有动漫、游戏角色的二创形象同样受版权保护，不要默认“AI 画的所以没事”。
• 漫剧角色建议设计原创设定，而不是“完全还原某知名角色再随便改个名字”。

10.3 配音音色层面

• 不要用 TTS 模拟特定真人声优或艺人的声音。
• 使用音色时确认来源是否允许商用。
• 如果平台要求标注“AI 生成音频”，按平台规则标注。

10.4 素材与背景音乐

• 工作流中引用的 BGM、背景图、参考图，确认授权范围后再用。
• 不要直接把在线素材库中的付费素材塞进工作流输出。

10.5 商用建议

• 先做出几条测试内容，在目标平台模拟发布验证合规性。
• 保留所有素材来源记录。
• 大范围分发之前，建议先了解目标平台的 AI 内容标注政策。

11. LibTV 最佳实践

11.1 第一次运行，先跑通最小流程

不要在第一天就试图生成一整集。先用 1 个分镜测试剧本到画面的链路，再用 2 到 3 个分镜测试批量和配音，确认全链路没问题后，再跑完整集。

11.2 留存一套“最小可用工作流”

把 LibTV 工作流复制一份，删掉暂不需要的高显存节点（例如多路 ControlNet），保留核心的文本 -> 分镜 -> 出图 -> 配音 -> 合成链路。遇到生成质量问题时，回到最小工作流测试，快速定位是哪个节点出了问题。

11.3 目录管理方案

libtv_projects/ ├── workflows/ # 工作流 JSON 文件 ├── scripts/ # 各集剧本 ├── character_refs/ # 角色参考图 ├── outputs/ │ ├── images/ # 底图 │ ├── audio/ # 配音 │ ├── videos/ # 成片片段 │ └── logs/ # 批量任务日志

11.4 批量任务一定要加日志

在批量处理脚本中记录：

• 每个任务的提交时间、完成时间。
• 输入剧本文件名。
• 输出文件路径。
• 失败时的错误信息。

这样哪一集出现问题，可以直接看日志，不用重新跑完全部。

11.5 接口服务控制访问

如果打开了 ComfyUI API，建议只在可信网络内使用，端口不要暴露到公网。可以在启动时加参数：

python main.py --listen 127.0.0.1

只允许本机访问。如果确实需要远程调用，先做好鉴权措施，不要裸开端口。

11.6 效果复核

自动生成的内容不代表可以直接发布。每一批漫剧成片建议人工过一遍：

• 画面是否有文字乱码、字体错误。
• 对白是否与画面匹配。
• 字幕是否有错别字。
• 音色是否符合角色设定。
• 镜头切换是否自然。

12. 下一步可以怎么扩展

LibTV 工作流在跑通基础漫剧流程之后，扩展空间也不小：

• 接入更多角色风格 Lora，建立你自己的角色库。
• 换用不同的 TTS 节点，探索更自然的配音表现。
• 在分镜和出图之间加 ControlNet，精确控制相机角度和角色姿态。
• 把工作流改造成 API 服务，接入公众号、小程序或站内私信机器人。
• 结合视频编辑软件，把 LibTV 输出的片段导入剪映、PR 做最终精剪。

如果你已经安装了 ComfyUI，接下来最值得做的动作就两件事：先解决缺失节点安装问题，跑通一个最小工作流；然后把你自己的一个短剧本丢进去，看看分镜和画面生成是否符合预期。第一次跑通，你就能判断 LibTV 到底适不适合作为你的漫剧生产线。建议收藏备用；碰到节点缺失报错，直接翻第 5 节和第 9 节。