我用 WorkBuddy 调度本机 ComfyUI 出片：把 AI 短剧的视频生成做成"零成本批量流水线"（含耗时实测与踩坑）

第 3 篇 ｜ 标题：我用 WorkBuddy 调度本机 ComfyUI 出片：把 AI 短剧的视频生成做成"零成本批量流水线"（含耗时实测与踩坑）

我用 WorkBuddy 调度本机 ComfyUI 出片：把 AI 短剧的视频生成做成"零成本批量流水线"（含耗时实测与踩坑）① 点这里复制标题

② 鼠标在下面正文任意位置点一下 → 按 Ctrl+A → 按 Ctrl+C； ③ 去社区编辑器按 Ctrl+V； ④ 图片若没跟过去，从文件夹 shots_pack\第3篇_本地管线 里按顺序拖 4 张进来。

写在前面

做 AI 短剧，视频生成是唯一的大头成本。云端按次付费的模型，一条 8 秒镜头就是一次开销；而一次就过的镜头在我这儿几乎不存在——试跑、调机位、改表演方向、换种子重滚，一条镜头试三五版是常态。算下来，钱不是花在"成片"上，是花在"试错"上。

所以我做了一件事：把"试错"搬到本地。

现在的分工是这样：

• 本机跑视频模型（不联网、素材不出机器、无限次、零边际成本）负责所有试跑、验人物、验表演方向、批量重滚；
• 关键镜头、需要画质上限的，再用云端模型上最后一遍；
• WorkBuddy 当"导演+工头"：改提示词、组生成图、提交任务、盯落盘、抽帧质检、记台账，全链路脚本化。

这套管线跑通之后，我的单条试跑成本从"一次付费调用"变成了"3 分钟电费"。下面是完整做法。

一、输入材料

【配图：输入材料清单（剧本/素材/生成记录JSON）—— 发布时拖入】

提示词与素材目录

二、WorkBuddy 配置

• 自建技能（管线接管包）：把硬件事实、耗时实测表、参数规则、历史踩坑、脚本清单全部写进一份技能里，触发词设成"本机出片 / 本地跑视频 / 批量跑镜头 / 成本核算"。每次开工它自动带上这些事实，不会给我一个"乐观的耗时估计"。
• 量产 runner 脚本：由 WorkBuddy 生成并维护，参数从提示词文件里读，一条跑完确认落盘再提下一条（原因见踩坑第 2 条）。
• 项目记忆：记录"本地跑什么、云端跑什么"的分工表，避免我一时兴起的决策漂移。
• 自动化任务：每天固定时间提醒我关闭本地服务释放显存（不生成时挂着会越来越慢）。

【配图：WorkBuddy 配置页截图（自建技能/自动化任务）—— 发布时拖入】

批处理脚本结构

三、操作步骤

步骤 1：启动服务并探测就绪

本地视频服务用 HTTP 接口驱动，不需要打开任何图形界面。启动后台服务后先探测就绪（返回 200 才算就绪）。

这里有个容易把自己坑死的地方：首次启动要加载几十 GB 的模型，实测约 3~6 分钟才开始监听端口——探测循环太急就会误判"起不来"。另外如果探测返回 502，通常是系统代理拦截，不是服务挂了，探测请求要绕过代理。

步骤 2：组装生成图（API 格式）

不用打开网页 UI 拖节点，直接以 API 格式提交工作流图：

• 分辨率与帧数按公式换算（帧数与时长有硬上限，超了画面会崩）；
• 参考图分槽接入，提示词里用标签按序号点名，序号按类型各数各的；
• 音色样本单独走一个音频加载节点接进"参考音频槽"——这一步决定了角色开口的嗓子，详见踩坑第 4 条；
• 首帧 / 中段 / 尾帧控制图按需接进对应输入。

【配图：ComfyUI 工作流节点连线图 —— 发布时拖入】

ComfyUI工作流节点连线图

步骤 3：提交、监控、落盘

提交后监控队列，成片自动落到输出目录。监控有两条纪律（都是实翻车换来的）：

1. 盯文件系统，不要只盯任务状态接口——接口轮询实测会漏报（任务明明成功了，循环一直看不到，假超时 10 分钟）；
2. 文件出现 ≠ 写完了——我有一次在服务写一半时抢跑拷贝，拿到一个截断文件。修法是尺寸连续两次读取一致 + 最小体积门槛，双条件满足才许拷贝。

步骤 4：抽帧质检

用本地运行环境自带的视频/图像库抽帧（系统 Python 通常没这些库，别绕路装），固定输出：元信息 + 8 帧关键帧 + 音轨 + 电平体检（静音自动报警）。检查项：首帧有人 / 人数对不对 / 人脸与母版是否一致 / 尾帧构图（起身类镜头最容易头部出画）。

步骤 5：导出台账

一条命令重导三份台账，不需要重新跑片：

• 分镜表：分列"提示词计划值"与"实测人声"两列（两列不同是正常的，混成一列必被追问）；
• 提示词台账：每镜用的提示词与参数；
• 镜头长度表：每一镜"靠什么撑住"（环境大场面 6~10 秒靠运镜、对白近景 2~4 秒）。

四、产出物

1. 成片 MP4（自带音轨，直接可剪）；
2. 生成记录 JSON：每镜的种子值必须留档——想复现同一个画面就靠它；
3. 质检归档：抽帧图 + 电平体检 + 转写文本，逐镜留证；
4. 三份台账：分镜表 / 提示词台账 / 镜头长度表，交付与复查都用它。

【配图：耗时实测台账截图 —— 发布时拖入】

耗时实测台账

五、我在自己机器上实测到的耗时（写提示词前必看）

两条规律：步数 30 降到 20，省约三分之一时间；分辨率翻倍，时间约翻倍。

→ 所以我的硬规则是：任何新镜头上线前，先用最低规格试跑（2 分钟一条），确认人物和表演方向对了，再上高清或云端。不要一上来就烧 19 分钟一条。

六、踩坑记录（6 条，每条都让我多等过一小时）

1. 别想着用包管理器自己装深度学习框架。我试了国内外四五个镜像源全部失败（有的显示"可用"但实际找不到包）。正解：直接用官方便携版运行环境（自带 CUDA），一步绕过。
2. 批量连跑会在第 3~4 条崩（动态显存峰值，进程静默消失、没有任何报错栈，典型的显存溢出）。解法：启动时禁缓存换显存余量；正式跑长批次一次只提交一条，确认成片落盘再提下一条。
3. 台词绝不能嵌进画面时间轴。我有一条 3 句台词的镜头，连烧四版——字幕以综艺样式打在人物胸前，逐字对得上口播。换种子无效、换措辞无效、把所有"字幕/文字/水印"的否定词全删掉也无效。最后定位到：诱发源是"某秒说某话"写在画面动作里这个结构本身。 改法是把时间轴拆成双轨——画面轴只写动作，台词全挪进音频段但保留秒位。改完一次过。
4. 提示词写了音色标签 ≠ 真的锁了音色。这个坑最贵：提示词里明明写着音色引用，但生成图里根本没有接入音频输入——那句话当时只是文字描述，指向一个不存在的输入，模型就退回用自己的默认音色，而默认音色每次生成都会变。判据只有一个：去生成的图里查有没有那个音频输入接线。
5. 挂参考音会让整条画面重滚，不是"只改口型"。我做了同种子对照实验：挂音频的版本与底片差异 60%，不挂音频的只有 18%。所以这条路线的正确预期是"重拍"，不是"贴嘴"——想清楚再挂，别以为能只微调。
6. 3D 预演的相机路径要留净空。我用 3D 软件渲控制帧时，绕着主体做 90° 弧线运镜，半径设成和墙距一样，转到 90° 时相机直接嵌进墙体（墙面距镜头 0.1 米），整批控制帧报废。诊断手法：把那面墙设为不渲染再渲一遍，两图对照即定位。

七、这套管线的真实价值

把试错搬到本地之后，我最有体感的变化不是"省钱"，而是决策变快了：

• 以前想"这个机位换一下会不会更好"要算钱，现在直接跑；
• 以前一条镜头试到第三版就心疼，现在可以老老实实试到对；
• 因为能无限试，"先用最低规格验方向，再上高清"才真正落得下来。

成本不是被压下去的，是被挪到了正确的位置——把便宜的算力花在试错上，把贵的算力只花在定稿上。

写在最后

本地跑 + 云端上最后一遍，这个组合我认为是个人创作者当下最务实的一条路。真正让这条管线能跑起来的关键，不是显卡，是把每一镜的参数、种子、质检结果都记下来——没有台账，就没有复现，也没有进步。

有问题欢迎评论区交流。