最近我干了一件在旁人看来挺折腾的事：拿一句随手写的剧情，在本地AI工具链里“种”出一条完整的AI短剧——从一句话扩成完整剧本，再拆成分镜脚本和角色设定，然后本地生成画面、配音、字幕，最后合成一条有头有尾的片子。全程没充会员、没调用付费API，所有核心环节都跑在本机。

那句话是：深夜便利店，一个加班女孩遇到一只会说话的流浪猫，猫告诉她，自己其实是这家店的前任店主。

成品谈不上精美，但能看、能听、叙事逻辑完整。更关键的是，跑完这一趟，我对“本地部署大模型到底能干多少活、本地零元链路到底值不值得搭”有了很具体的判断。这篇文章就把整个实测过程摊开讲：环境怎么搭、提示词怎么写、出图参数怎么调、哪一步最容易翻车，以及最后那条片子值不值得你照抄。

1. 为什么坚持在本地零元跑完整条链路

我知道很多人第一个反应是：网上现成工具一大把，为什么非要在本地折腾？

在经历这次完整实验之后，我的答案可以浓缩成三句话：账算不过来、素材不想交出去、调优根本停不下来。

先算账。目前主流的AI短剧在线生成工具，要么按秒计费，一条30秒的片子动辄几十块钱；要么靠积分和会员制，免费额度只够生成几秒的试水片段。如果我只是想验证一个脑洞，或者做一个内部创意样片，这个价格就很不划算。本地方案软件全部开源免费，显存和电费另算——后面我会具体算这笔账，结论是跑完一条30秒短片，电费大约不到两块钱。

然后是隐私。剧本、角色形象、画风风格，这些在创意行业往往是还没公开的资产。把这些素材传到在线平台，等于提前把底牌亮出去。本地跑图、本地部署大模型虽然慢，但数据不出本机，这一点对独立创作者和工作室来说，比速度更重要。

最后是可折腾性。在线工具通常是个黑盒，提示词进去、视频出来，中间参数你动不了。而本地链路里，从大模型温度、采样器步数，到ControlNet权重、TTS语速，每个环节都能拆开单独调。这个“拆开调”的能力，恰恰是AI短剧从“能出片”走向“稳定出片”的关键。

下面这张表可以比较直观地看出在线方案和本地方案的区别：

维度	在线AI短剧工具	本地零元链路
费用	按秒/积分/会员收费	软件0元，电费每条约1-2元
数据隐私	素材上传云端	全部留在本机
角色一致性	依赖平台模型，一般较弱	可用参考图+IPAdapter强制锁定
参数可控性	低，基本是黑盒	高，每个环节可单独调整
生成速度	快，几分钟出片	慢，一条按小时算
上手门槛	低，网页操作	高，需要装环境、写命令
内容审核策略	平台有审核	本地无平台审核，但需自行遵守相关法律法规

如果你只是偶尔玩一下，在线工具确实省事；但如果你打算认真做AI短剧，哪怕只是先把分镜和角色定下来，本地这套链路也值得花一个下午搭起来。尤其是当你需要反复试同一个镜头的不同风格时，在线工具的积分会以肉眼可见的速度消失，本地则几乎没有这个顾虑。

2. 免费机房怎么搭：Ollama、ComfyUI和它们的邻居们

这一节先解决“用什么跑”的问题。本地AI短剧不是一个软件的事，而是一条工具链：大模型负责写剧本、拆分镜，ComfyUI负责出图和生成视频片段，TTS负责配音，最后用FFmpeg把所有素材拼起来。

2.1 硬件底子：显存就是最值钱的耗材

先交代我的测试机配置：RTX 4060 8GB显卡、32GB内存、500GB SSD。这是一套非常典型的入门级AI本地部署配置，8GB显存属于“能玩但必须精打细算”的水平。

显存决定了你能跑什么规模的模型，这个关系很直接：

显存	大语言模型	图像/视频模型
6GB	7B量化模型勉强可跑	SD1.5出图，AnimateDiff低分辨率
8GB	7B/8B量化模型流畅	SD1.5出图，AnimateDiff 512x768
12GB	14B量化模型	SDXL出图，SVD视频
16GB+	14B/32B量化模型	SDXL+AnimateDiff/SVD更从容

如果你只有8GB显存，很多视频生成模型要刻意压低分辨率，但这个过程完全可接受，我这次实测就是全程在8GB显存下完成的。

内存同样重要。大语言模型加载时会占用大量内存，32GB内存属于舒适区，16GB会比较紧张。硬盘建议留至少100GB空闲空间，因为各类模型文件加起来很容易超过50GB。

2.2 Ollama部署大模型：两条命令的事

大语言模型我用Ollama来管理。Ollama是目前本地部署大模型最省心的工具之一，安装、拉取模型、启动服务都非常直接。

# 安装Ollama（Linux/macOS，Windows去官网下载安装包）
curl -fsSL https://ollama.com/install.sh | sh

# 拉取Qwen2.5 7B量化版
ollama pull qwen2.5:7b-instruct-q4_K_M

# 启动模型服务
ollama serve

这里我选的是Qwen2.5 7B的q4_K_M量化版，而不是更大的模型。原因很简单：8GB显存跑14B参数量模型太勉强，推理速度会慢到影响调试节奏；q4_K_M这个量化级别在显存占用和生成质量之间是比较平衡的取舍。

拉取完成后，可以用一条curl命令验证服务是否正常：

curl http://localhost:11434/api/generate \
  -d '{"model":"qwen2.5:7b","prompt":"你好","stream":false}'

返回一段JSON就说明通了。后续写Python脚本时，直接用requests库调用这个API就行，非常简单。

2.3 ComfyUI部署：搭积木式的图像工作流

画面生成我用的是ComfyUI。选择它而不是WebUI，原因是ComfyUI的节点式工作流对“批量处理分镜”这件事友好得多——你可以把文生图、图像放大、图生视频这几个环节串成一个工作流，然后逐镜头换提示词批量跑，效率远超手动一张张调。

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt
python main.py --lowvram

第一次启动ComfyUI会自动创建模型目录，浏览器打开 http://127.0.0.1:8188 就能看到界面。

启动参数里的 --lowvram 是8GB显存必选项。它通过分块加载模型的方式，把显存占用压到最低，代价是速度略慢。如果显卡只有6GB显存，这个参数甚至会决定你能否运行。

ComfyUI本身只是个框架，真正干活的是节点。推荐用ComfyUI-Manager安装以下关键节点：

• AnimateDiff-Evolved：图生视频，我做人物对白镜头的核心
• SVD（Stable Video Diffusion）：镜头运动生成
• IPAdapter：角色一致性保持
• ControlNet辅助节点：姿势和结构控制

2.4 音频与字幕工具：两个小而美的本地方案

配音我用ChatTTS。这是一款本地运行的文本转语音模型，支持中文，安装方便，多角色音色可以通过随机种子控制。后面会专门讲怎么用它生成对白音轨。

字幕转写用Faster-Whisper，这是OpenAI Whisper的高效本地实现，在CPU上也能跑，转写一段30秒音频只要几十秒。脚本合成和最后的视频剪辑，全部交给FFmpeg。

至此，整套“免费机房”就齐了：Ollama负责写剧本和拆分镜，ComfyUI负责画面，ChatTTS负责声音，FFmpeg负责拼装。这些工具全部开源免费，加起来硬盘占用约40GB。

3. 一句话喂进去，分镜吐出来：大模型扩写的调教全过程

环境搭好之后，真正考验人的环节开始了——如何让大模型把一句话扩写成能直接拿去出图、出视频的完整分镜脚本。

3.1 第一版提示词翻车实录

我第一版提示词写得很随意：“把这句话扩展成剧本：深夜便利店，一个加班女孩遇到一只会说话的流浪猫，猫告诉她，自己其实是这家店的前任店主。”

Qwen2.5的输出是一堆干巴巴的对话，只有四五个场景，没有镜头描述、没有画面细节、没有时长分配。比如它写“女孩走进便利店，看到猫”——这句放在小说里没问题，但放到视频制作里完全没法用。什么是景别？什么机位？灯光是暖是冷？猫的位置在哪？一概没有。

这就是大模型扩写最常见的失败模式：它把“剧本”理解成了“小说提纲”，而不是“分镜脚本”。小说写的是故事，分镜写的是画面。两者的最大区别在于，分镜的每一个镜头都要能对应到一张图或一段视频。

3.2 结构化提示词模板：把导演思维写进去

第二版提示词我做了大量约束，核心是把输出格式钉死。下面是我实际用下来的模板：

你是一名短视频导演，负责把下面这个一句话故事扩写成完整的AI短剧分镜脚本。

一句话故事：深夜便利店，一个加班女孩遇到一只会说话的流浪猫，猫告诉她，自己其实是这家店的前任店主。

要求：
1. 短剧总时长30秒左右，共8-12个镜头。
2. 每个镜头必须包含：镜头编号、景别（远景/全景/中景/近景/特写）、画面内容描述、镜头运动方式、对白或内心独白、估算时长。
3. 画面内容描述要具体到人物动作、环境细节、光线氛围，方便文生图模型直接理解。
4. 对白要口语化，贴合角色，不要书面腔。
5. 输出严格使用Markdown表格，不要额外解释。
6. 风格参考：冷色调、赛博朋克风的现代都市便利店。

这个模板的设计逻辑是：

• 输出表格结构 ：Markdown表格天然适合分镜，每个镜头一行，后续转成出图提示词很方便。
• 景别和镜头运动的强制要求 ：这是分镜脚本和普通故事的核心区别，缺了这两个信息，文生图环节会完全靠猜。
• 画面描述具体化 ：我在要求里明确写了“人物动作、环境细节、光线氛围”，因为大模型默认会偷懒，你不逼它，它就给泛泛的“女孩走进便利店”。
• 风格参考前置 ：画面风格是文生图的灵魂，必须在提示词阶段就确定，而不是到出图时才临时想。

3.3 实测输出与我的二次加工

加了模板之后，Qwen2.5的输出质量有了质的飞跃。它给出了10个镜头，我摘录三个实际效果比较好的：

镜头	景别	画面内容描述	镜头运动	对白	时长
1	远景	深夜城市街道，雨刚停，路面反着便利店蓝白色招牌的光，女孩独自走在湿漉漉的人行道上	缓慢推近	（无对白）环境音	3s
3	中景	女孩推开玻璃门，门铃响，货架灯光一排排亮起，角落里一只橘猫抬起头看她	跟拍推进	女孩：怎么这么晚还有猫？	4s
7	近景	猫坐在收银台上，玻璃窗外的街灯光线打在它脸上，眼神专注	轻微上摇	猫：这家店以前是我开的。	4s

这个结构就非常可用了。每个镜头都有明确的画面描述、景别和时长，我拿到之后直接改写成文生图提示词，效率非常高。

不过我仍然做了两处人工修改：

第一，镜头数量从10个删成了9个。第6个镜头是“女孩抓了一包零食转身，不小心碰到货架”，画面信息太复杂，文生图很难一次出好，我把它弱化成一个简单空镜。

第二，把所有“猫说话”的镜头都尽量改成近景或特写。原因后面会讲到，AnimateDiff控制不了口型，猫说话的镜头如果给中景全身，看起来会很假；改成特写后，猫只是动动耳朵和头，反而有声画的联想空间。

3.4 人物描述卡：角色一致性的第一道保险

分镜脚本之外，我还让大模型生成了一张“角色描述卡”。这张卡的本质，是剔除了具体镜头情节后，只保留角色的关键视觉特征。

根据分镜脚本，提取两个核心角色和一只关键动物的视觉描述卡，要求：
1. 每个角色写明：性别、年龄范围、发型、发色、服装款式、服装颜色、体型特征、主要配饰。
2. 描述要能被文生图模型直接理解，不要用抽象形容词。
3. 所有角色使用同一个画风设定：写实风格，光影偏冷色调，数码绘画感。

我拿到的角色卡大概是这样的：

• 女主角：28岁左右亚洲女性，黑色中长发扎低马尾，深蓝色针织衫外套，卡其色阔腿裤，背一个黑色帆布包，眼神疲惫。
• 橘猫：偏胖的橘色短毛猫，脖子上系一条褪色的红色细绳，瞳孔在灯光下呈金色。

这张角色卡在后文生图和图生视频阶段非常重要。它不仅是文生图提示词的基础，也是后续IPAdapter参考图的标准来源——先按角色卡生成一张标准形象图，之后所有镜头都以这张图为参考，能很大程度上避免“同一角色不同人”的尴尬。

3.5 Qwen和DeepSeek本地版选哪个

测试过程中，我也顺手跑了DeepSeek-R1-Distill-Qwen-7B这个模型，对比了一下：

维度	Qwen2.5 7B	DeepSeek-R1-Distill-Qwen 7B
中文理解	自然，日常表达流畅	流畅，但有时过于书面
分镜格式稳定性	高，基本能按表格输出	偶尔会输出思维链式的解释段落
扩展逻辑	直接，给什么扩什么	会多推几步，偶尔主动补充剧情
推理速度	快	稍慢（思考过程占时间）
综合体验	更适合干这活	更适合做推理和分析

结论很直接：如果显存紧张，只装一个Qwen2.5就够了。写分镜、扩写剧本、生成角色卡都是它的舒适区。DeepSeek-R1喜欢在输出里带“推理过程”，这个特性拿来分析问题很爽，拿来批量生成分镜反而要花时间清洗输出。

4. 从文字到画面：ComfyUI出图与图生视频的实测参数

剧本落地，画面就是这个项目里最耗时间、也最有挑战的环节。一条30秒的片子，我拆成了9个镜头，每个镜头都需要：文生图生成首帧图，再图生视频把静态图“动”起来。

4.1 模型选择：8GB显存的最佳妥协

文生图我选的是SD1.5架构的写实模型，而不是SDXL。原因很实际：

• SD1.5的生态最成熟，底模、LoRA、ControlNet模型种类丰富，遇到问题容易找到解决方案。
• 显存占用低，8GB显存可以在512x768分辨率下舒服地跑。
• 和AnimateDiff的兼容性最好，而AnimateDiff是我生成人物对白镜头的核心工具。

如果你显存有12GB以上，可以尝试SDXL搭配SVD的链路，画面细节和光影质量会明显更好。但8GB显存老老实实用SD1.5系，是一条经过大量用户验证的稳妥路线。

4.2 文生图工作流：从零搭一个分镜出图管线

ComfyUI的文生图工作流核心是这几块：加载模型、输入提示词、设置采样参数、输出图像。我搭好的工作流大致对应以下参数：

参数	我的设置	说明
采样器	DPM++ 2M Karras	细节保留好，线条干净
步数	25	质量高且速度可接受
CFG	7	过高容易色彩过浓，过低构图容易散
分辨率	512x768	竖屏9:16，适配短视频平台
负面提示词	lowres, bad anatomy, bad hands, extra fingers, blurry, jpeg artifacts, watermark	手部质量和整体清晰度是常见短板，必须写

正面提示词的写法，我是把角色描述卡和分镜画面描述拼接起来，再加画风词。以一个镜头为例：

正面提示词：
1girl, young chinese woman, 28 years old, black medium hair in low ponytail,
dark blue knit cardigan, beige wide-leg pants, black canvas bag,
standing in convenience store at night, cold color tone, blue neon light,
rain wet road outside window, cyberpunk atmosphere, realistic style, masterpiece, best quality

负面提示词：
lowres, bad anatomy, bad hands, extra fingers, blurry, jpeg artifacts, watermark, worst quality

这里值得单独讲一下“画风词”。SD模型对“风格”非常敏感，你写realistic和写anime得到的是两个完全不同的世界。我这次想要的是偏写实、冷色调的氛围，所以正面提示词里固定了 realistic style 和具体的色彩描述 cold color tone, blue neon light ，保证9个镜头风格统一。

同样重要的是，这9个镜头的正面提示词里，角色描述部分必须完全一致，不能今天写black hair明天写brown hair。人眼对发色、服装颜色极其敏感，任何细小的变化都会让人觉得“哪里不对”。

4.3 角色一致性：IPAdapter参考图的土办法

光靠提示词保证角色一致，在短视频多镜头场景下是不够的，因为SD1.5对相同描述的渲染本身就有随机性。我的解决办法是引入IPAdapter，用角色卡生成一张标准形象图，然后让每个镜头都以这张图为参考。

具体操作分三步：

第一步，先用角色描述卡生成一张“标准形象图”，选择最符合角色设定的一张。

第二步，在ComfyUI里搭IPAdapter节点，加载IPAdapter模型，把标准形象图作为reference image输入。

第三步，文生图时，参考图权重建议设在0.6-0.8之间。权重太高会让每个镜头的构图和角度都趋同，权重太低又起不到锁角色的作用。我在实拍中觉得0.7是比较舒服的值。

这套办法的效果，在我后来生成的所有镜头里，女主角的服装、发色、脸型基本保持了稳定。侧脸或者背对镜头时还是会崩，但只要画面以正面和3/4侧面为主，这个方案完全够用。

4.4 AnimateDiff：让静态图动起来

首帧图生成后，下一步是让它“动”。这一步我用AnimateDiff，它对显存友好，而且是专门为“让图动起来”设计的，适合人物小幅动作和对白镜头。

AnimateDiff的工作流比文生图多一点东西：需要加载AnimateDiff的专用模型，把采样器包在AnimateDiff的采样循环里，同时要设定帧数和帧率。

我的参数参考：

参数	设置	说明
帧数	16帧	约等于2秒，够用且速度可控
帧率	8 fps	短视频常见设置，降低生成负担
分辨率	512x768	保持和首帧一致
运动幅度	3（Motion Scale中等）	太小没动感，太大会崩
采样步数	20	比静态图少5步，速度优先

我实际生成的效果，猫说话的镜头是头部和耳朵的轻微抖动，女孩推门的镜头是手臂前伸和身体前倾，这些小幅动作AnimateDiff都能很好完成。但涉及“走路的全身动作”就非常勉强，画面会出现脚部拖影、肢体扭曲。所以我处理分镜时，特意把大量动作戏压缩为静态空镜加轻微镜头移动，这是低成本AI短剧的通用妥协。

4.5 SVD的补充用法：空镜和转场

AnimateDiff的弱点是镜头本身不太会“动”。如果要推近、横移这类镜头运动，我用SVD（Stable Video Diffusion）来生成。

SVD的使用更简单：输入一张图，输出一段几秒钟的视频，倾向于给画面本身添加镜头运动或物体运动。它对显存的要求比AnimateDiff更高，8GB显存下我只能跑512x768、14帧，再高就会爆显存。

我的经验是：空镜和室内环境镜头用SVD制造缓慢推近的效果，人物对白镜头用AnimateDiff保持人体结构稳定。两者搭配，视频段落的节奏感会好很多。

5. 声音和字幕不能缺：配音、转写与FFmpeg合成

画面素材齐了之后，还有三件事：让角色说话、生成字幕、把素材拼成一条完整的片子。这一步我用到的工具是ChatTTS、Faster-Whisper和FFmpeg，三者都是我本机运行的最后一环。

5.1 ChatTTS本地配音：一条命令跑出对白

ChatTTS是目前开源里中文语音自然度比较靠前的本地TTS方案，安装与使用都是Python接口。我把分镜脚本里的对白整理成一个Python脚本，逐个生成音频文件。

import ChatTTS
import torch
import soundfile as sf

chat = ChatTTS.Chat()
chat.load(compile=False)

# 角色1：女主角，固定一个seed保证音色一致
texts = ["怎么这么晚还有猫？"]

# random seed 用于控制说话音色，同一个角色用同一个seed
torch.manual_seed(222)
params = ChatTTS.Chat.InferCodeParams(
    spk_emb=chat.sample_random_speaker()
)
wavs = chat.infer(texts, use_decoder=True, params=params)

sf.write("dialog_1.wav", wavs[0][0], 24000)

这里有两个容易被忽略的细节。第一，同一个角色必须固定同一个seed，否则每次生成的音色都不一样，听感上就变成不同人说话。第二，ChatTTS默认采样率是24000Hz，后续给FFmpeg混流时要统一设置，不然会出现音画不同步或播放器不兼容的问题。

我用不同seed给女孩和橘猫分配了两套音色，女孩偏沉静，猫偏轻快带一点沙哑感。实测下来，自然度完全能接受，至少比早期那种机械音强非常多。

5.2 字幕生成：转写路径比文本路径更靠谱

字幕生成我推荐用“先配音再转写”的路径，而不是直接把文本写成字幕文件。原因在于，TTS生成的音频时长和文本长度并不严格线性，哪怕你手动掐表，也很难保证每句字幕的出现时间点精准。

用Faster-Whisper转写的好处是，它输出的时间戳直接来自音频，字幕和声音天然对齐。

faster-whisper dialog_full.wav --model base --output_format srt --language zh

转写完成后，会得到一个标准的srt字幕文件。我检查了一遍，中文字幕的准确率大约95%左右，个别同音字需要手动改一下。这个准确率对于发布完全够用了。

5.3 FFmpeg合成：把分镜拼成片子

所有素材就位后，进入了最机械但最关键的合成环节。我的顺序是：图片序列合成视频片段，拼接所有视频片段，混入配音和背景音乐，最后烧录字幕。

AnimateDiff和SVD输出的一般是图片序列，第一步先把它们合成为视频：

ffmpeg -framerate 8 -i frame_%04d.png -c:v libx264 -pix_fmt yuv420p clip_01.mp4

然后把所有分镜视频按顺序拼接。分镜之间的转场我用简单的交叉淡化，避免硬切带来的廉价感：

ffmpeg -i clip_01.mp4 -i clip_02.mp4 -filter_complex \
"[0][1]xfade=transition=fade:duration=0.3:offset=3.5[v]" \
-map "[v]" -c:v libx264 merged.mp4

最后混入配音和背景音乐：

ffmpeg -i merged.mp4 -i dialog_full.wav -i bgm.mp3 -filter_complex \
"[1:a]adelay=2000|2000[dialog];[2:a]volume=0.3[bgm];[dialog][bgm]amix=inputs=2[a]" \
-map 0:v -map "[a]" -c:v copy -c:a aac final_with_audio.mp4

这里有两个参数值得说明。 adelay=2000|2000 的作用是让配音整体延迟2秒，给片头留出环境音展示时间，否则第一句对白会显得很突兀。 volume=0.3 是背景音乐音量，TTS人声和音乐混在一起时，音乐压到0.3左右才能保证人声清晰。

最后烧录字幕：

ffmpeg -i final_with_audio.mp4 -vf "subtitles=output.srt:force_style='FontSize=16,Alignment=2,MarginV=30'" \
-c:a copy final_subbed.mp4

到这一步，一条“一句话剧本”的AI短剧就完整产出了。从分镜、画面、配音到字幕，全部来自本地工具链。

6. 实测账单与翻车现场：本地短剧的真实上限

实验做完了，片子也出来了，但真正有价值的其实是那些具体的数据和翻车细节。这一章我全部用实测结果说话。

6.1 全流程耗时统计

环节	我的耗时	备注
环境搭建	约3小时	主要是下载模型和首次启动调试
剧本扩展与分镜生成	约40分钟	反复迭代了3版提示词
文生图（9个镜头）	约1.5小时	每张图约5-8分钟
图生视频（9段）	约2小时	AnimateDiff每段约10分钟，SVD稍慢
配音与字幕	约40分钟	ChatTTS生成快，Whisper转写需核对
FFmpeg合成	约30分钟	主要是反复试转场和音轨对齐
总计	约8小时	不含学习和查资料的额外时间

这8个小时里，真正等机器跑的时间占了七成。如果你要批量做，可以考虑晚上睡前挂着生成，第二天起来收素材。

6.2 电费这笔小账

零元不等于不花钱，电费还是要算的。我测试机整机功耗在跑图时大约250W，8小时约2度电，按居民电价0.55元/度计算，一条片子的电费成本大约1.1元。这个数字放在“软件全免费”的背景下，说是零成本也不夸张。

6.3 翻车现场：八个最容易踩的坑

以下是我这次实测里真实遇到、且大概率你也会遇到的问题。

第一，猫说话的口型完全控制不了。 AnimateDiff根本没能力生成精细的口型变化，我最后把猫说话的镜头全部改成特写，通过耳朵抖动和头部微动来制造“它在说话”的感觉。这个妥协在网络上很多AI短剧里都能看到，属于默认解法。

第二，侧脸必崩。 IPAdapter锁正脸效果很好，但一旦镜头要求角色侧脸，五官就会开始走样。我处理时把绝大多数镜头控制在正面和3/4侧面，减少模型出错的机会。

第三，AnimateDiff的小动作本质是“抖动”。 你期待的是走路，它给你的是滑步。所以分镜阶段就要有意识地限制动作幅度，把精力放在氛围和光影上。

第四，一句话剧本撑不满30秒。 原故事只有“女孩遇到猫，猫说自己是前任店主”这一个钩子，没有足够的情节密度撑起一条短片。最后我只能加了一个空镜转场和一个环境音段落，才勉强把时长拉到30秒。如果你想让成品更有故事性，一句话之外最好再准备一个冲突或反转点。

第五，IPAdapter权重不是越高越好。 我第一次直接把权重拉到0.9，结果所有镜头构图全部趋同，人物永远位于画面正中央，剪辑时视觉上非常单调。降回0.7后，灵活性明显改善。

第六，文生图提示词里的负面词一定要写全。 手部畸形、多余手指、低分辨率这三个问题，如果不写负面提示词，每张图里出现的概率非常高。这一步省不得。

第七，背景音乐的来源问题。 我使用的BGM是本地已有的无版权音乐素材，如果你手头没有，也可以让大模型生成歌词再用TTS唱，但效果不稳定。版权问题上务必小心，尤其涉及发布场景时。

第八，字幕时间轴别手动调。 用Faster-Whisper转写得到的字幕时间戳，虽然个别字错但要改的只是文字，时间轴本身是准的。千万不要从文本直接生成字幕再手动对齐，那是灾难。

6.4 哪些内容适合本地低配这条路

实测下来，我对本地零元链路的能力边界有了清晰判断：

内容类型	本地低配适合度	原因
对话场景、室内小动作	高	AnimateDiff能稳定输出小幅运动
氛围空镜、转场镜头	高	SVD推近效果自然
走路、跑步、肢体大动作	低	容易出现拖影和肢体扭曲
口型特写、唱歌	低	口型完全控制不了
追逐打斗、多角色交互	低	时序复杂，需要更强控制和更长视频

所以，如果你的创作方向是“高概念、强氛围、少动作”的慢节奏短片，这套方案非常合适；但如果你想做动作戏或复杂调度，8GB显存这套配置会非常吃力。

6.5 最后的判断

这次实验让我重新理解了“本地部署AI”的价值。它不是替代在线工具的“更好方案”，而是一条和在线工具平行、侧重点完全不同的路线。在线工具胜在速度和稳定，本地链路胜在可控、免费和隐私。两者各有各的用武之地，不存在谁取代谁。

我个人更推荐的做法是：日常创意验证和私密内容用本地链路，追求最高质量和交付速度时再考虑在线工具。尤其是AI短剧这种需要反复试错、大量迭代的事情，本地零元的方式能让你在找到正确方向之前，不用心疼一分钱。

最后分享一个小技巧，也是我踩过不少坑之后总结出来的：搭好ComfyUI之后，先用官方示例工作流完整跑通一次，再做任何自定义改动。很多看似解决不了的问题，其实只是环境没装干净。先把基础链路跑通，再去折腾高级玩法，效率会高很多。