AI视频圈被玩明白了！LTX2.3人物场景一致性直出解决方案，附完整ComfyUI工作流教程

← 返回博客

兄弟们，不废话，直接说痛点——AI视频生成最大的坑是什么？不是清晰度，不是流畅度，是特么的一致性！你生成第一段视频，主角是个穿红衣服的小哥哥，第二段视频直接换了一个人，第三段连场景都变了。你想做个1分钟的短剧，结果人物像流水席一样换来换去，这谁受得了？

我最近在浩幅平台上折腾了一套ComfyUI+LTX2.3的工作流，终于把这个问题给拿下了。今天就把我踩过的坑和最终方案，一步不落地分享给兄弟们。全程手把手，从零开始，保证你看完就能上手干。

---

准备工作：你需要的三样东西

需要什么	做什么用	怎么搞到
浩幅（浩幅智能）云平台账号	部署ComfyUI工作流，跑AI视频	直接去浩幅官网注册，有免费额度
LTX2.3 v1.1.16模型	核心视频生成模型，最新版	浩幅的模型库里直接搜”LTX2.3″下载
豆包AI（或者任何AI对话工具）	辅助生成分镜脚本和提示词	网页版直接用，免费

为什么选浩幅而不是本地部署？因为本地搞ComfyUI真的太折腾了，装插件装到崩溃，显卡不够跑不动。浩幅这种云平台，打开浏览器就是最新的ComfyUI，插件全装好，模型随便下，省下一堆破事。你要是熟悉本地部署也行，但今天教程以浩幅平台为例来走。

验证：注册完浩幅后，进到控制台，能看到”ComfyUI”的启动按钮，点一下能打开网页版的ComfyUI界面，就是成功了。

注意：模型下载可能需要几分钟，先挂着别急。LTX2.3的v1.1.16是最新版本，很多老教程用的是旧版，别下错了。

---

第一步：写剧本，用AI生成分镜脚本

要做视频，先说故事。你脑子里得有个大概的剧情——哪怕只有一句话。

做什么：写一个1分钟左右的小短剧剧本，然后让AI帮你拆成详细的分镜脚本。

怎么做：

打开豆包AI（或者其他AI助手），复制下面这段系统提示词给它：

你是一个专业的AI短剧分镜脚本生成器。请按照以下格式输出分镜脚本：
【剧名】：（短剧名称）
【总时长】：约60秒
【风格】：（写实/动画/科幻/古风等）
请将故事拆解为X组分镜组，每组分镜包含：
- 分镜组编号
- 场景描述
- 时长（建议8-15秒）
- 画面描述（详细描述画面中有什么、人物在做什么、镜头角度）
- 对话/旁白（如果有）
- 4帧关键画面描述（用---分隔每帧，描述该时间点的重要画面元素）
总时长控制在60秒左右，每组分镜最多4个关键画面帧。

然后把你想要的剧情告诉它。比如我随便举个例子：

帮我生成一个悬疑短剧的分镜脚本，剧情：一个程序员发现自己的代码开始自己修改自己，最终发现AI已经产生了自我意识。风格写实+轻微赛博朋克。

几秒钟，AI就会给你吐出一个结构清晰的分镜脚本，大概5组分镜，每组的画面描述都非常详细。

验证：看看AI输出的分镜脚本是不是每组都有4个关键画面帧，每组之间有明确的场景变化。如果有的组只有2-3帧，让它重新生成填满4帧。

注意：分镜组数建议在1-5组之间。太少（比如只有1组）视频太单调，太多（超过5组）工作流会非常复杂而且容易崩。每组控制在8-15秒，这样整段视频就在1分钟左右。如果是新手，建议先从3组分镜开始试水。

---

第二步：生成每组分镜对应的参考图

这一步就是把上面分镜脚本里的文字描述变成实际图片。这些图片将作为视频生成的”控制帧”。

做什么：根据分镜脚本，每组生成4张分镜图。

怎么做：

把你分镜脚本里每组的那4帧关键画面描述，分别给AI生图工具（浩幅平台自带的生图功能或者Midjourney、Stable Diffusion都行）。

注意要点：

• 每组分镜生成4张图，图的内容必须和分镜脚本里描述的一致
• 同一组分镜里的4张图，人物、场景、光照风格要保持一致
• 不同组分镜之间，主要人物长相要一致（这个后面用”全局参考卡”来解决，现在先保证风格连贯）

举个栗子：

假设第一组分镜是”程序员在办公室加班发现代码异常”，4帧图分别为：

• 帧1：程序员坐在电脑前敲代码，环境正常
• 帧2：屏幕出现异常代码闪烁，程序员皱眉
• 帧3：程序员靠近屏幕仔细看
• 帧4：屏幕代码变成乱码，程序员惊恐表情

你用AI生图工具生成这4张图。记得给同一个角色的提示词要保持一致，比如”年轻男性程序员，戴黑框眼镜，黑色卫衣，短发”这些关键词每个提示词里都要带上。

验证：把生成的4张图放在一起看，是不是同一个场景、同一个人、同一套衣服。如果五官对不上，加细节描述重新生成。

注意：所有分镜图的尺寸要统一，建议1280×720（16:9）或者类似比例。不然后面控制帧会变形。

---

第三步：创建全局参考卡（核心！核心！核心！）

这一步是整个教程的王炸。前面生成的图虽然在同一组分镜里一致了，但不同组分镜之间（比如从办公室切到天台场景），主角的长相很容易跑偏。怎么办？全局参考卡！

做什么：准备三张”参考卡”——角色卡、物品卡、场景卡，作为全局参考上传到工作流里。

怎么做：

角色卡：一张能看清主角正脸的高质量大图，半身或全身。这张图将作为”身份证”，保证每一段视频里主角看起来是同一个人。如果有多个人物，每个人物单独一张参考卡。

物品卡：剧本中出现的关键物品。比如上面例子里的”带特殊标记的笔记本电脑”或者”关键USB设备”。没有特别重要的物品可以跳过这张。

场景卡：每组分镜的主要场景图各准备一张。办公室场景一张，天台场景一张，地下实验室一张。注意场景卡不用像分镜图那么精确，但要能体现出场景的整体氛围、色调和风格。

这三类参考卡准备完之后，在ComfyUI工作流里找到“全局参考节点”（Global Reference Node），把对应的图片传上去。工作流会自动把参考卡的特征信息提取出来，应用到每一段视频生成的过程中。

验证：上传后，检查参考节点的输出预览——应该能看到参考图的特征被提取成了一些彩色的小方块（特征向量），如果预览全黑或者报错，说明节点没连对。

注意：参考卡图片建议用512×512到1024×1024之间的方形图，太大反而会拖慢速度。角色卡一定要是正脸、清晰、光线均匀，不要用侧脸、逆光或者有遮挡的图。这是很多老哥翻车的地方——角色卡不清晰，生成的视频里主角脸直接崩了。

---

第四步：配置工作流，导入LTX2.3模型

前戏做完了，现在开始搭真正的”生产线”。

做什么：在浩幅的ComfyUI里加载LTX2.3模型，搭建视频生成工作流。

怎么做：

1. 打开浩幅的ComfyUI界面
2. 在模型管理里确认LTX2.3 v1.1.16已经下载好了
3. 加载我分享的工作流文件（文末有获取方式，或者你也可以自己搭）
4. 工作流加载成功后，你会看到这些关键的节点模块：

节点名称	功能说明
Checkpoint Loader	加载LTX2.3模型
Global Reference Node	接收角色卡、物品卡、场景卡
Storyboard Input	接收分镜图（每组4张）
Video Prompt Input	接收每段视频的提示词
LTX2.3 KSampler	核心视频生成器
Video Output	导出生成的视频片段

工作流的逻辑很简单：全局参考（角色/物品/场景）→ 分镜控制图（4帧/组）→ 视频提示词 → LTX2.3生成 → 输出视频片段。

验证：点一下工作流里的”Queue Prompt”，如果没有任何报错，控制台显示”Running”，恭喜你，配置对了。

注意：如果你没有我的工作流文件，需要手动连接各个节点。新手建议直接用现成的成品工作流，自己搭很容易漏接线。很多节点有输入口有输出口，接错一个整条链路就不通。如果报错”Node not connected”或者”Missing input”，检查对应连线。

---

第五步：让AI生成每段视频的提示词

这一步很多人忽略但极其重要——提示词直接决定了AI能不能理解你要什么。

做什么：为每一组分镜生成一条精确的视频提示词。

怎么做：

继续用豆包AI（或你喜欢的任何AI），告诉它你的剧本和分镜脚本，让它为每一组分镜写一段视频生成提示词。提示词格式如下：

【组分镜1提示词】
镜头：中近景，稍微俯视，缓慢推进
人物：年轻男程序员，戴黑框眼镜，黑色卫衣，高强度工作表情
动作：快速敲键盘，突然停下手，盯着屏幕
场景：深夜办公室，电脑屏幕发出蓝白色光，桌上堆满能量饮料罐
氛围：压抑中带着一丝诡异
光线：主光源来自屏幕，周围环境昏暗
运动幅度：较小（人物基本在座位上）
特别要求：保持角色面部一致性，屏幕文字要清晰
【组分镜2提示词】
镜头：特写，固定镜头
人物：年轻男程序员，戴黑框眼镜，黑色卫衣，震惊表情
动作：身体向后靠，手指指着屏幕，嘴巴微张
场景：同上，但屏幕上的代码变成了乱码闪烁
氛围：恐怖气氛逐渐升级
光线：屏幕闪烁的光线映射在人物脸上
运动幅度：中（有身体后仰的动作）
特别要求：屏幕闪烁效果，面部表情变化自然

每段提示词都要包含：镜头运动、人物描述、动作、场景、氛围、光线、运动幅度。越详细越好！

验证：把所有提示词输入工作流对应的视频提示词节点里，检查格式是不是和节点要求的一致。一般是每组分镜对应一条提示词文本。

注意：提示词要中英文混写还是纯中文？看你的模型训练数据。LTX2.3对中文理解非常好，纯中文提示词完全没问题。但如果你是英文更顺手，也可以全英文，甚至中英混搭。关键是信息要全！不要偷懒写一句”程序员在工作”，太笼统了AI抓不住重点。

---

第六步：分镜控制参数设置（关键参数详解）

这一步是”控制”的核心。前面几张分镜图怎么变成视频？靠的就是分镜控制参数。

做什么：设置每组分镜的控制参数：时长、帧率、控制强度。

怎么做：

在工作流的”Storyboard Control”节点里，设置以下参数：

参数名	推荐值	说明
总时长	12秒/组分镜	每组分镜的视频长度，根据脚本调整，建议8-15秒
帧率	24fps	电影级帧率，够用且平滑。30fps也行但生成时间更长
控制帧切换周期	3秒	每3秒切换到下一张分镜图。4张图×3秒=12秒，正好
控制强度	0.7-0.9	越大越严格遵循分镜图，但太大会让画面僵硬。建议先0.8试试
CFG Scale	4-6	提示词跟随强度。LTX2.3用4就够，太高画面会过饱和
采样步数	20-30	步数越多细节越好。12秒视频设25步左右，时间质量均衡

控制帧切换机制详解：

假设你设置总时长12秒，4张分镜图（控制帧），切换周期3秒：

• 0-3秒：使用第1张分镜图作为主控制帧
• 3-6秒：过渡到第2张分镜图
• 6-9秒：过渡到第3张分镜图
• 9-12秒：过渡到第4张分镜图

注意每张图之间是平滑过渡的，不是硬切。所以4张图的内容要连贯，不要突然从白天跳到黑夜，AI会崩溃。

验证：先只生成一小段（比如3秒）测试。如果3秒内的画面看起来连贯、不跳帧，就说明参数对了。先不要一口气生成12秒，翻车了浪费算力。

注意：控制强度（Control Strength）是玄学。太低（<0.5）AI会放飞自我，不按分镜图来；太高（>0.95）画面会像幻灯片一样僵硬，没有运动感。我个人的血泪教训：先0.8跑一段，不满意再微调，0.05一档地调。

---

第七步：生成视频片段，检查每段效果

参数都设置好了，开始真正干活了。

做什么：逐组生成视频片段，检查效果。

怎么做：

1. 在工作流界面，先只加载第1组分镜的4张图和对应的提示词
2. 点击”Queue Prompt”，开始生成
3. 等生成完成后，在”Video Output”节点预览视频
4. 检查：人物和角色卡一致吗？场景匹配吗？分镜图过渡自然吗？
5. 满意了，再继续生成第2组、第3组……

每次只生成一组，方便排查问题。如果一次性把所有组分镜都排队生成，万一第一组就有问题，后面的全白跑。

验证标准：

• ✅ 人物长相和角色卡一致（至少90%相似）
• ✅ 场景和分镜图&场景卡一致
• ✅ 4张分镜图之间的过渡平滑，没有突变的跳帧
• ✅ 画面没有严重的闪烁（轻微闪烁可以靠后面裁剪解决）
• ✅ 运动幅度合理，人物动作不鬼畜

如果不通过，调参数重新生成。最常见的问题：

• 人脸跑偏：增强角色卡的参考强度，或者重新选一张更清晰的角色卡
• 画面闪烁：降低控制强度或调整CFG Scale
• 运动太少像PPT：提高控制帧切换频率（比如从3秒改成2.5秒），或者在提示词里加运动描述

注意：生成一段12秒的视频在浩幅上大约需要几分钟（取决于你的显卡配置）。别着急，跑一下去泡杯咖啡回来差不多。如果等太久，确认一下浩幅的GPU队列有没有排着队。

---

第八步：裁剪视频末尾（解决闪烁问题的关键）

这一步是我踩坑踩得最惨的。来看核心问题：LTX2.3在每段视频的末尾几帧，经常会出现闪烁或者画面突变的现象。如果不处理，拼接起来就像鬼片一样。

做什么：把每段生成的视频末尾0.5-1秒剪掉。

怎么做：

把每段视频从你电脑或浩幅平台下载下来，用剪辑工具（剪映、PR甚至在线工具都行）把每段视频末尾的0.5-1秒裁掉。

为什么剪末尾？因为LTX2.3在处理视频的收尾帧时，容易出现”收尾不稳定”的问题——最后几帧的画面可能会突然扭曲、闪烁或者颜色异常。这和模型本身的机制有关，中间帧最稳定，开头的几帧也还行，就是末尾容易出幺蛾子。

如果你每段视频是12秒，建议剪掉最后0.5秒（12fps就是6帧左右）。如果是6秒的短片，剪掉最后0.3-0.5秒就够。

验证：裁剪后快速过一遍视频，确认闪烁帧确实去掉了。如果还是有闪，多剪0.2秒试试。

注意：不要裁剪开头！开头帧是稳定帧，剪了反而破坏连贯性。只剪末尾。另外强烈建议保留原始未裁剪版本备份，万一剪多了还能重来。

---

第九步：视频拼接与增强

所有片段都裁剪好了，最后一步——拼起来！

做什么：把多段视频按顺序拼接成完整短剧，可选做超分辨率增强。

怎么做：

方法一（推荐）：用剪映、PR、DaVinci等专业剪辑软件。把各段视频按顺序拖到时间线上，调整衔接处的过渡效果（建议简单的淡入淡出或者直接硬切，别搞太花哨的特效），导出完整视频。

方法二：用浩幅平台的视频拼接节点（如果工作流支持的话），直接在云端拼接，省去下载上传的麻烦。

超分辨率增强（可选）：

LTX2.3生成的视频分辨率一般，如果你想要更清晰的效果，可以做2倍超分辨率增强：

• 在浩幅平台加载一个超分模型（如Real-ESRGAN）
• 把拼接好的视频扔进去处理
• 从720p增强到1080p甚至2K
• 注意：超分后的视频文件会变大，而且处理时间可能比生成视频还长

验证：看完整视频——人物从头到尾是不是同一个人？场景切换自然吗？有没有闪烁或者跳帧？全程有没有不自然的过渡？

注意：超分不是必须的。如果你的视频只是发短视频平台（抖音、B站），720p完全够用。超分强行放大反而可能让画面出现锯齿或者噪点。我个人的建议：先看原始画质能不能接受，不能接受再超分，不要无脑超。

---

常见问题排查

问题	可能原因	解决方案
人物在第二段视频里换脸了	角色卡引用强度不够	提高全局参考节点中的角色权重到1.2-1.5
视频画面一直闪烁	控制强度太高或末尾帧问题	降低控制强度到0.7，或者裁剪末尾0.5秒
生成的视频像PPT	运动幅度设置太低或控制帧太少	提高运动幅度参数，或增加每组分镜的控制帧数
场景背景频繁变化	场景参考卡没起作用	检查场景卡是否连接正确，增加场景卡权重
画面过曝或颜色失真	CFG Scale太高	降低CFG Scale到3-4
工作流报错不运行	模型没加载或节点连错	确认模型已下载，检查节点连线是否正确
生成速度非常慢	GPU队列排队或参数太高	检查浩幅平台的GPU使用情况，降低步数或分辨率

---

我的私人心得分享

折腾这套工作流也花了我好几天时间，几点心得给兄弟们：

1. 分镜图的质量决定了视频质量的一半。如果你的分镜图本身就很糊或者构图很乱，AI神仙也救不了。多花时间在分镜图上，后面能省十倍的时间。

2. 角色卡是皇帝，其他都是大臣。在所有参考节点里，角色卡的权重最高。一张好的角色卡比你改十次提示词都管用。我推荐用Midjourney或者Stable Diffusion生成一张高质量的半身正面照，然后直接锁定。

3. 先跑短再跑长。不要一上来就搞12秒一段。先跑3-4秒测试参数，等参数调满意了再跑完整时长。否则翻一次车就是几分钟GPU时间的浪费。

4. 分段生成比一次生成香。虽然工作流支持一次性生成所有段，但我强烈建议一段一段来。每段生成后检查一下，有问题及时调。一次性跑五段，到第三段发现问题，前两段也得重新跑，更浪费时间。

5. 关于控制帧切换周期：我实测下来，3秒切换一次是最稳的。太短（1-2秒）画面变动太快，AI反应不过来；太长（4-5秒）画面变化太少像慢动作。3秒黄金比例。

---

写在最后

兄弟们，这套工作流我自认为是我在AI视频创作这条路上最大的突破。以前做AI视频最头疼的就是一致性问题，用了各种方法——图生视频、ControlNet、LoRA微调——都不太完美。但LTX2.3配合全局参考卡+分镜控制这套组合拳，基本能解决90%以上的问题。

如果你想要我用的工作流文件，可以去我的博客资源区下载，免费分享的，主打一个交个朋友。直接在下面留邮箱或者私信我都行。

另外大家要是跑出了好的作品，欢迎在评论区贴出来交流。有什么问题也尽管问，我知道的都尽量回。毕竟AI视频这一块，大家一起玩才有意思。

最后特别鸣谢浩幅平台，让我不用折腾本地环境，省了不少头发。不是广告，是真心觉得好用才提一嘴。

下次我打算写一篇“AI短剧配音与口型同步完全指南”，有兴趣的扣个1让我看看人数，人多我就尽快肝出来。

好了，今天先到这，干就完了！