镜像使用指南

教学视频：

本镜像已内置 WebUI。启动实例后，点击 WebUI 即可进入操作页面。

推荐配置

进入 WebUI 后，左侧建议先这样设置：

分辨率：720P Block Swap：开启 卸载到内存的 DIT blocks：48

这里最重要的是 Block Swap。

Block Swap 开到 48 后，可以把 DIT blocks 卸载到内存中，大幅降低显存占用。实测 48GB 显卡也可以运行 720P。

如果想更快，可以使用更高显存的 GPU；如果想更稳，也可以先用 480P 测试。

常用模式

WebUI 内置 6 种官方示例，新手主要看两个：

单人图生长视频 上传 1 张人物图 + 1 段音频，适合单人数字人口播。

双人图生长视频 上传 1 张双人图 + 2 段音频，适合双人对话。

段落数怎么算

视频长度由 段落数 决定，不是由音频自动决定。

第 1 段约 3.72 秒。 之后每增加 1 段，约增加 3.2 秒。

公式：

总时长 = 3.72 +（段落数 - 1）× 3.2

常用参考：

1 段 ≈ 3.72 秒 2 段 ≈ 6.92 秒 3 段 ≈ 10.12 秒 4 段 ≈ 13.32 秒 5 段 ≈ 16.52 秒 10 段 ≈ 32.52 秒

比如 12 秒音频，建议选择 4 段，生成后多出来的部分后期裁掉。

单人提示词怎么写

单人提示词不用复杂，按这个顺序写：

人物是谁 + 场景在哪 + 镜头怎么拍 + 表情动作 + 画面稳定清晰

示例：

A medium shot of one person speaking clearly in a clean indoor studio. Natural facial expression, subtle head movement, accurate lip synchronization, stable camera, clean lighting, consistent identity, high quality video.

如果上传了参考图，提示词不要大幅修改人物长相。

参考图负责人物，提示词主要负责场景、镜头和画面质量。

双人模式怎么用

双人模式建议统一按这个规则：

左边人物 = person1 = 人物一音频 右边人物 = person2 = 人物二音频

提示词建议这样写：

Person1 is on the left. Person2 is on the right. They are having a natural conversation.

如果是先后说话：人物一先说，人物二后说。

如果是穿插说话：准备两条等长音频轨，不说话的位置保留静音。这样模型更容易判断哪一段音频应该驱动哪个人物。

任务队列

点击提交后，任务会进入队列。系统会按顺序运行任务，不会同时并行渲染多个任务。

如果生成结果不满意，可以在任务台终止当前任务，让下一个任务继续执行。

本镜像支持快速启动。

启动实例后，可直接进入 ComfyUI 使用，无需手动配置环境。

1. 点击 ComfyUI 启动进入

2. 点击左侧文件夹，选择要运行的工作流

欢迎加入 AI-KSK 镜像使用交流群