基础结论

本地 Stable Diffusion WebUI 需要保持后端服务运行，Codex 通过 WebUI API 调用生成图片和视频。浏览器页面可以关闭，但启动 WebUI 的程序窗口不能关闭；否则 http://127.0.0.1:7860/sdapi/v1/ API 无法继续响应。

当前机器配置为 64GB 内存、约 24GB 显存，适合正常高显存工作流，不建议使用 lowvram 或 medvram。启动参数建议保留：

1
--api --opt-sdp-attention

其中 --api 是 Codex 调用 WebUI 的关键参数。

当前可用模型与插件

人像写实生成可优先使用：

1
majicMIX realistic 麦橘写实_v7.safetensors

AnimateDiff 运动模型推荐：

1
v3_sd15_mm.ckpt

备用稳定模型：

1
mm_sd_v15_v2.ckpt

SDXL 专用模型：

1
mm_sdxl_v10_beta.ckpt

注意：SD1.5 模型如 majicMIX realistic 应优先搭配 SD1.5 运动模型，不要混用 SDXL 运动模型。

文生图推荐流程

人像生成先把“脸、构图、光线、画面质量”定下来，再考虑动起来。示例负面提示词：

1
(worst quality:2),(low quality:2),(normal quality:2),lowres,watermark

majicMIX realistic v7 的基础写实人像参数可从下面开始：

1
2
3
4
5
6
7
8
9
10
11
Sampler: Euler a
Steps: 30
CFG Scale: 7
Size: 512x768
Hires.fix: 开
Hires upscaler: ESRGAN_4x
Hires scale: 2
Hires steps: 16
Hires denoising strength: 0.35
Clip skip: 2
Restore faces: 关

WebUI 中文界面里，denoising_strength 对应 重绘幅度。

在文生图页面里，重绘幅度通常藏在：

1
文生图 -> 高分辨率修复 (Hires. fix) -> 重绘幅度

在图生图页面里，重绘幅度通常在主参数区直接显示。

文生视频还是图生视频

如果目标是人像成片质量，推荐：

1
文生图 -> 图生视频 -> 插帧 -> 必要时再放大

原因是人像视频最怕脸漂、衣服漂、背景漂。先文生图可以先确定人物身份和构图，再用图生视频让画面动起来，最终更像“这张图活了”。

直接文生视频适合快速找动作灵感，但人物一致性更难控制。

图生视频基础参数

以“女孩转头看向镜头笑，5 秒”为例，推荐从保守参数开始：

1
2
3
4
5
6
7
Motion model: v3_sd15_mm.ckpt
Number of frames: 16 或 24
FPS: 8 或 12
Denoising strength: 0.24 - 0.36
Closed loop: N
Frame Interpolation: FILM
Interp X: 3

如果想直接生成更完整的 5 秒动作：

1
2
3
Number of frames: 40
FPS: 8
Denoising strength: 0.28 - 0.36

如果显存和速度允许，也可以提高到：

1
2
3
4
Number of frames: 40
FPS: 24
Frame Interpolation: FILM
Interp X: 3

但实际操作里，更稳的方案通常是先生成低帧率视频，再插帧到 24fps。

Denoising Strength 怎么选

Denoising strength 越低，越保留原图；越高，动作和变化越大，但脸和身份更容易漂。

高清修复时：

1
2
3
0.05 - 0.20：极度保守，基本保留原图
0.20 - 0.35：常用范围，画质提升且不太改脸
0.35 - 0.50：变化更明显，可能改五官和衣服

图生视频时：

1
2
3
0.18 - 0.25：稳定优先，动作较小
0.25 - 0.35：推荐范围，动作和稳定性比较平衡
0.35 - 0.50：动作更大，但脸漂风险明显增加

如果想让人物运动幅度更大，优先逐步增加到 0.32 - 0.36，不要一开始就拉到 0.5 以上。

帧数、帧率与时长

视频时长由下面公式决定：

1
时长 = 总帧数 / FPS

例如：

1
2
3
4
16 frames / 8 fps = 2 秒
24 frames / 8 fps = 3 秒
40 frames / 8 fps = 5 秒
120 frames / 24 fps = 5 秒

真实生成时，不必一开始就直接生成 120 帧。更实用的做法是：

1
2
3
先生成 16-40 帧、8fps 的稳定视频
再通过 FILM/RIFE 插帧到 24fps
最后导出为 5 秒 MP4

FILM 插帧参数

AnimateDiff 里的 Frame Interpolation 选 FILM，Interp X 填插帧倍数，不是直接填目标 fps。

换算方式：

1
Interp X = 目标 FPS / 原始 FPS

例如原始 8fps 想补到 24fps：

1
24 / 8 = 3

所以填写：

1
2
Frame Interpolation: FILM
Interp X: 3

常用建议：

1
2
3
4
X = 2：轻量插帧
X = 3：推荐，8fps 到 24fps
X = 4：更丝滑，但更慢，也更可能出现插帧幻影
X = 10：不建议日常使用，容易慢且糊影明显

Closed Loop 怎么选

Closed loop 控制视频是否尝试首尾循环。

对“转头看镜头笑”这类有明确起点和终点的动作，推荐：

1
Closed loop: N

常见含义：

1
2
3
4
N：不闭环，适合转头、看镜头、微笑、短动作
R-P：轻微减少首尾跳变，适合不强求无缝的小循环
R+P：更偏循环，适合呼吸、发丝飘动、光影变化
A：强行闭环，不建议人脸动作，容易回弹或鬼畜

提高视频质量的顺序

建议每次只改一个关键变量，方便判断问题来源：

  1. 先确定一张高质量文生图。
  2. 用图生视频小参数试动作。
  3. 如果动作太小，逐步提高 denoising strength。
  4. 如果脸漂，降低 denoising strength，或缩短帧数。
  5. 如果不流畅，先保持低 fps 生成，再插帧到 24fps。
  6. 如果出现彩色噪点、雪花、画面碎裂，换运动模型或降低帧数、降低重绘幅度。
  7. 成片后再用 ffmpeg 或 WebUI 插件导出 MP4。

常见问题

为什么不要开脸部修复

脸部修复可能会把每一帧的人脸当作独立图片重新修，导致视频里脸不断变化。人像视频更看重帧间一致性，因此除非脸严重坏掉，否则不建议开。

为什么直接高帧率生成不一定更好

高帧数会显著增加生成压力，也更容易出现身份漂移和画面累计误差。先低帧率生成稳定动作，再插帧，通常比直接硬生成高帧率更稳。

为什么动作幅度不够

常见原因是 denoising strength 太低、提示词动作不明确，或者总帧数太短。可以尝试：

1
2
3
4
slowly turns head toward camera
looking into camera
warm gentle smile
subtle blinking

并把 denoising strength 从 0.24 提到 0.30、0.34 逐步测试。

为什么动作没有按要求做

AnimateDiff 不是严格的动作引擎，更像是“让一张图在原构图附近动起来”。如果要求是大动作，例如：

1
坐在沙发上 -> 起身 -> 离开

但首帧是近景坐姿、腿脚不完整、画面里没有可站立和离开的空间，模型就很难按要求生成完整动作。它通常会倾向于保留原构图，只做轻微漂动；如果强行提高重绘幅度，又容易出现身体变形、背景糊掉、后半段崩坏。

参数上的矛盾是：

1
2
denoising 低：人物稳定，但动作做不出来
denoising 高：动作变大，但脸、身体、背景容易漂或糊

正确做法是先让首帧适合动作：

1
2
3
4
5
全身或大半身
坐在沙发边
腿脚完整
画面更远
旁边有可以站起来和离开的空间

然后把动作拆成短段：

1
2
3
第一段：身体前倾，准备起身
第二段：从沙发上站起来
第三段：离开沙发或走出画面

更稳的控制方式是使用关键帧或姿态控制，例如 ControlNet OpenPose、Prompt Travel、或者输入真人起身视频做 video-to-video。只靠一句提示词，很难精确控制复杂人体动作。

分段短片怎么衔接

如果一张图无法直接完成完整动作，就把短片拆成多个小动作段。衔接原则是：

1
第一段视频 -> 提取最后一帧 -> 作为第二段图生视频的首图 -> 最后拼接视频

例如“坐着前倾 -> 起身”：

1
2
3
4
5
坐姿首图
  -> 第一段：身体前倾，准备起身
  -> 提取第一段最后一帧
  -> 第二段：从前倾姿势站起来
  -> 两段视频拼接

在 WebUI 里主要仍然使用 图生图 + AnimateDiff。AnimateDiff 的 Video source / Video path 更偏 video-to-video 或帧序列控制，通常还需要配合 ControlNet，不是把两个成片智能衔接的按钮。

第二段 prompt 开头要明确继承上一段状态：

1
same girl, same room, same clothes, leaning forward from sofa, then slowly stands up

推荐分段参数：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
Segment 1:
动作：身体前倾，准备起身
Frames: 16
FPS: 8
Denoising: 0.35 - 0.42
FILM: Off

Segment 2:
初始图：第一段最后一帧
动作：从前倾姿势站起来
Frames: 16
FPS: 8
Denoising: 0.38 - 0.46
FILM: Off

等每一段动作都稳定后，再统一插帧到 24fps。不要一开始就开 FILM。

保存 MP4 时还会不会有拆分帧

如果 AnimateDiff 保存格式只选：

1
MP4

通常只会得到成品视频，不一定保留单帧 PNG。做分段短片时，末帧很重要，因此推荐保存格式选：

1
MP4 + PNG

或者：

1
GIF + PNG

PNG 会把每一帧单独保存出来，方便拿最后一张作为下一段图生视频首图。常见路径：

1
outputs\img2img-images\AnimateDiff\日期\编号\最后一张.png

如果已经只生成了 MP4，也可以用 ffmpeg 从 MP4 提取最后一帧，但它经过视频压缩，不如原始 PNG 稳。

为什么画面会漂

常见原因是重绘幅度太高、帧数太长、提示词过复杂，或者运动模型与底模不匹配。解决顺序：

1
2
3
4
5
降低 denoising strength
减少 Number of frames
使用 SD1.5 对应运动模型
简化提示词
先做短视频草稿

为什么视频没有画面，只有灰色

如果导出的视频文件能被识别、有帧数、有时长，但播放时没有画面，要先判断是播放器问题还是帧本身异常。

排查结论示例：

1
2
3
4
文件不是空的
视频有 118 帧
分辨率 512x512
但每一帧 RGB 都是 127,127,127

这说明不是播放器坏了，而是生成出来的帧本身就是纯灰图。

常见原因是底模和 AnimateDiff 运动模型不匹配。例如：

1
2
Checkpoint: 麦橘超然majicFlus_v1
Motion model: v3_sd15_mm.ckpt

v3_sd15_mm.ckpt 是 SD1.5 AnimateDiff 运动模型，而 麦橘超然majicFlus_v1 是 Flux.1 D / 非 SD1.5 体系模型。两者结构不兼容，就可能输出全灰帧。

解决方法：

1
2
3
4
做 AnimateDiff 图生视频：切回 SD1.5 底模
推荐底模：majicMIX realistic 麦橘写实_v7
推荐运动模型：v3_sd15_mm.ckpt
备用运动模型：mm_sd_v15_v2.ckpt

先关闭 FILM 插帧，生成短视频确认有画面：

1
2
3
4
5
Number of frames: 16 或 24
FPS: 8
Frame Interpolation: Off
Closed loop: N
Denoising strength: 0.24 - 0.33

确认画面正常后，再打开：

1
2
Frame Interpolation: FILM
Interp X: 3

Stride 与 Overlap

WebUI 中文界面里常见翻译：

1
2
步幅 = Stride
重叠 = Overlap

这两个是 AnimateDiff 的长视频上下文衔接参数，主要在 Number of frames > Context batch size 时才明显生效。短视频例如 16 frames + Context batch size 16 时，它们不是解决动作失败的主按钮。

Stride 步幅

Stride 控制模型在长视频里隔多远的帧也要保持一致。

1
2
Stride 小：更稳，动作更保守
Stride 大：动作可能更自由，但更容易漂、糊、闪

推荐：

1
2
3
普通人像、转头、微笑、起身：Stride = 1
想尝试更大动作：Stride = 2
不建议日常直接用 4 或更高

Overlap 重叠

Overlap 控制长视频分段生成时，相邻片段之间有多少帧重叠，用来让片段衔接更顺。

1
2
Overlap 大：前后更连贯，但动作可能更黏、更慢，耗时增加
Overlap 小：动作更自由，但更容易跳、闪、变脸

当 Context batch size = 16 时：

1
2
3
4
Overlap = -1：自动，通常等于 batch size / 4，也就是 4
Overlap = 4：推荐默认，稳定性和动作幅度平衡
Overlap = 8：更稳，但动作更小
Overlap = 2：动作可能更大，但片段更容易断裂

人像视频推荐先固定：

1
2
3
Context batch size: 16
Stride: 1
Overlap: 4 或 -1

如果动作太小，可以试：

1
2
Stride: 2
Overlap: 2

但风险是脸漂、身体糊、后半段崩坏。实际调参优先级应是：

1
首帧构图 > denoising strength > Number of frames > 动作是否拆段 > Stride / Overlap

majicMIX realistic v7 与 majicFlus_v1 怎么选

这两个模型不是简单的“谁绝对更好”，而是适合不同工作流。

1
2
3
4
5
6
7
8
9
10
majicMIX realistic 麦橘写实_v7:
  体系：SD1.5
  优势：兼容 A1111 / AnimateDiff，适合文生图、图生视频、人像短视频
  推荐运动模型：v3_sd15_mm.ckpt
  备用运动模型：mm_sd_v15_v2.ckpt

麦橘超然majicFlus_v1:
  体系：Flux.1 D / 非 SD1.5
  优势：更适合高质量静态图、人像首帧
  局限：当前 A1111 AnimateDiff 里没有可直接匹配的 SD1.5 运动模型

实践建议：

1
2
想生成静态人像：可以优先试 麦橘超然majicFlus_v1
想生成 AnimateDiff 视频：优先用 majicMIX realistic 麦橘写实_v7

如果想利用 麦橘超然majicFlus_v1 的画质做视频，可以先用它生成高质量首帧，再交给专门的图生视频模型或工具，而不是强行套 SD1.5 AnimateDiff 运动模型。

推荐默认模板

写实人像图生视频可以从这个模板开始：

1
2
3
4
5
6
7
8
9
10
11
12
13
Checkpoint: majicMIX realistic 麦橘写实_v7
Prompt: 1girl, same girl, slowly turns head toward camera, looking into camera, warm gentle smile, subtle blinking, realistic portrait, soft daylight, stable face, stable body
Negative: (worst quality:2),(low quality:2),(normal quality:2),lowres,watermark,bad face, distorted face, deformed eyes, extra fingers, flicker, artifacts
Sampler: Euler a
Steps: 20 - 30
CFG Scale: 6 - 7
Motion model: v3_sd15_mm.ckpt
Number of frames: 24 或 40
FPS: 8
Denoising strength: 0.28 - 0.36
Closed loop: N
Frame Interpolation: FILM
Interp X: 3

核心原则：先稳，再动，再流畅。