OpenAI 在 2024 年 2 月发布 Sora 时，给出的定位很直接：从文本生成视频。官方演示里，Sora 可以生成最长 60 秒、包含复杂镜头运动和细节场景的视频。后来 Sora 2 发布，OpenAI 称它是新的视频和音频生成模型。
对创作者来说，真正的问题不只是模型变强了没有，而是工作流能不能被自己掌握。闭源服务好用，但水印、成本、排队、权限变化都会影响交付。一旦原有模型停用，依赖它搭起来的脚本、分镜、审核流程都要重来。
这也是很多团队开始把 ComfyUI 和开源视频模型放进生产线的原因。它不一定更省心，但至少可拆、可改、可回滚。
先别追长片，先跑通 6 秒
本地视频生成的第一步，不是把 60 秒短剧一次性做出来，而是先让一段 6 秒左右的视频稳定生成。
当前稿件里提到的 CogVideoX-5B 是一个常见入口。它支持文本和图片输入，可通过 ComfyUI 插件接入。模型权重大约 10GB，一张 24GB 显存的显卡，例如 RTX 4090，可以跑 480p 视频。只要插件、模型路径和节点连接没问题，基础视频节点就能先产出一段结果，当前稿件给出的参考耗时约 3 分钟。
Wan2.1 是另一条路线，主打更高分辨率，稿件中提到它支持 720p 生成，但显存压力也更大。Open-Sora 则更适合愿意调模型、接 AnimateDiff 相关组件的团队。
这几条路没有绝对优劣。短剧团队如果只是要稳定出片，先用 CogVideoX 把角色、镜头和后处理流程跑顺，比一开始就堆最高分辨率更实际。
60 秒不是一次生成出来的
Sora 的吸引力之一，是官方演示里能直接生成最长 60 秒的视频。开源模型通常没这么省事，默认更像是生成几个短片段，再靠工程方法接起来。
一个可操作的做法是把脚本拆成 5 到 8 秒一段。每段单独写 prompt，再用统一的角色参考和关键帧约束，减少前后镜头里的“换脸”和场景漂移。
常用组件可以这样分工：
- IP-Adapter 或 InstantID：锁定主角外观、服装和基本气质；
- ControlNet：用 OpenPose 固定人物姿势，用 Canny 保住场景边缘；
- RAFT：做相邻片段的光流参考，让运动方向不要突然跳变；
- RIFE 或 FlowFrames：后期插帧，把帧率补到 24fps。
在 ComfyUI 里，这些不是一个按钮，而是一串节点。稿件中给出的参考是：生成 10 秒视频，4090 推理加后处理大约 8 到 12 分钟。速度比闭源服务慢，但好处也很明显：哪个镜头错了，就回到哪个节点改，不必整段重抽。
短剧制作尤其吃这一点。角色一旦稳定，后面真正消耗时间的往往不是“生成”，而是改表情、补动作、修穿帮。
物理问题只能靠流程兜底
视频模型最容易露馅的地方，往往不是画质，而是连续性：影子方向不对，杯子穿过桌面，门框忽然变形，人物走路时手臂摆动前后不一致。
本地工作流并不会自动解决这些问题，但它给了创作者更多修补入口。
比较实用的做法是三层兜底：先用 ControlNet 固定结构，再用 RAFT 检查相邻帧运动，最后对问题帧做局部重绘。遇到角色脸部漂移，可以回到关键帧或 latent 阶段处理；遇到物体变形，则用 inpainting 单独补那一块。
这类流程听起来麻烦，但比“重新生成整段视频”更可控。对广告、短剧、课程视频这类有交付要求的内容来说，可控比一次出奇迹更重要。
开源不等于可以不管合规
闭源视频服务常见的问题是强制水印。开源模型默认没有这层限制，但这不代表可以省掉合规动作。
至少有三件事要提前写进流程：
- 成片或元数据里标明 AI 生成，可参考 C2PA 这类内容来源标识思路；
- 自训练 LoRA 时，确认素材授权，尤其是人物、品牌、影视片段；
- 接商业项目时，在合同里写清楚“AI 辅助生成，人工审核通过”。
很多团队只盯着水印，其实版权、肖像、训练素材来源更容易在后期出问题。开源模型给的是控制权，不是免责牌。
成本账别只看电费
当前稿件里用 60 秒短剧片段做过一组对比：本地 4090 加 CogVideoX，生成约 40 分钟，电费约 0.4 美元；4×4090 集群约 12 分钟，电费约 1.2 美元。硬件投入则是另一笔账：一台 4090 整机约 1.5 万元，4 卡集群约 6 万元。
这组数字只能说明一个方向：如果每月稳定生产大量短剧，本地推理的边际成本会下降。但它没有把所有成本算完。
显卡散热、硬盘占用、模型版本管理、失败任务重跑、人工质检时间，都会吃掉预算。ComfyUI Manager 的队列监控和任务管理在这里很有用，至少能避免后台任务堆积、显存 OOM、重复推理这些低级浪费。
做本地化，不是把云端账单换成电费账单，而是把不可见成本拆到自己能管理的位置。
一条更像工作室的管线
如果把 ComfyUI 放进短剧生产，流程大致会变成这样：
剧本先拆分镜，给每个 5 到 8 秒镜头写清楚人物、动作、场景和镜头运动；角色部分用 Stable Diffusion 生成稳定参考，必要时训练一致性 LoRA；视频生成由 CogVideoX、IP-Adapter、RAFT 等节点串起来；音频可接 Bark 或 AudioLDM 2；最后由人工逐镜头检查物理错误和角色漂移。
这个流程不性感，但适合反复生产。它把视频生成从“抽卡”改成“管线”：每个环节都能定位问题，每个镜头都能回退重做。
局限也很清楚。显存仍是门槛，速度不算快，一致性还要靠人工盯。稿件中提到 CogVideoX-1.5 将时长扩展到 16 秒，Mochi 2 计划支持 480p 实时推理，这类进展会继续降低本地视频制作的门槛。
对认真做内容的团队来说，等待下一个闭源模型当然可以。但同时搭一套 ComfyUI 管线，把角色、分镜、后期修补掌握在自己手里，会更稳一些。
