工序核心｜提示詞 · 音訊 · ComfyUI

【工序｜提示詞擴寫】

適用模型：DeepSeek V4 Flash、Claude Sonnet、Ollama Z-Image-Engineer-V6、千問8B

適用場景：H3 短片前置提示詞優化、鏡頭文字擴寫

【有效技巧】

1. 溫度參數設定 0.2~0.3，降低隨機發揮，減少模型擅自修改人物。
2. 兩階段擴寫流程：擴寫 → 校驗審稿，大幅降低人物設定偏移風險。
3. 在 system prompt 放入 2~3 個過往成功 H3 提示詞做 few-shot 範例，引導輸出風格。
4. 分層策略：B-roll 空鏡走本地 Ollama；多數普通鏡頭 DeepSeek Flash；關鍵鎖臉特寫用 Claude Sonnet。
5. 擴寫輸出為連續敘事文字，不用大量 tag；禁止改人物/服裝/場景/動作，禁止新增角色與劇情；每 3–5 秒鏡 ≥600 字。

【踩坑／避開的錯誤】

1. DeepSeek Flash 長文本擴寫有小概率擅自微調人物細節，關鍵鎖臉鏡頭建議改用 Claude Sonnet。
2. 禁止在 Comfy 工作流內嵌入 LLM 提示詞擴寫節點，會造成 VRAM 資源競爭。
3. 本地千問 8B 擴寫能力不足，容易空洞、擅自改動劇情人物，不建議做正式短片主擴寫。
4. 擴寫不足時可自動降級：Ollama gemma4:12b 純文本補位（全本地免費）。

【工序｜IndexTTS／音訊、SRT 字幕】

適用工具：IndexTTS v1.5、Silero-VAD、ffmpeg

適用場景：口播配音、配音對齊、繁體 SRT 字幕

【有效技巧】

1. IndexTTS 跑獨立 ComfyUI（port 8189），聲音克隆：參考人聲＋文本 → wav。
2. 後處理鏈：去長停頓 → atempo 加速 → acompressor → 增益。
3. 語音對齊用 Silero-VAD：voice_span 自動定位每句起止，字幕跟聲音。
4. 字幕字體：微軟正黑體（Microsoft JhengHei），白字黑邊；1080p：FontSize 27、MarginV 42。
5. 音軌驗證一律用 ffmpeg -i 看 Duration/Audio，或數 packets。
6. ffmpeg 靜態 exe 位置：...\imageio_ffmpeg\binaries\ffmpeg-win-x86_64-v7.1.exe。

【踩坑／避開的錯誤】

1. PyAV 音軌 mux 各種寫法全失敗（fltp/s16/s16p/pts 手動/交錯/fractions 都試過，純音軌 m4a 對但 mp4 混流時間軸壞）→ 音軌合成唯一可用：imageio-ffmpeg 靜態 exe（見上）。
2. av 讀音軌時長誤報：a.duration 是 time_base 單位（如 211945 ticks@1/44100=4.81s），除以 time_base 才是秒；除以 1e6 會誤報 0.21s。
3. duration 欄位常是字串 "5.0" → 解析必須 int(float(x))，int("5.0") 直接炸。
4. 8189 端口 Comfy 沒有 IndexTTSRun 節點：其他 TTS 工作流送 8189 會被拒（invalid prompt: Node 'IndexTTSRun' not found）→ 別把 TTS 塞進 8189。

2026-10-18 交接卡補錄｜光幀AI交接卡_備份_20261018.md（0270 倒計時最終三步管線）

#### 【有效技巧】

• 多段影片合併統一音訊：用 filter_complex，每段先 aresample=44100,aformat=sample_rates=44100:channel_layouts=stereo,asetpts=PTS-STARTPTS，視頻 fps=24,setpts=PTS-STARTPTS,setsar=1,format=yuv420p 再 concat。
• concat 過濾器輸入必須「成對交錯」：[v0][a0][v1][a1]...[v45][a45]concat=n=46:v=1:a=1；不能先全部 [v] 再全部 [a]。
• filter 太長（40+ 段）超命令行限制 → 寫入檔案用 -/filter_complex 檔案路徑（舊 -filter_complex_script 已 deprecated）。
• 旁白混音鐵律：旁白 RMS 0.14；BGM 墊在旁白下 env 0.05–0.10；音效在動作點精準觸發不蓋旁白；戰鬥段 BGM 自動拉高。

#### 【踩坑／避開的錯誤】

• ★ concat 用 demuxer 合併不同採樣率會丟音頻：hook/end 是 44100Hz、44 段 seg 是 32000Hz，參數不一致 → seg 對白合併後靜音（v1 音頻只剩 BGM、4kbps）。0267/0268/0269 即此缺陷版，勿當成品。
• wav 容器不能裝 h264：混音只出音訊、燒字幕時才合併影片；ass filter 路徑要 escape 冒號或用 cwd 相對路徑。

【工序｜ComfyUI、GPU 排程、VRAM 管理】

適用工具：ComfyUI，RTX 5090（32GB）

適用場景：影片生成任務、工作流執行、排程

【有效技巧】

1. 單一常駐 ComfyUI 實例 port 8188；Worker 禁止隨意開關，消除 CUDA 殘留與多實例搶占。
2. ComfyUI 重啟/啟動必須帶 --output-directory "D:\Comfy-Desktop\ComfyUI-Shared\output"，否則產物落到本機 output。
3. VRAM 管理：閒置 >10 分鐘自動釋放；連續同模型批次保留模型；跨大模型切換主動卸載再載入；啟動帶 --reserve-vram 預留防 OOM。
4. VRAM 量級參考：H3 768×1344 需約 35GB，生成中勿動；完整 INT8 H3 佔約 32.4GB，pruned NVFP4 佔約 19.1GB（省 13GB 但無加速 LoRA 只能跑 10 步）。
5. 提交後等輸出檔出現：client 輪詢 40 分鐘會 socket timeout，ComfyUI 後台續跑。

【踩坑／避開的錯誤】

1. SageAttention 此路不通：Windows 沒有官方 triton 包，torch 2.12.1+cu130 太新，第三方 wheel 對不上；裝了 sageattention 1.0.6 後 ComfyUI 啟動直接 import triton 爆炸。已卸載，勿再試。
2. ComfyUI 8189 生成後可能掛（WinError 10054/10061、進程消失）→ worker 必須做健康檢查快速失敗（下線 >90 秒即 raise，任務 stale 6 分鐘後自動重置重領）。
3. pythonw 啟動 worker 可能不存活 → 用 python.exe + Start-Process + RedirectStandardOutput 較穩。
4. torchaudio 2.11 read_audio 需 torchcodec → 用 scipy 讀 wav。

2026-10-18 交接卡補錄｜SAC/WDAC 啟動、5090 sm_120、VRAM 排程

#### 【有效技巧】

• SAC 強制模式封鎖系統 Python torch（c10.dll WinError 4551）→ 用 ComfyUI 自帶 .venv\Scripts\python.exe 啟動完全繞過（torch 2.12.1+cu130 cuda True）；系統 Python 只當 HTTP 客戶端（gen_20_*.py）不需 torch。
• 5090 sm_120 啟動必加 --use-pytorch-cross-attention，否則 Flux attention 走 xformers 0.0.35（最高 sm_90）直接 NotImplementedError。
• VRAM 排程：8188 約 31GB 與 8189(IndexTTS)約 11GB 不可同開；聊天室 v6（Ollama 2GB＋IndexTTS 11GB＋MuseTalk 對嘴 8GB）對嘴時勿開 8188；LoRA 訓練需關兩者；閒置 >10 分鐘主動關 python 釋放。
• facexlib 首次使用會從 GitHub 50-80kB/s 下 104MB 權重卡 30 分鐘 → 事先把系統 Python 的 facexlib weights（detection_Resnet50/parsing_bisenet/parsing_parsenet）複製進 .venv site-packages。

#### 【踩坑／避開的錯誤】

• SageAttention 此路不通：Windows 無官方 triton、torch 2.12.1+cu130 太新，裝 sageattention 1.0.6 啟動直接 import triton 爆炸；已卸載勿再試。
• SolAttn / SpectrumApplyMiniMaxH3 加速皆失敗已移除，勿再裝。