一句話變一張插畫：在本地跑文生圖

故事寫好、分好頁之後，每一頁都要一張插畫。這篇談的是在自己的機器上，把一句文字描述變成一張圖——也就是所謂的「文生圖」。和上一篇的語言模型一樣，重點不是某個雲端服務怎麼用，而是這類技術到底怎麼運作、怎麼在本地把它架起來。

技術前導：擴散模型怎麼生圖

直覺上你可能以為模型是「一筆一筆把圖畫出來」，實際上主流的擴散模型（diffusion model）做的事恰好相反：它從一張全是雜訊的圖開始，一步一步把雜訊「拿掉」，圖就慢慢從雜訊裡浮現出來。

關鍵在於，去噪的每一步都被提示詞（prompt）牽著走。「一隻可愛的刺蝟、繪本插畫風、暖色」這句話不是畫完才比對，而是全程在旁邊指路，讓每一步都朝這個方向修正。所以提示詞寫得越具體，出來的圖越接近你要的樣子。反覆去噪的次數（steps）越多，通常越精緻，但也越花時間。

一張圖是好幾個模型疊出來的

「生一張圖」聽起來是一個模型的事，其實是好幾個部件疊起來的：

• **底模（checkpoint）**是地基，決定整體的畫風與基本能力。
• LoRA 是小補丁，疊在底模上做風格微調——繪本感、蠟筆感、某種插畫調性，都靠它。
• VAE 負責在模型運算的「潛在空間」和我們看得到的像素之間翻譯。

對繪本特別重要的是：同一組疊法要固定下來。整本書十幾頁，如果每頁的底模、LoRA 換來換去，畫風就會跳。把這組配方鎖住，是讓一本書看起來像「同一個人畫的」的前提。

為什麼用 ComfyUI

本地文生圖有不少工具，繪本這種要程式化、批次生成的場景，ComfyUI 很合適。它把整個生圖流程畫成一張「節點圖」（workflow）：載入底模、疊 LoRA、吃提示詞、去噪、輸出，每個環節都是一個可調的節點。更重要的是，這張 workflow 可以匯出成 JSON，透過 API 送進去執行——這代表整個生圖流程能被程式自動化，而不是每次都要手動點。

容器化：把 ComfyUI 與模型掛好

模型檔很大，單一底模就好幾 GB，所以不會把它們打包進映像檔，而是放在主機上，用 volume 掛進容器。

實務上最常卡關的，就是掛載沒對好：容器裡的 models/checkpoints、models/loras、models/vae 對應到主機上放模型的資料夾，只要路徑錯一個字，容器裡就看不到模型，生圖直接失敗。GPU 一樣要掛進容器，去噪的運算全靠它。生成的圖再寫回主機的輸出資料夾，交給後面的流程。

呼叫：送一份 workflow

服務起來之後，生圖的方式是：把那張 workflow（JSON）連同這次的提示詞、種子等參數，POST 到 ComfyUI 的 /prompt。它會把任務排進佇列，算完把圖寫到輸出資料夾。你的應用要做的，就是填好 workflow 樣板、送出、等結果。

因為每一頁都用同一份 workflow 樣板、只換提示詞，整本書的畫風才能穩定。也因為是走 API，才能讓程式一次把十幾頁排隊生完，而不用人一頁一頁盯著點。

最後：真正難的是「一致性」

把單張圖生出來其實不難，難的是讓同一個角色在每一頁長得一樣。純靠提示詞，模型每次都會畫出略有差異的「另一隻刺蝟」。要壓住這件事，得靠固定種子、參考圖、角色描述注入等手段，這也是把「能生圖」推進到「能做一本書」之間，最花工夫的一段。理解了底模＋LoRA 的疊法與 workflow 的運作，你就有了處理這個問題的基礎。