ComfyUI 影片 Pipeline：粵語聲畫自動化實戰指南 2026

一句答你： ComfyUI 可以做粵語聲畫自動化嘅「流程骨架」，但粵語語音要靠外插節點或者外部 API，而家二〇二六粵語節點支援仍然有限，你要用「圖→片→聲→對嘴」分段夾硬砌，仲要留意五個實務限制。

重點摘要 Key Takeaways

• ComfyUI 係節點式工作流引擎，本身唔提供語音模型，粵語聲線要靠外插節點或外部 TTS API。
• 完整 pipeline 概念係：圖像生成 → 影片生成 → 粵語配音 → 對嘴後製，四段各自有工具選擇。
• 粵語節點支援有限：有節點只係「Cantonese-style Mandarin」，有節點需要參考錄音，質素唔保證。
• 五個實務限制：粵語 TTS 節點質素、對嘴對粵語聲調嘅適配、流程穩定性、素材一致性、版權同意。
• 港嘢做法：聲用 API 批量出，片喺 ComfyUI 出，對嘴用專用工具夾埋，分段驗收。

ComfyUI 影片 Pipeline 係乜嘢概念

ComfyUI 係一個節點式工作流引擎，你將「生成圖」、「圖生片」、「轉檔」等步驟砌成一條管線，一句過執行。佢嘅強項係視覺生成同流程自動化，但有一個關鍵事實要認清：ComfyUI 本身唔提供語音模型。即係話，你想要粵語聲，就要喺條 pipeline 入面插一個語音節點，或者直接 call 外部粵語 TTS API。

成條粵語聲畫 pipeline 嘅概念如下：

呢個分段唔係我作嘅。文生影片技術本身已經有完整學術梳理（arXiv 文生影片綜述， 2026），業界做法大致都係「視覺生成」同「語音生成」分開做，最後先至同步。粵語嘅情況更加明顯，因為粵語語音資源長期不足（WenetSpeech-Yue 論文， 2026），所以「片用 ComfyUI、聲用專門粵語引擎」係比較穩陣嘅分工。

第一步：圖像節點出角色同分鏡

Pipeline 係指將多個處理步驟串成一條自動化流程，一個步驟嘅輸出做下一個步驟嘅輸入。喺 ComfyUI，你會先開一個圖像生成工作流，出角色設定圖同分鏡圖。

實務上有兩個貼士：

• 先鎖角色，後出分鏡。 角色一致性係影片 pipeline 最易甩嘅一環。你先用同一組參考圖出齊晒成個角色嘅正面、側面、表情，之後至出分鏡。呢個做法同我哋之前講嘅角色一致性工作流係同一個邏輯。
• 分鏡圖一次過批量出。 唔好逐格出，用批量節點一次過跑，時間慳好多。批量生成嘅概念可以睇批量語音生成工作流，視覺同音頻嘅批量思維一樣。

例如你要做一條三十秒嘅粵語短片，分鏡有八格，你就八張圖一次過出，執走唔得嘅兩三張，剩返嘅入下一步。

第二步：圖生片節點

圖生片 係指用一張或者多張靜態圖做起點，生成一段動態影片嘅過程。ComfyUI 有唔少社區工作流可以做呢樣嘢，重點參數係片長、幀率同運鏡。

呢一步粵語用家要留意：片生成嗰陣，角色係「識郁但唔識講嘢」，個口型係求其咁郁。所以有啲人會索性生成「無對白、淨係表情動作」嘅片，對白全部後製先至夾。呢個決定會直接影響第四步對嘴嘅難度。

運鏡點樣寫、鏡頭語言點樣配粵語敘事，可以睇埋AI 鏡頭運動指南，呢篇有齊鏡頭術語同粵語旁白節奏嘅配合建議。

第三步：粵語聲線——ComfyUI 最弱一環

呢一步係整條 pipeline 嘅樽頸。根據公開節點文件（2026-10-31 觀察），ComfyUI 生態入面嘅粵語語音支援情況係咁：

即係話，四個主流語音節點，冇一個係「開箱即用、粵語質素穩定」。所以實務上有兩條路：

路線 A：外部粵語 TTS API 批量出聲

呢個係港嘢推薦嘅路線。你喺 ComfyUI 出片嘅同時，用腳本或者自動化平台 call 粵語 TTS API 出聲軌。港嘢嘅 API 係 async 為主：POST 提交之後攞 job_id，再輪詢攞結果；單次 text 上限 500 字符；批量一次最多 25 個請求（Pro／Studio 專屬）。以大約 240 字符一分鐘換算，一段一分鐘粵語旁白大約 240 字符，好易計。想知 API 點樣接落自動化流程，可以睇n8n 粵語語音工作流同ComfyUI 粵語 TTS 指南。

路線 B：外插節點加參考錄音

如果你堅持全部嘢留喺 ComfyUI 入面，就用有 dialect task 嘅節點，配一段你自己錄嘅粵語參考音頻。呢個做法理論上可行，但效果好唔好，好視乎你條參考音頻嘅質素同長度，冇保證。聲音複製呢門技術本身有完整學術討論（arXiv 聲音複製綜述， 2026），有興趣可以讀，重點結論係：複製效果同參考音頻質素高度相關。

【獨家觀察】 我哋睇過社區討論同官方文件（2026-10-31），發現一個好清晰嘅分工現象：用普通話或者英文做片嘅團隊，可以成條 pipeline 留喺 ComfyUI；但粵語團隊幾乎全部都係「視覺留喺 ComfyUI、語音外判」。原因唔係技術唔得，而係粵語語音模型嘅訓練資料長期少，通用節點嘅粵語能力自然弱。所以二〇二六年做粵語聲畫自動化，最緊要係接受「混搭」呢個現實，唔好強求一條 workflow 打天下。

第四步：對嘴後製

對嘴 係指將一段預先生成嘅聲軌，配落影片角色嘅口型度，令畫面睇落似角色講緊嗰啲嘢。呢一步通常喺 ComfyUI 之外做，用專用對嘴工具。

揀對嘴工具時，粵語項目要睇三樣嘢：第一，角色要正面、嘴部清楚；第二，聲軌長過影片就要剪短或者加長影片；第三，聲軌嘅咬字清晰度直接影響口型自然度。例如 Kling 官方文件就講明 Lip Sync 工具支援上載聲軌或用 TTS，角色要正面同嘴部清楚，聲軌長過影片要剪（Kling 官方指南， 2026）。

另外有一個粵語特有嘅位：聲調影響音高，但唔直接決定嘴型；嘴型主要跟音素。所以粵語九聲六調唔會令對嘴特別難，真正令對嘴難嘅係粵語口語嘅懶音同語速。詳細嘅對嘴 QC 檢查表可以睇粵語對嘴指南同對嘴質檢清單。

五個實務限制（二〇二六年現況）

限制一：粵語 TTS 節點質素唔穩

如上表，ComfyUI 生態冇一個「正式支援粵語」嘅節點。用外插節點出粵語，你要預咗會執聲、會有普通話腔。穩陣做法係 API 出聲。

限制二：對嘴工具嘅語言標示唔透明

好多對嘴工具官方淨係寫「支援多語言」，冇逐個話粵語支援到咩程度。例如 Kling 官方語言表列咗粵語（Kling 模型指南， 2026），但其他工具就要自己試。做項目前一定要用短聲軌做一輪小規模測試，測試方法同驗收標準可以參考粵語 TTS 準確度測試指南。

限制三：流程穩定性

ComfyUI 工作流一長，任何一個節點出錯就成條 pipeline 停。實務做法係分段執行、分段存檔：圖出齊先開片，片出齊先出聲，唔好一條 workflow 由頭跑到尾。每段之間落一個檢查點，出事就由嗰度重跑。

限制四：素材一致性

角色圖、分鏡圖、生成片、聲線，四樣嘢要「似同一個人」。聲線方面，用固定嘅聲線 slug（例如港嘢嘅 sum = 心妍）可以確保成個項目把聲一致；視覺方面就要靠參考圖控制。成套做法睇品牌聲線一致性。

限制五：版權同意同標示

聲音複製他人聲音必須取得明確同意，肖像使用要授權，音樂字體圖像全部要清授權。另外，香港數字政策辦公室嘅生成式 AI 指引強調透明、問責同資料保障（數字政策辦公室， 2026），生成內容應該有清楚標示。呢唔係走程序，係走唔甩嘅法律底線。

一個完整示例流程

用一條六十秒粵語產品短片做例：

1. 寫稿。 六十秒大約 240 字符粵語旁白，寫好之後分段。
2. 出圖。 ComfyUI 圖像工作流，出六至八張分鏡圖，鎖角色。
3. 出片。 圖生片節點逐段生成，每段五至八秒。
4. 出聲。 call 粵語 TTS API 批量出聲軌（例如一次提交 25 個請求，每段唔超過 500 字符）。
5. 對嘴。 聲軌配落有角色講嘢嘅片段，冇角色嗰啲做純旁白。
6. 混音匯出。 旁白、配樂、字幕三條軌夾埋。

例如你做嘅係電商產品片，第四步可以用批量生成工作流嘅思維，一次過出晒粵語、場次、版本；第五步嘅對嘴標準就照粵語影片配音指南嘅檢查表行。

常見問題 FAQ

問題一：ComfyUI 可以直接出粵語配音嗎？

唔可以「直接」。ComfyUI 係節點式工作流引擎，本身唔提供語音模型。你要外插語音節點（而粵語支援有限），或者 call 外部粵語 TTS API。根據公開節點文件（2026-10-31），主流語音節點冇一個係正式支援粵語。

問題二：粵語對嘴係咪特別難？

唔係因為聲調難。聲調影響音高，唔直接決定嘴型；嘴型主要跟音素。粵語對嘴真正嘅難點係口語語速、懶音同聲軌咬字清晰度。聲軌質素好，對嘴就順。

問題三：一條 workflow 由頭跑到尾唔得咩？

技術上得，實務上唔建議。工作流一長，一個節點出錯就全線停，重跑成本高。分段執行、分段存檔，每段落檢查點，先係穩陣做法。

問題四：粵語聲線點樣保持一致？

用固定嘅聲線標識。例如港嘢嘅聲線 slug 係穩定 id，成個項目用同一個 slug，把聲就一致。如果用複製模式，就要一直用同一條參考音頻，唔好中途換。

問題五：港嘢 API 有免費額度試嗎？

有。登記送 2,000 字符（一次性）。以大約 240 字符一分鐘計，夠出大約八分鐘粵語旁白，足夠做一輪小規模測試。付費方案月配額另計。

問題六：片生成嗰陣要唔要埋對白口型？

可以唔要。好多粵語團隊係生成「淨動作、無對白」嘅片，之後先對嘴。咁樣做彈性大，聲改咗都唔使重生成條片。

問題七：商用要注意啲乜？

三樣嘢：聲音複製要有明確同意；肖像、音樂、字體要授權；生成內容要有清楚標示。香港私隱專員公署有 AI 個人資料保障模範框架可以跟（私隱專員公署， 2026）。

資料來源同方法說明

本文規格數據嚟自各工具官方文件同公開論文，觀察日期一律 2026-10-31。節點支援狀況以官方 repo 文件為準；粵語語言事實參考 WenetSpeech-Yue 論文；聲畫分工概念參考文生影片學術綜述。本文冇聲稱任何「實測」結果；所有工具能力描述均標明來源性質，建議讀者喺自己項目上做小規模驗證。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。

本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）

[!CTA]

想試粵語聲畫 pipeline？先由把聲開始

即刻去港嘢 playground，貼段粵語稿，登記送 2,000 字符（一次性），出條聲軌試吓夾片。