AI漫剧制 | 第 24 天：漫画角色的表情库建设恒星 – 网站运维分享-IT技术资源教程-运维成长之路-个人随笔-恒星个人博客网站恒星

第 24/60 天

引言

画面构图对了、角色形象稳定了，但你的 AI 漫画角色是否总是挂着同一副”AI 标准微笑”？表情是漫画角色灵魂的载体——读者正是通过角色的喜怒哀乐来共情故事。然而在 AI 漫画创作中，表情恰恰是最容易失控的环节：要么全篇一个表情、情绪表达全靠文字硬凑；要么表情千奇百怪、角色瞬间”崩脸变人”。

表情库（Expression Library）就是解决这个问题的核心基础设施：把角色的每一种情绪预先批量生成、筛选归档、分类管理，形成一套可随时调用的”情感资产”。今天我们来系统讲解表情库的建模方法、生成工作流与配套脚本，让你的角色真正”活”起来。

核心概念

什么是表情库

表情库是一套结构化的角色表情资产集合：为每个角色建立”情绪 → 图像 + 提示词参数”的映射表，创作分镜时按需抽取，而不是每次从零生成。

表情分类体系

基于心理学基本情绪理论（Ekman 六情绪）结合漫画表现需要，可划分为三层：

层级	类别	示例
基本情绪	喜怒哀惧惊厌	开心、愤怒、悲伤、恐惧、惊讶、厌恶
复合情绪	情绪叠加	喜极而泣、惊喜、嫌弃+无语、苦笑
漫画化情绪	符号化夸张	豆豆眼、黑化、颜艺、冷汗、脸红、流汗

每类还可按强度（微/中/强）和视角（正面/侧面/俯视/仰视）拆分，形成”情绪 × 强度 × 视角”三维矩阵。

常用表情控制技术路线对比

技术路线	一致性	可控性	成本	适用场景
纯提示词	低	中	零	快速原型、一次性表情
表情参考图 + IP-Adapter	高	高	低	已有参考图，精准复现
ControlNet（Face/MediaPipe）	中	高	低	姿态/表情结构精确控制
表情 LoRA	极高	中	高（需训练）	连载核心角色的长期复用

实际创作中推荐组合使用：LoRA 保证角色身份 + IP-Adapter 参考表情 + 提示词微调强度。

实战步骤

步骤 1：定义表情清单（JSON）

先用结构化配置定义角色要建哪些表情，作为生成与归档的”总纲”：

{
  "character": "林小满",
  "base_prompt": "1girl, college student, short black hair, green eyes, school uniform, anime style",
  "negative_prompt": "ugly, deformed, bad anatomy, extra fingers, watermark, text",
  "expressions": [
    {"id": "happy_strong", "emotion": "开心", "intensity": "强", "prompt_add": "laughing loudly, closed happy eyes, open mouth, tears of joy, blush"},
    {"id": "happy_mid", "emotion": "开心", "intensity": "中", "prompt_add": "gentle smile, soft eyes"},
    {"id": "angry_strong", "emotion": "愤怒", "intensity": "强", "prompt_add": "furious, angry eyebrows, gritted teeth, red face, anger veins"},
    {"id": "sad_mid", "emotion": "悲伤", "intensity": "中", "prompt_add": "teary eyes, sad expression, slightly frowning, looking down"},
    {"id": "surprise_strong", "emotion": "惊讶", "intensity": "强", "prompt_add": "shocked, wide open eyes, open mouth, surprised"},
    {"id": "fear_mid", "emotion": "恐惧", "intensity": "中", "prompt_add": "scared, trembling, wide eyes, pale face, sweat drop"}
  ]
}

步骤 2：搭建表情库目录结构（Shell）

统一目录规范，便于后续检索与管理：

mkdir -p /data/manga/characters/lin_xiaoman/expressions/{raw,selected,loRA_dataset}

# raw：生成后的全部结果（含废稿）
# selected：筛选后的精品（按 情绪_强度_编号 命名）
# loRA_dataset：挑出来用于训练表情 LoRA 的样本

命名规范建议：{角色ID}_{情绪}_{强度}_{视角}_{序号}.png，例如 lin_xiaoman_happy_strong_front_001.png。

步骤 3：批量生成表情（Python 调用 WebUI API）

用脚本批量调用 Stable Diffusion WebUI 的 txt2img API，一次跑完整个清单：

import json
import requests
import time

API_URL = "http://127.0.0.1:7860/sdapi/v1/txt2img"

with open("expression_plan.json", "r", encoding="utf-8") as f:
    plan = json.load(f)

for exp in plan["expressions"]:
    for i in range(4):  # 每个表情生成 4 张候选
        payload = {
            "prompt": f"{plan['base_prompt']}, {exp['prompt_add']}",
            "negative_prompt": plan["negative_prompt"],
            "steps": 25,
            "width": 512,
            "height": 512,
            "cfg_scale": 7.0,
            "seed": 1000 + i,
        }
        resp = requests.post(API_URL, json=payload)
        if resp.status_code == 200:
            img_b64 = resp.json()["images"][0]
            out = f"raw/{plan['character']}_{exp['id']}_{i:03d}.png"
            with open(out, "wb") as f:
                f.write(__import__("base64").b64decode(img_b64))
        time.sleep(1)
    print(f"[OK] {exp['id']} 完成")
print("批量表情生成结束")

步骤 4：准备表情 LoRA 训练集（Python）

对连载核心角色，训练专属表情 LoRA 可让表情质量与一致性上一个大台阶。先整理训练集：

import os
import re
import shutil
from pathlib import Path

SRC = Path("selected")          # 已筛选的表情精品
DST = Path("loRA_dataset")      # 训练集目录

CAPTION_TEMPLATE = (
    "{character}, {emotion}, {intensity} expression, "
    "upper body, looking at viewer, anime style, masterpiece"
)

EMOTION_MAP = {
    "happy": "smiling happily",
    "angry": "angry expression",
    "sad": "crying sad expression",
    "surprise": "surprised expression",
    "fear": "scared expression",
}

for f in SRC.glob("*.png"):
    # 文件名形如 lin_xiaoman_happy_strong_front_001.png
    match = re.match(r"(w+)_(w+)_(w+)_w+_(d+).png", f.name)
    if not match:
        continue
    char_id, emotion, intensity, num = match.groups()
    new_name = f"{char_id}_{emotion}_{intensity}_{num}.png"
    shutil.copy(f, DST / new_name)
    caption = CAPTION_TEMPLATE.format(
        character=char_id, emotion=EMOTION_MAP.get(emotion, emotion), intensity=intensity
    )
    (DST / f"{new_name}.txt").write_text(caption, encoding="utf-8")

print(f"训练集就绪：{len(list(DST.glob('*.png')))} 张图片 + 对应打标文件")

训练建议：每角色 40~100 张表情图，分辨率统一 512×512，用 kohya_ss 或 sd-scripts 训练 15~30 epoch。

步骤 5：ComfyUI 工作流中调用表情参考（JSON）

在实际分镜生成时，用 IP-Adapter 把”表情库精选图”作为参考输入，配合 ControlNet 保证结构稳定。核心节点配置（节选）：

{
  "IPAdapter_Advanced": {
    "inputs": {
      "image": ["4", 0],
      "model": ["5", 0],
      "ipadapter": ["ipadapter", 0],
      "weight": 0.8,
      "noise": 0.4,
      "start_at": 0.0,
      "end_at": 1.0
    },
    "class_type": "IPAdapterAdvanced",
    "_meta": {"title": "IPAdapter 表情参考"}
  },
  "ControlNetLoader": {
    "inputs": {
      "model": "control_v11p_sd15_openpose [cab727d4]"
    },
    "class_type": "ControlNetLoader",
    "_meta": {"title": "姿态控制"}
  },
  "KSampler": {
    "inputs": {
      "seed": 42,
      "steps": 28,
      "cfg": 7.0,
      "sampler_name": "dpmpp_2m",
      "scheduler": "karras",
      "denoise": 1.0,
      "model": ["5", 0],
      "positive": ["7", 0],
      "negative": ["8", 0],
      "latent_image": ["9", 0]
    },
    "class_type": "KSampler",
    "_meta": {"title": "采样器"}
  }
}

步骤 6：建立表情速查表（Markdown）

最后为每个角色维护一张”表情速查表”，创作时直接引用，保证系列内表情语义统一：

# 角色表情速查表：林小满

| 情绪ID | 含义 | 参考图路径 | 提示词片段 |
|--------|------|-----------|-----------|
| happy_strong | 大笑（含泪笑） | expressions/selected/lin_xiaoman_happy_strong_front_001.png | laughing loudly, closed happy eyes |
| angry_strong | 暴怒 | expressions/selected/lin_xiaoman_angry_strong_front_002.png | furious, anger veins |
| sad_mid | 落泪 | expressions/selected/lin_xiaoman_sad_mid_front_003.png | teary eyes, sad |

> 用法：生成分镜时，将"参考图路径"喂给 IP-Adapter，"提示词片段"拼入正向提示词。