Toonflow 评测 AI 短剧画布的连接与素材保留

固定源码验证 Toonflow 的画布连线、素材清理候选和中文文本读取,说明本地部署、模型费用与生成效果的验收边界。

AgentIndex · 发布于 2026-11-05 · 更新于 2026-11-05

Toonflow 面向 AI 短剧、漫剧和短视频制作,把剧本、分镜、角色素材与生成任务组织到无限画布。它适合已经准备使用图像或视频模型、但需要管理镜头之间关系的创作者。选型时,除了看演示成片,还应检查素材是否能保留、连线是否有约束,以及自己的模型服务怎样接入。

这次的本地结果支持把它作为创作流程的候选:所测代码可以拒绝不匹配的媒体端口,并在计算素材清理候选时保留仍被引用的目录。我们运行的是独立模块,没有启动完整客户端或生成视频,成片质量需要在选定模型和实际镜头上另行验收。

固定版本与二十项本地检查

测试固定提交 6086cdffceb704a632eca143dd16cd461a78cdac,日期为 2026 年 11 月 5 日。源码声明使用 Bun 1.4.3,本次选取不依赖 Bun 服务的模块,使用 Node.js 26.6.0 原生 TypeScript 类型擦除运行。涉及文件识别的模块只借用本地 Axios 依赖处理错误类型;没有把这次结果称作 Bun 应用兼容性测试。源码与运行结构

范围实际观察
IMAGE 端口到 IMAGE、通配类型接受
IMAGE 端口到 VIDEO拒绝
自连接、缺少端口、接收端否决拒绝
仍被节点数据引用的素材目录不进入清理候选
无引用的合法节点目录返回该目录作为候选
根级画布标记与嵌套同名标记前者识别,后者拒绝
UTF-8 与带 BOM 的 UTF-16LE 中文正常解码
带空字节的二进制内容拒绝作为文本读取

共二十项检查通过,其中一项只确认 Compose 文件声明了回环端口绑定。完整脚本、源码指纹和各项结果保存在复现目录。这些检查覆盖选定模块的行为,不包含 UI 操作或一次完整创作任务。

连线约束有助于定位工作流错误

画布里的图片、视频和文本不是可以任意互换的数据。我们构造 IMAGE 输出与 IMAGE 输入时,连接通过;把输入改成 VIDEO 后,类型匹配失败。指定不存在的端口、自连接和接收端返回否决,也都被拒绝。端口连接实现

这类反馈能减少把错误留到模型请求阶段才发现的机会。但它验证的是声明的类型关系,不会判断人物参考图是否正确、视频模型是否理解镜头语言,或生成结果是否保持角色一致。实际试用时,先选择一个短镜头,核对输入素材、模型参数和输出文件,再扩展到多镜头。

如果引入自定义节点,还应检查节点是否正确声明端口、通配类型是否过宽,以及附加规则怎样处理错误。一个允许连线的画布,只说明结构条件满足,作品仍需要创作者判断。

素材引用与项目备份

删除节点前,最容易担心的是其他节点仍在使用同一份素材。所测函数会检查保留节点及其数据中的 assets/… 引用。我们的样例同时引用一个镜头目录和共享素材目录,二者均未被列入清理候选;另一个没有引用的合法节点目录则被返回。素材目录计算实现

函数返回的是候选路径,本次没有执行删除,也没有证明整个项目在所有并发修改情况下都不会丢素材。准备迁移或升级时,应保留完整项目、配置和素材,而非只保存画布 JSON。用一份可丢弃的副本测试打开、恢复和导出,比依赖目录名推断备份完整更可靠。

画布文件识别还有一个边界:根对象开头出现 toonflowCanvas:true 会走快速识别路径,即使后面的 JSON 不完整也可能返回 true。我们明确复现了这一点。因此,识别为画布文件不等于整个文件已通过完整结构验证,导入和恢复流程仍需单独检查。

中文剧本输入与模型接入

UTF-8 和带 BOM 的 UTF-16LE 中文样例均正常读取,带空字节的二进制样例被拒绝。DOCX 扩展名也能被识别,但扩展名识别不代表本次已经完成 Word 内容提取。文档与文本读取实现

对中文创作团队,试用应保留一份原始剧本,检查段落、标点、角色名称和分镜拆分是否正确,再让模型处理。长文本输入、OCR、文档转换和视频生成属于不同环节,某个读取检查通过不能替代整条流程的验收。

项目文档声明可配置第三方 API,也能接入本地 ComfyUI 和语言模型。MIT 许可允许自行部署,但第三方模型费用、显存和运行环境需要另外准备。开源创作工具免费,不代表每次图片或视频生成免费。项目功能与费用说明

本地部署前要确认什么

仓库的 Compose 配置把服务绑定到 127.0.0.1:3000,使用数据卷保存 /app/data。README 说明业务页面与 API 没有独立登录鉴权,远程访问需要限制端口来源或使用带认证的反向代理。这里是部署条件说明,本次没有构建 Docker 镜像或验证远程部署。Compose 配置

适合先做一个有明确角色、少量镜头和可追踪素材的试验项目。确认素材保留、任务失败后的恢复方式以及所用模型的输出质量后,再讨论批量生产。需要开箱即用成片效果证明的团队,不能用本篇模块测试替代自己的试片。

如果工作中还需要跨智能体保留制作决策,可看 Obsidian Second Brain 的共享日志评测。把流程图作为可编辑交付物时,也可参考 Next AI Drawio 评测。