toobusy · 너무바쁜베짱이

번거로운 여러 단계를 노드 하나로 접어버리는 ComfyUI 커스텀 노드 모음입니다.
여러 노드를 일일이 배선하기 귀찮은 사람을 위해, 한 노드가 체인 전체를 삼킵니다.

Fold the graph. — toobusy folds tedious multi-step ComfyUI workflows into single production nodes.

현재 문서는 v0.4.10 기준입니다.

Quick Start

cd ComfyUI/custom_nodes
git clone https://github.com/nicekriss/toobusy.git toobusy

업데이트:

cd ComfyUI/custom_nodes/toobusy
git pull

ComfyUI를 재시작하세요. 프런트엔드(JS) 변경을 받은 뒤에는 브라우저를 강력 새로고침(hard refresh) 하는 것을 권장합니다.

MiniMax H3 Single-Image Editing

toobusy MiniMax H3 Image Latent는 공식 H3 노드가 아직 만들지 못하는 T=1 영상+오디오 latent를 생성합니다. ComfyUI 코어 파일을 수정하거나 일반 Empty Latent Image를 연결하지 않고, MiniMax H3 Ref2V 모델과 MiniMax H3 Image VAE를 정지 이미지 편집에 사용할 수 있습니다.

width / height
-> toobusy MiniMax H3 Image Latent
-> SamplerCustomAdvanced
-> VAE Decode (MiniMax H3 Image VAE)

• H3의 MODEL, CONDITIONING, sampler, scheduler는 기존 ComfyUI 네이티브 노드를 그대로 사용합니다.
• 이 노드는 batch 1, 단일 프레임 전용입니다. 영상 생성에는 공식 Empty MiniMax H3 AV Latent를 사용하세요.
• 일반 Empty Latent Image는 H3가 요구하는 영상+오디오 NestedTensor가 아니므로 호환되지 않습니다.
• 검증 예제: minimax_h3_single_image_6edit.json

MiniMax H3 Character-Sheet References

캐릭터시트 워크플로우는 얼굴과 의상을 먼저 3-view 캐릭터로 확정한 뒤, 그 결과를 두 번째 H3 패스의 포즈·소품 패널 기준으로 사용합니다.

• toobusy MiniMax H3 Optional Reference: 꺼진 선택 레퍼런스의 이미지 브랜치를 실행하지 않습니다.
• toobusy MiniMax H3 Semantic Reference: Gemma 분석의 의미 설명은 유지하면서 안전하다고 판정된 이미지만 H3에 전달합니다.
• toobusy MiniMax H3 Reference Manifest: 실제로 전달된 이미지에 맞춰 <Picture N> 번호와 역할 문장을 압축합니다.
• 예제: 2BZ_H3_character_sheet_2stage_v1.json

Wan Animate 2 Long Sampler

toobusy Wan Animate 2 Long Sampler는 긴 드라이빙 영상을 Wan의 유효한 4k+1 프레임 청크로 자동 분할하고, 각 청크를 1프레임씩 이어 붙인 뒤 요청한 총 프레임 수에 정확히 맞춰 마지막을 자릅니다.

final MODEL / positive / negative / SAMPLER / SIGMAS
+ reference image / driving video / VAE
-> toobusy Wan Animate 2 Long Sampler
-> Create Video

• total_frames에는 VHS loaded_frame_count처럼 실행 시 계산되는 INT를 연결할 수 있습니다.
• frames_per_sampler 시작값: 12GB는 33, 16GB는 49, 24GB는 81프레임.
• 모델 로더, LoRA, attention, 캐시와 컨디셔닝은 노드 밖에서 구성한 최종 소켓을 연결합니다.
• ComfyUI 코어의 실험적 WanAnimate2ToVideo 노드와 연속 생성 출력이 필요합니다.

FlashVSR v1.1 Full + BSA

긴 영상을 청크 단위로 처리하면서 모델을 단계별로 내리는 노드와 VRAM/해상도 프리셋을 제공합니다.

Get Video Components
-> toobusy FlashVSR VRAM & Resolution Preset
-> toobusy FlashVSR Loader
-> toobusy FlashVSR Long Sampler
-> toobusy FlashVSR Full Decoder
-> Create Video

• 검증 프리셋: 2x, 1024x576, chunk_frames=21, chunk_overlap=8, Full VAE tiled, BSA.
• 검증 환경: Windows, RTX 3090 24GB, Python 3.13, PyTorch 2.12.1+cu130.
• VRAM 프리셋: 12GB는 aggressive offload + Safe decode, 16GB는 standard offload + Balanced decode, 24GB+는 GPU resident + orientation-aware Fast decode를 사용합니다. 32GB aggressive는 고해상도 작업을 위해 aggressive offload + Balanced decode를 사용합니다.
• 해상도 프리셋은 최종 출력 크기를 표시하며 샘플러에는 2배 업스케일 전 기준 크기를 전달합니다. 고해상도 프리셋은 내부 128배수 크롭과 실제 출력값이 일치하도록 표기합니다.
• 샘플러가 DiT만 로드한 뒤 CPU latent를 만들고 해제하며, 디코더가 그 다음 VAE만 로드합니다. 실행 사이에 GPU 모델을 전역 캐시하지 않습니다.
• 모델 자동 다운로드는 하지 않습니다. 아래 파일을 직접 배치해야 합니다.

파일	저장 위치	다운로드
diffusion_pytorch_model_streaming_dmd.safetensors	ComfyUI/models/FlashVSR/	FlashVSR v1.1 DiT
LQ_proj_in.ckpt	ComfyUI/models/FlashVSR/	LQ projection
posi_prompt.pth	ComfyUI/models/FlashVSR/	prompt tensor
Wan2.1_VAE.pth	ComfyUI/models/vae/	Wan 2.1 VAE

먼저 일반 Python 의존성을 설치합니다.

python -m pip install -r custom_nodes/toobusy/requirements_flashvsr.txt

그 다음 현재 Python/PyTorch/CUDA 조합과 정확히 맞는 block_sparse_attn wheel을 설치해야 합니다. 위 검증 환경 전용 wheel은 여기입니다. 다른 환경에는 이 wheel을 설치하면 안 됩니다. ComfyUI Desktop의 Torch 선택을 먼저 끝낸 뒤 BSA를 설치하세요.

디코더의 tile_preset은 safe, balanced, fast를 제공합니다. 큰 프리셋일수록 VRAM을 더 사용하는 대신 중복 타일 계산을 줄입니다. 12GB Safe는 0.8MP 약 5초 입력을 FHD로 처리하는 실측에서 596.23초, 피크 8.69GB로 완주했습니다. offload=true 경로는 VRAM을 크게 낮추지만 속도는 느려질 수 있습니다. 예제는 flashvsr_v11_full_bsa_long.json입니다.

처음 설치했다면 예제 워크플로우부터 여는 것이 가장 빠릅니다.

1. ComfyUI에서 docs/workflows/korean_scene_to_ideogram4.json을 드래그해 엽니다.
2. 워크플로우 안의 Note 노드에 적힌 모델 파일과 필요한 커스텀 노드를 준비합니다.
3. toobusy Ideogram Prompt Polish에 한국어 장면을 입력합니다.
4. 출력된 ideogram_json을 Ideogram Layout Builder의 Import polished로 가져옵니다.
5. 레이아웃을 확인하거나 수정한 뒤 toobusy Ideogram4 T2I로 이미지를 생성합니다.

핵심 흐름:

한국어 장면
-> Ideogram용 구조화 프롬프트
-> Layout Builder에서 구도 확인
-> Ideogram4 이미지 생성

Ideogram4 T2I는 웹 API가 아니라 로컬 Ideogram4 모델용 노드입니다. 해당 모델과 ComfyUI의 Ideogram4 지원 노드가 준비되어 있어야 합니다.

지금 중심 기능

구분	노드	한 줄 설명
영상	toobusy Wan SCAIL Extend Sampler	Wan 2.1 SCAIL-2 생성 + 익스텐드 체인을 1노드로 접습니다.
레퍼런스	toobusy Reference Board	이미지/오디오/텍스트/LoRA 카드를 한 보드에 모아 하나의 TOOBUSY_BUNDLE로 묶습니다. 카드에 얼굴 지우기 / 얼굴만 남기기 / 배경 제거 모듈을 붙이고, 프리셋·호버 확대·드래그아웃·이미지 교체를 지원합니다.
레퍼런스	toobusy Flux2 Klein Prompt Director	Bundle을 받아 버튼만으로 최종 프롬프트를 조립합니다. 연결된 보드의 등록 카드만 버튼으로 뜨고, FaceSwap / Product Swap / Character Swap을 켤 수 있습니다.
레퍼런스	toobusy Bundle Unpack / Bundle Get	Bundle에서 역할별 이미지·오디오·프롬프트·LoRA를 꺼냅니다. (Bundle Get은 연결 보드 기준 역할 드롭다운)
이미지	toobusy Flux2 Klein	Flux2 Klein 9B 레퍼런스 생성 그래프를 1노드로 접습니다. TOOBUSY_BUNDLE을 직접 받아 빈 레퍼런스 슬롯·LoRA를 채우고, 스왑 순서를 auto로 따라갑니다.
이미지	toobusy Background Remove / Face Mask	rembg 배경 제거 / 얼굴 erase·keep 마스킹 노드(선택 의존성). 마스킹은 YOLO→mediapipe→opencv 순으로 검출합니다.
토킹헤드	toobusy DreamID-Omni Loader/Talker	설치된 DreamID-Omni 노드에 위임하는 토킹헤드 골격(선택 의존성).
이미지	toobusy Z-Image Turbo	Z-Image Turbo t2i/img2img/latent-in 그래프를 1노드로 접습니다.
이미지	toobusy MiniMax H3 Image Latent	H3 Ref2V를 T=1 이미지 VAE와 사용하는 네이티브 AV latent를 만듭니다.
레퍼런스	toobusy MiniMax H3 Optional Reference	꺼진 선택 레퍼런스 브랜치를 lazy하게 건너뜁니다.
레퍼런스	toobusy MiniMax H3 Semantic Reference / Reference Manifest	Gemma 설명과 직접 이미지 전달을 분리하고 실제 Picture 번호를 정리합니다.
보정 루프	toobusy Hires Upscale	업스케일 + 리샘플 + VAE Encode를 하이레즈 픽스용 1노드로 접습니다.
컨트롤	toobusy ZIT ControlNet	Z-Image Turbo 앞에 depth/canny/pose 컨트롤을 모듈처럼 붙입니다.
기획	toobusy Keyframe Maker	아이디어와 참조 이미지를 샷 비트/키프레임 프롬프트로 정리합니다.
기획	toobusy Storyboard Board	ComfyUI 안에서 이미지 보드와 키프레임 마킹을 처리합니다.
기획	toobusy Paint Canvas	그래프 앞단에서 러프 페인팅과 마스크를 만들고 바로 생성 노드로 보냅니다.
텍스트 인코더	toobusy Load CLIP	safetensors/.gguf 텍스트 인코더를 한 노드로 로드합니다.
Ideogram	toobusy Ideogram Prompt Polish / Layout Builder / Ideogram4 T2I	한국어 장면 → 구조화 프롬프트 → 레이아웃 → 로컬 Ideogram4 생성 흐름입니다. Prompt Polish는 image+비전 모델(Gemma 4) 연결 시 이미지 1장을 분석해 레이아웃 JSON 초안도 만들고, Layout Builder의 ⟳ Pull from input으로 캔버스에 올립니다. release_clip_after_run은 프롬프트 생성 뒤 해당 CLIP만 VRAM에서 내려 대형 생성 모델과의 병목을 줄입니다. T2I의 공식 품질 프리셋은 권장 sampler/CFG/스케줄 값을 함께 적용하며, KJNodes가 있으면 SageAttention을 노드 안에서 켤 수 있습니다.
Ideogram	toobusy Layout Text Overlay	생성된 이미지 위에 실제 한글 텍스트를 인터랙티브하게(드래그·편집·폰트크기) 얹어, Ideogram이 못 그리는 한글을 크리스피하게 렌더합니다(layout_json 자동 시드).
LTX	toobusy LTX2.3 3종	LTX2.3 AV 프롬프트, 빈 latent, 샘플러 블록을 컴팩트하게 만듭니다.

노드는 카테고리로 접혀 있습니다.

• toobusy/Plan — 기획·연출·프롬프트·스토리보드·Reference Board·Director·Bundle 작업을 접습니다.
• toobusy/Make — 이미지/영상 생성 파이프라인을 접습니다.
• toobusy/Image — 배경 제거·얼굴 마스킹 같은 이미지 전처리 노드.
• toobusy/DreamID — DreamID-Omni 토킹헤드 노드.

v0.3.0 / v0.3.1에서 특히 달라진 점

레퍼런스 기반 제작 생태계(Reference Board → Prompt Director → Flux2 Klein)를 처음으로 공개했습니다.

• toobusy Reference Board 추가: 이미지/오디오/텍스트/LoRA 카드를 한 보드에서 구성해 하나의 TOOBUSY_BUNDLE로 묶습니다.
  • 카드 부착 모듈: Erase Face(몸의 얼굴 제거) / Keep Face Only(얼굴만 남기기) / Remove Background(배경 제거) — 카드 이미지에 서버측에서 적용됩니다.
  • 텍스트 카드(Goal/Style/Negative/Custom)와 레퍼런스 이름 삽입 칩, 독립 LoRA 카드 및 Face 카드 FaceSwap LoRA 드롭다운.
  • 카드 호버 확대 미리보기, 드래그아웃(다른 앱/브라우저로 이미지·오디오 끌어다 놓기), 카드 이미지 클릭/드롭 교체(설정 유지), 이름 충돌 없는 프리셋 저장/로드.
• toobusy Flux2 Klein Prompt Director 추가: Bundle을 받아 버튼 패널로 최종 프롬프트를 조립합니다. 연결된 Reference Board의 등록 카드만 버튼으로 동적 표시되고, FaceSwap / Product Swap / Character Swap 플래그와 Camera/Lighting/Style 프리셋 칩을 제공합니다.
• toobusy Bundle Unpack / Bundle Get 추가: Bundle에서 역할별 이미지·오디오·프롬프트·LoRA를 꺼냅니다.
• toobusy Background Remove(rembg) / Face Mask(YOLO→mediapipe→opencv) 추가(선택 의존성): 배경 제거 및 얼굴 erase/keep 마스킹.
• toobusy DreamID-Omni Loader/Talker 추가(선택 의존성): 설치된 DreamID-Omni 노드에 위임하는 토킹헤드 골격.
• toobusy Flux2 Klein 강화: TOOBUSY_BUNDLE을 직접 받아 빈 레퍼런스 슬롯을 채우고 번들 LoRA를 적용합니다. bundle_reference_order에 auto(기본, Director 스왑 플래그를 따름)·product_swap·character_swap이 추가됐습니다.

핵심 흐름:

Reference Board (이미지/오디오/텍스트/LoRA 카드 + 모듈)
-> TOOBUSY_BUNDLE
-> Prompt Director (버튼으로 프롬프트 조립 + 스왑 플래그)
-> Flux2 Klein (레퍼런스 생성)

v0.2.11에서 특히 달라진 점

• toobusy Wan SCAIL Extend Sampler 프레임 계획 추가: frame_mode를 target total로 두면 원하는 총 프레임만 입력하고, 노드가 base/extend 청크를 자동 분할합니다. 기존 +/- 방식은 manual segments로 그대로 쓸 수 있습니다.
• SCAIL color_match 조절 강화: color_match_strength와 color_sample이 추가되어, 클로즈업/와이드샷 전환에서 다음 청크가 한 색으로 물드는 상황을 줄이기 쉬워졌습니다.
• SCAIL-2 예제 워크플로우 교체: docs/workflows/wan21_scail2.json을 최신 SCAIL 노드 중심 예제로 갱신했습니다.

v0.2.10에서 특히 달라진 점

• toobusy Flux2 Klein 추가: Flux2 Klein 9B 레퍼런스 그래프를 1노드로 접었습니다. 레퍼런스 슬롯은 최대 5개, LoRA 슬롯도 최대 5개까지 쓸 수 있습니다.
• toobusy Load CLIP 추가: safetensors와 .gguf 텍스트 인코더를 한 노드로 로드합니다. 토큰 수가 늘어난 커스텀/파인튜닝 LLM도 임베딩 크기를 맞춰 로드할 수 있습니다.
• toobusy Z-Image Turbo 강화: positive_override / negative_override / latent_override / zit_control 입력과 model / model_clean / clip / vae / positive / negative passthrough 출력이 추가되어, 외부 샘플러 없이 하이레즈 루프를 닫기 쉬워졌습니다.
• toobusy Hires Upscale 추가: 4x 업스케일 모델 → 리샘플 → VAE Encode를 한 노드로 묶었습니다.
• toobusy ZIT ControlNet 추가: depth/canny/pose 컨트롤을 Z-Image Turbo에 모듈처럼 연결합니다.
• toobusy Wan SCAIL Extend Sampler 개선: 익스텐드 청크 색 드리프트를 줄이기 위해 color_anchor 옵션이 추가되었습니다.

대표 데모

1. Wan SCAIL-2 — 영상 생성/익스텐드 그래프 접기

_{↑ SCAIL-2 결과 영상 미리보기 — 클릭하면 mp4. 워크플로우: wan21_scail2.json}

2. Flux2 Klein — 레퍼런스 이미지 기반 생성 그래프 접기

_{↑ Load Image → toobusy Flux2 Klein → Save Image. 워크플로우: toobusy_flux2klein.json}

toobusy Flux2 Klein은 레퍼런스 이미지를 받아 Flux2 Klein 9B 생성 체인을 한 노드로 접습니다. 이 예제는 9:16, 1MP, Euler, 4 steps 기준이며, 레퍼런스의 인물과 의상 특징을 유지한 전신 세로 이미지를 만드는 흐름입니다.

model_name : FLUX2\flux-2-klein-9b-kv-fp8.safetensors
clip_name  : flux2\qwen38BFluxKlein9BTE_38b.safetensors
vae_name   : flux2-vae.safetensors

3. Ideogram4 — 한국어 장면에서 레이아웃과 이미지까지

_{↑ Prompt Polish → Layout Builder → Ideogram4 T2I. 워크플로우: korean_scene_to_ideogram4.json}

_{↑ toobusy Ideogram 계열 노드로 만든 결과 — 클릭하면 원본.}

4. Z-Image Turbo — t2i/img2img/latent-in 그래프를 한 노드로

_{↑ Z-Image Turbo 예제 워크플로우. 결과 예시: z_image_turbo_sample.png}

왜 “접기”인가 — Before → After

설치하면 기존 그래프가 짧아집니다. 그게 toobusy의 약속입니다.

노드	Before	After
Wan SCAIL Extend Sampler	SCAIL-2 생성 + 익스텐드 + 오버랩 트림 + 색보정 체인	1 노드
Flux2 Klein	Flux2 Klein 9B 레퍼런스 그래프 + KV cache + reference latent 체인	1 노드
Z-Image Turbo	UNET/CLIP/VAE 로더 + LoRA + 인코딩 + 샘플러 + 디코드	1 노드
ZIT ControlNet	depth/canny/pose 전처리 + Fun-ControlNet-Union 패치 체인	1 노드
Hires Upscale	업스케일 모델 로드 + 업스케일 + 리샘플 + VAE Encode	1 노드
Ideogram4 T2I	로컬 Ideogram4 로더/컨디셔닝/스케줄러/샘플러/디코드 체인	1 노드
LTX2.3 Compact AV Sampler	LTX2.3 AV 샘플링 블록	1 노드
Keyframe Maker	브리프 → 샷 비트 → 비주얼 앵커 → 키프레임 → 스토리	1 노드
Storyboard Board	외부 보드 앱 + 캡처 + 임포트	노드 안에서 바로
Paint Canvas	외부 페인팅 앱 + 저장 + Load Image 왕복	노드 안에서 바로

새 노드 추가 기준도 동일합니다: “이게 귀찮은 여러 단계를 하나로 접나?” — Yes만 들어옵니다.

필요한 것 & 제약

완벽한 척보다 “이 조건에서 검증됨” 을 적습니다. 접기 노드는 내부에서 여러 ComfyUI 노드/모델을 호출하므로, 전제가 갖춰져야 동작합니다.

노드	필요한 것	제약 / 검증 조건
Wan SCAIL Extend Sampler	외부 model/clip/vae 로더 + reference_image + pose_video + 최신 ComfyUI SCAIL-2 코어	코어 WanSCAILToVideo에 SCAIL-2 확장 입력이 필요합니다. SAM3/KJNodes/VHS는 예제 워크플로우 재현에 필요합니다.
Flux2 Klein	Flux2 Klein 9B 모델 + Qwen3 계열 Flux2 텍스트 인코더 + Flux2 VAE	레퍼런스 #1은 기본적으로 출력 크기 기준이 됩니다. size_mode로 ratio/manual 강제가 가능합니다.
Z-Image Turbo	Z-Image Turbo 디퓨전 모델 + lumina2 텍스트 인코더 + VAE	모델 파일이 ComfyUI 모델 폴더에 있어야 합니다.
ZIT ControlNet	Z-Image-Turbo-Fun-Controlnet-Union 모델 패치 + 선택적 controlnet_aux	depth/pose 전처리는 comfyui_controlnet_aux가 필요합니다. Canny는 코어 노드로 폴백합니다.
Ideogram4 T2I	로컬 Ideogram4 모델 + ComfyUI Ideogram4 지원 노드 + UNET 2개(model/uncond) + ideogram4 CLIP	웹 API가 아닙니다. Ideogram4 미지원 빌드에서는 실행 시점에 실패합니다.
Keyframe Maker	clip에 텍스트 생성 가능한 모델 + ComfyUI TextGenerate 노드	출력 품질은 연결한 LLM에 좌우됩니다.
LTX2.3	ComfyUI에 LTX 2.3 노드셋(LTXV*) + LTX 모델/VAE/텍스트 인코더	LTX 지원이 없는 환경에서는 실행 시점에 실패합니다.
Storyboard Board / Paint Canvas	Pillow·numpy·torch	이미지와 레이어 데이터는 워크플로우에 임베드되므로, 너무 많이 넣으면 JSON이 커질 수 있습니다.
Load CLIP	safetensors 또는 .gguf 텍스트 인코더	.gguf는 ComfyUI-GGUF가 설치돼 있어야 로드됩니다. Text Generate용 프롬프트 인핸서에는 Gemma 계열이 안전합니다.
Reference Board / Director / Bundle	(코어 의존성 없음)	Director는 clip에 텍스트 생성 가능한 모델이 필요합니다. 카드 모듈을 쓰면 아래 선택 의존성이 필요합니다.
Background Remove	rembg + onnxruntime (선택)	pip install -r custom_nodes/toobusy/requirements_rembg.txt. 모델은 최초 실행 시 다운로드됩니다(GPU는 onnxruntime-gpu).
Face Mask / 카드 얼굴 모듈	opencv-python 필수 + mediapipe·ultralytics YOLO face 모델(선택)	pip install -r custom_nodes/toobusy/requirements_facemask.txt. YOLO face 모델(Face Detailer 모델)이 있으면 자동 사용, 없으면 opencv로 폴백합니다.
DreamID-Omni	설치된 benjiyaya/ComfyUI_Dreamid-Omni 노드 + 해당 모델	pip install -r custom_nodes/toobusy/requirements_dreamid_omni.txt. toobusy 노드는 upstream에 위임하므로 그쪽 모델/의존성이 있어야 합니다.

모델 파일은 저장소에 포함하지 않습니다. 각 모델은 ComfyUI의 해당 폴더(diffusion_models/text_encoders/vae/loras/model_patches)에 직접 두세요.

예제 워크플로우

docs/workflows/에 “열면 돌아가는” 워크플로우를 둡니다.

• wan21_scail2.json — Wan 2.1 SCAIL-2 모션 트랜스퍼 예제(36노드). 레퍼런스 이미지 + 댄스 영상 → toobusy Wan SCAIL Extend Sampler 중심 구성으로 베이스 생성 + 익스텐드 흐름을 확인합니다. 결과: wan21_scail2_sample.mp4.
• toobusy_flux2klein.json — toobusy Flux2 Klein 한 노드로 레퍼런스 이미지 기반 생성 그래프를 접는 예제. Load Image → Flux2 Klein → Save Image 구성입니다.
• korean_scene_to_ideogram4.json — 한국어 장면 → Prompt Polish → Layout Builder → Ideogram4 T2I. 처음 사용자는 이 워크플로우를 먼저 열어 전체 흐름을 확인하는 것을 권장합니다.
• z_image_turbo.json — toobusy Z-Image Turbo 한 노드로 t2i/img2img 기본 그래프를 접는 예제. image 입력에 Load Image를 연결하면 자동으로 img2img로 전환됩니다.

추천 조합

Wan SCAIL-2 모션 트랜스퍼 / 익스텐드

reference_image + pose_video
-> Wan SCAIL Extend Sampler
-> video / preview frames

SCAIL-2 예제는 여러 전처리와 익스텐드 단계를 하나로 접는 흐름을 보여줍니다. 세그먼트/마스크/비디오 저장 쪽 커스텀 노드는 예제 워크플로우 안의 Note를 확인하세요.

Reference Board → Director → Flux2 Klein (레퍼런스 제작 흐름)

Reference Board (캐릭터/얼굴/의상/제품/배경 카드 + 모듈)
-> toobusy_bundle
-> Prompt Director (버튼으로 프롬프트 조립 + FaceSwap/ProductSwap/CharacterSwap)
-> Flux2 Klein (bundle_reference_order = auto)
-> image

캐릭터 스왑 예: Reference Board에 Character A(유지할 장면/포즈)와 Character B(넣을 인물)를 등록하고, Director에서 Character Swap 버튼 + 두 카드를 선택한 뒤 Goal 텍스트 카드에 의도를 적습니다. Flux2 Klein은 auto로 스왑 순서를 따라갑니다. 페이스 스왑은 몸 카드에 Erase Face, 얼굴 소스 카드에 Keep Face Only 모듈을 붙이면 더 깔끔합니다.

Flux2 Klein 레퍼런스 생성

Load Image
-> reference_1_image
-> Flux2 Klein
-> image / latent / model / model_clean / clip / vae / positive

레퍼런스 슬롯은 최대 5개까지 확장할 수 있습니다. 기본 size_mode는 from reference라서 reference #1의 크기를 따릅니다. 세로 숏을 강제하고 싶으면 예제처럼 size_mode를 ratio + megapixels, ratio_preset을 9:16으로 둡니다.

Z-Image Turbo 하이레즈 루프

Z-Image Turbo
-> Hires Upscale
-> Z-Image Turbo(latent_override)

첫 번째 Z-Image Turbo의 image / latent / vae / positive / negative 출력을 재사용하면, 외부 로더나 CLIPTextEncode를 반복해서 깔지 않고 2차 패스를 구성할 수 있습니다.

Z-Image Turbo + ControlNet

Paint Canvas 또는 Load Image
-> ZIT ControlNet(depth/canny/pose)
-> Z-Image Turbo(zit_control)

ZIT ControlNet을 연결하지 않으면 기존 Z-Image Turbo 동작과 동일합니다.

Storyboard → 영상 기획

Storyboard Board에서 이미지 카드 배치
-> K로 키프레임 마킹
-> keyframes 출력
-> 영상 생성/기획 노드로 연결

이미지 보드가 단순 메모장이 아니라, 실제 IMAGE 배치 출력으로 이어지는 키프레임 허브가 됩니다.

FAQ / Troubleshooting

Ideogram4 T2I가 왜 안 돌아가나요?

이 노드는 웹 Ideogram API 호출 노드가 아닙니다. 로컬 Ideogram4 모델과 ComfyUI의 Ideogram4 지원 노드가 필요합니다.

Z-Image Turbo에서 모델이 이상하게 잡힙니다.

v0.2.10부터 파일명 퍼지 스캔으로 Z-Image 모델/텍스트 인코더/VAE를 자동 감지합니다. 그래도 엉뚱한 파일이 잡히면 model_name / clip_name / vae_name을 직접 지정하세요.

Z-Image Turbo 2차 패스에서 어떤 model 출력을 써야 하나요?

같은 해상도와 같은 컨트롤 조건을 이어갈 때는 model을 써도 됩니다. 다른 해상도 2차 패스나 LoRA를 바꿔 끼우는 흐름이라면 model_clean이 더 안전합니다.

Flux2 Klein에서 전신 세로샷이 잘리면?

프롬프트에 full-length, head to toe, entire body visible, standing upright, both feet on the ground처럼 구도 제약을 명확히 넣고, ratio + megapixels에서 9:16 세로 비율을 먼저 고정하세요.

Load CLIP으로 Llama/Dolphin GGUF를 로드했는데 Text Generate가 안 됩니다.

로드 자체와 generate() 지원은 다릅니다. ComfyUI 래퍼상 Text Generate 프롬프트 인핸서로는 Gemma 계열이 가장 안전합니다.

워크플로우 JSON이 너무 커집니다.

Storyboard Board와 Paint Canvas는 이미지를 board_data / canvas_data에 임베드합니다. 이미지나 레이어가 많을수록 워크플로우 JSON이 커집니다.

로드맵

단기 계획:

1. Reference Board 카드용 마스크 에디터(수동) + 의상 교체 마스킹(캐릭터=의상 제거, 의상 이미지=의상만 남기기).
2. 고품질 페이스 스왑을 위한 insightface 옵션 검토.
3. 레퍼런스 제작 흐름 예제 워크플로우 추가, 노드별 상세는 docs/로 분리.

라이선스

이 저장소의 라이선스는 LICENSE를 확인하세요.