目前是用的T4主机，请给出使用Ubuntu + Docker + ComfyUI的详细的步骤

下面给你一套在 T4 GPU 主机上部署 Ubuntu + Docker + ComfyUI 的完整方案。
目标是：一条命令启动，支持GPU，支持模型持久化，适合生产和长期运行。

我按 0基础到可用的顺序写。

---

一、系统准备（Ubuntu）

建议系统：

• Ubuntu 22.04 LTS

• GPU：NVIDIA T4

• CUDA：11.8 或以上

先更新系统：

sudo apt update
sudo apt upgrade -y

安装基础工具：

sudo apt install -y git wget curl vim

---

二、安装 NVIDIA 驱动

先确认 GPU：

nvidia-smi

如果出现类似：

Tesla T4
Driver Version: 535.xx
CUDA Version: 12.x

说明驱动已经安装。

如果没有：

sudo ubuntu-drivers autoinstall
sudo reboot

重启后再次测试：

nvidia-smi

---

三、安装 Docker

安装 docker：

curl -fsSL https://get.docker.com | sh

启动 docker：

sudo systemctl enable docker
sudo systemctl start docker

把当前用户加入 docker 组：

sudo usermod -aG docker $USER

重新登录一次。

测试：

docker --version

---

四、安装 NVIDIA Container Toolkit（关键）

这是 Docker 使用 GPU 的核心组件。

安装：

distribution=$(. /etc/os-release;echo $ID$VERSION_ID)

curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add -

curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list \
| sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt update
sudo apt install -y nvidia-container-toolkit

配置 docker runtime：

sudo nvidia-ctk runtime configure --runtime=docker

重启 docker：

sudo systemctl restart docker

---

五、测试 GPU Docker

运行：

docker run --rm --gpus all nvidia/cuda:12.2.0-base-ubuntu22.04 nvidia-smi

如果输出：

Tesla T4

说明 GPU Docker 已经成功。

---

六、创建 ComfyUI 项目目录

创建目录：

mkdir comfyui
cd comfyui

创建目录结构：

mkdir models
mkdir output
mkdir input
mkdir custom_nodes

结构：

comfyui
 ├ models
 ├ output
 ├ input
 ├ custom_nodes
 └ docker-compose.yml

---

七、编写 docker-compose.yml

创建：

vim docker-compose.yml

写入：

version: "3"

services:
  comfyui:
    image: runpod/comfyui:latest
    container_name: comfyui

    ports:
      - "8188:8188"

    environment:
      - NVIDIA_VISIBLE_DEVICES=all
      - COMFYUI_SECURITY_LEVEL=0

    volumes:
      - ./models:/workspace/models
      - ./output:/workspace/output
      - ./input:/workspace/input
      - ./custom_nodes:/workspace/custom_nodes

    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

    restart: unless-stopped

---

八、启动 ComfyUI

启动：

docker compose up -d

查看日志：

docker logs -f comfyui

如果看到：

Running on http://0.0.0.0:8188

说明启动成功。

---

九、访问 ComfyUI

浏览器打开：

http://服务器IP:8188

例如：

http://123.123.123.123:8188

就可以进入 ComfyUI UI。

---

十、模型放哪里

模型路径：

comfyui/models/checkpoints

例如：

models
 ├ checkpoints
 │   └ juggernautXL.safetensors
 ├ loras
 ├ vae
 ├ controlnet

创建：

mkdir -p models/checkpoints
mkdir -p models/loras
mkdir -p models/controlnet
mkdir -p models/vae

---

十一、安装常用 ComfyUI 插件

进入容器：

docker exec -it comfyui bash

安装 Manager：

cd /workspace/custom_nodes

git clone https://github.com/ltdrdata/ComfyUI-Manager.git

退出：

exit

重启：

docker restart comfyui

---

十二、验证 GPU 是否在工作

运行：

docker exec -it comfyui nvidia-smi

如果看到：

python

占用 GPU，说明正常。

---

十三、推荐模型（T4 最适合）

T4 显存 16GB

推荐：

SDXL

juggernautXL
dreamshaperXL

SD1.5

revAnimated
deliberate
anything

---

十四、推荐 ComfyUI 工作流

必装：

ComfyUI-Manager
Impact Pack
AnimateDiff
IPAdapter
ControlNet

---

十五、生产环境建议（重要）

端口不要裸露公网。

建议加：

Nginx + 域名

或者

Cloudflare Tunnel

或者

Tailscale

---

十六、最终部署结构（推荐）

服务器结构：

/opt/ai
 ├ comfyui
 │   ├ models
 │   ├ output
 │   ├ input
 │   ├ custom_nodes
 │   └ docker-compose.yml

启动：

docker compose up -d

---

十七、一个进阶技巧（T4 性能优化）

在 docker-compose.yml 加：

environment:
  - PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

能减少显存碎片。

---

十八、如果你想做 AI生产系统（非常推荐）

可以做：

ComfyUI
+
Automatic1111
+
Ollama
+
Whisper
+
TTS

变成一个：

AI内容生产服务器

例如：

• AI绘画

• AI视频

• AI配音

• AI数字人

---

如果你愿意，我可以 再给你一套真正生产级的部署架构：

T4服务器打造 AI工作站：

包含：

• ComfyUI

• SD WebUI

• Fooocus

• Ollama

• OpenWebUI

• Automatic1111

• 视频生成

• 数字人

全部 Docker一键部署架构。

我可以直接给你一套 完整 docker-compose（行业级方案）。

现在comfyUI已经可以正常工作 了

很好 ，既然 ComfyUI 已经在 T4 + Ubuntu + Docker 上正常运行，接下来建议你做的不是继续折腾安装，而是把环境升级为可长期使用的生产环境。
我给你一个下一步最合理的路线（90%的人都会这么走）。

---

一、先确认 GPU 是否真正被 ComfyUI 使用

进入容器：

docker exec -it comfyui nvidia-smi

如果看到类似：

python3 /workspace/ComfyUI/main.py

并且 GPU Memory 在增长，说明 GPU 正常。

---

二、安装 ComfyUI Manager（必须）

这是 ComfyUI插件管理器。

进入容器：

docker exec -it comfyui bash

安装：

cd /workspace/custom_nodes
git clone https://github.com/ltdrdata/ComfyUI-Manager.git

退出：

exit

重启：

docker restart comfyui

刷新网页，你会看到：

Manager

按钮。

---

三、必须安装的插件（强烈推荐）

打开 Manager → Install Custom Nodes

建议安装：

1 控制类

ComfyUI-Impact-Pack

功能：

• 高级控制

• 节点增强

• 分辨率控制

---

2 ControlNet

ComfyUI-Advanced-ControlNet

作用：

• 姿势控制

• 边缘控制

• 深度控制

---

3 IPAdapter

ComfyUI_IPAdapter_plus

作用：

图片参考生成

---

4 AnimateDiff

ComfyUI-AnimateDiff

作用：

文生视频

---

5 Video Helper

ComfyUI-VideoHelperSuite

作用：

• 视频输入

• 视频输出

---

四、T4 推荐模型（非常重要）

T4 16GB 显存，最稳的是：

SDXL

推荐：

JuggernautXL
DreamShaperXL
RealVisXL

SD1.5

推荐：

revAnimated
deliberate
anything

模型放这里：

models/checkpoints

---

五、推荐目录结构

建议整理：

models
 ├ checkpoints
 ├ loras
 ├ controlnet
 ├ vae
 ├ embeddings
 ├ ipadapter

创建：

mkdir -p models/{checkpoints,loras,vae,controlnet,ipadapter,embeddings}

---

六、建议开启自动更新插件

进入：

Manager

开启：

Auto Update

---

七、T4 性能优化（非常关键）

进入 docker-compose.yml

增加：

environment:
  - PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128

可以减少：

CUDA out of memory

---

八、建议打开远程访问

如果你需要远程用：

http://服务器IP:8188

建议加：

方案1

Nginx

方案2（推荐）

Cloudflare Tunnel

方案3

Tailscale

---

九、建议做的三件大事（最重要）

如果你是要 做 AI 内容生产 或 数字人，建议继续部署：

1 数字人

部署：

MuseTalk
SadTalker
Wav2Lip

---

2 视频生成

AnimateDiff
SVD

---

3 AI助手

部署：

Ollama
OpenWebUI

---

十、真正高手都会这样搭环境

最终 AI 服务器：

AI-SERVER
 ├ ComfyUI
 ├ Automatic1111
 ├ Fooocus
 ├ Ollama
 ├ OpenWebUI
 ├ Whisper
 ├ TTS
 ├ AnimateDiff
 └ DigitalHuman

一台 T4 就能跑。

---

十一、一个非常重要的问题

你现在需要用 ComfyUI 做什么？

1️⃣ AI绘画
2️⃣ 文生视频
3️⃣ AI数字人
4️⃣ 抖音内容生产
5️⃣ AI商品图
6️⃣ AI短视频

不同用途：

工作流完全不同。

---

如果你愿意，我可以直接给你 三套 ComfyUI 顶级工作流：

1️⃣ 抖音爆款视频工作流
（AI图片 → 视频 → 配音）

2️⃣ AI数字人工作流

3️⃣ 商品图电商工作流

全部是 行业级节点图。

AI数字人工作流

AI 数字人如果用 ComfyUI + 本地模型来做，一般是一个 多模块流水线（Pipeline），而不是单一工作流。
在 T4 16GB 上最稳定、效果最好的一套组合是：

ComfyUI + Wav2Lip / MuseTalk + TTS + Whisper

完整 AI 数字人生产链是：

文本 → 语音 → 人物视频驱动 → 合成视频

我给你一套 真正可落地的 AI 数字人工作流架构（很多短视频工作室都在用）。

---

一、AI数字人完整工作流

整体流程：

脚本生成
   ↓
TTS语音
   ↓
人像驱动
   ↓
口型同步
   ↓
视频生成
   ↓
自动剪辑

技术组件：

GPT / LLM       → 文案
TTS             → 语音
MuseTalk        → 嘴型驱动
Wav2Lip         → 高精度口型
ComfyUI         → 人物生成
FFmpeg          → 视频合成

---

二、最稳定数字人方案（推荐）

方案A（最稳定）

ComfyUI
+
SadTalker
+
Wav2Lip
+
EdgeTTS

优点：

• 非常稳定

• 资源需求低

• T4 可以跑

缺点：

• 动作较少

---

方案B（效果最好）

ComfyUI
+
MuseTalk
+
SadTalker
+
IPAdapter

优点：

• 嘴型非常自然

• 支持真人驱动

• 2025主流

缺点：

• 部署稍复杂

---

三、AI数字人生成流程

第一步：生成数字人形象

ComfyUI工作流：

CheckpointLoader
↓
CLIPTextEncode
↓
KSampler
↓
VAE Decode
↓
SaveImage

prompt 示例：

a beautiful asian female news anchor,
studio lighting,
realistic skin,
professional broadcast,
4k

生成一张：

数字人头像

---

第二步：生成语音

推荐：

EdgeTTS

安装：

pip install edge-tts

生成语音：

edge-tts 
--voice zh-CN-XiaoxiaoNeural 
--text "今天给大家讲一个商业真相" 
--write-media speech.mp3

---

第三步：生成说话视频

推荐：

SadTalker

输入：

人物图片
+
speech.mp3

输出：

会说话的视频

---

四、口型增强（关键）

使用：

Wav2Lip

作用：

让嘴型和语音完全同步

流程：

SadTalker视频
+
speech.mp3
↓
Wav2Lip
↓
最终视频

---

五、AI数字人自动流水线

最终自动化流程：

脚本生成
    ↓
EdgeTTS
    ↓
SadTalker
    ↓
Wav2Lip
    ↓
FFmpeg
    ↓
抖音视频

自动输出：

1080P视频

---

六、T4服务器推荐架构

你的服务器现在可以这样升级：

AI-SERVER
│
├ ComfyUI
├ SadTalker
├ Wav2Lip
├ MuseTalk
├ EdgeTTS
├ FFmpeg
└ Ollama

全部 docker 化。

---

七、数字人素材库（重要）

准备素材：

人物

数字人头像
数字人半身
数字人全身

背景

新闻背景
办公室背景
科技背景

声音

男声
女声
情绪

---

八、爆款数字人视频模板

短视频结构：

3秒钩子
↓
核心观点
↓
反转
↓
总结

示例：

你以为赚钱靠努力？

其实不是。

真正赚钱的人，
靠的是信息差。

比如AI。

---

九、全自动AI数字人工厂

最高级玩法是：

脚本生成
↓
TTS
↓
数字人
↓
自动剪辑
↓
自动发布

实现：

Python
+
ComfyUI API
+
FFmpeg
+
Auto Upload

可以做到：

一天自动生产 100 条视频

---

十、2026最强数字人技术

当前效果排名：

1 MuseTalk
2 Wav2Lip
3 SadTalker
4 D-ID
5 HeyGen

本地部署最强：

MuseTalk + Wav2Lip

---

十一、我非常建议你做一件事

既然你已经：

T4
ComfyUI
Docker

你完全可以搭一个：

AI短视频工厂

自动生产：

AI数字人
AI商业解读
AI历史故事
AI财经评论

一天产出：

50条视频

---

如果你愿意，我可以直接给你：

一套完整的 AI数字人生产系统（行业级）

包括：

1️⃣ MuseTalk 一键部署 docker
2️⃣ Wav2Lip docker
3️⃣ SadTalker docker
4️⃣ ComfyUI 数字人工作流 JSON
5️⃣ 自动生成视频脚本

甚至可以做到：

输入一句话 → 自动生成完整抖音视频。

如果需要，我可以把 整套部署架构 + 工作流图 全部画出来。

给出详细的安装步骤

你现在的目标是部署这一套 AI数字人方案B（效果最好）：

ComfyUI
+ MuseTalk
+ SadTalker
+ IPAdapter

你的环境已经是：

• Ubuntu

• Docker

• ComfyUI 已经运行

• GPU：T4 16GB

所以我们只需要 增加三个模块：

1️⃣ IPAdapter（ComfyUI插件）
2️⃣ SadTalker（数字人驱动）
3️⃣ MuseTalk（最强口型驱动）

我给你一套 可稳定运行的完整步骤。

---

一、安装 IPAdapter（ComfyUI插件）

这是最简单的一步。

进入 ComfyUI 容器：

docker exec -it comfyui bash

进入插件目录：

cd /workspace/custom_nodes

安装插件：

git clone https://github.com/cubiq/ComfyUI_IPAdapter_plus.git

退出容器：

exit

重启 ComfyUI：

docker restart comfyui

---

下载 IPAdapter 模型

创建目录：

mkdir -p models/ipadapter

下载模型：

cd models/ipadapter

wget https://huggingface.co/h94/IP-Adapter/resolve/main/models/ip-adapter-plus_sdxl_vit-h.safetensors

CLIP Vision 模型：

mkdir -p models/clip_vision

cd models/clip_vision

wget https://huggingface.co/h94/IP-Adapter/resolve/main/models/image_encoder/model.safetensors

---

二、安装 SadTalker

SadTalker 用来 让图片开口说话。

创建目录：

cd /opt
git clone https://github.com/OpenTalker/SadTalker.git
cd SadTalker

创建 Python 环境：

python3 -m venv sadtalker_env
source sadtalker_env/bin/activate

安装依赖：

pip install -r requirements.txt

安装 PyTorch（T4 推荐）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

---

下载 SadTalker 模型

创建模型目录：

mkdir checkpoints

下载模型：

bash scripts/download_models.sh

如果下载慢：

可以使用国内镜像或 HuggingFace 下载。

---

测试 SadTalker

准备：

• 一张人脸图片 face.png

• 一段语音 speech.wav

运行：

python inference.py \
--driven_audio speech.wav \
--source_image face.png \
--result_dir results

输出：

results/result.mp4

---

三、安装 MuseTalk（核心）

MuseTalk 是 目前最自然的嘴型驱动模型。

安装依赖：

cd /opt
git clone https://github.com/TMElyralab/MuseTalk.git
cd MuseTalk

创建环境：

python3 -m venv musetalk_env
source musetalk_env/bin/activate

安装依赖：

pip install -r requirements.txt

安装 PyTorch：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

---

下载 MuseTalk 模型

创建模型目录：

mkdir models

下载：

python scripts/download_models.py

如果失败：

可以手动下载：

主要模型：

musetalk.pth
wav2vec2
face parsing model

---

四、测试 MuseTalk

准备：

face.mp4
speech.wav

运行：

python inference.py \
--video_path face.mp4 \
--audio_path speech.wav \
--result_path result.mp4

输出：

result.mp4

嘴型会和语音同步。

---

五、完整 AI数字人流水线

最终流程是：

ComfyUI 生成数字人
      ↓
EdgeTTS 生成语音
      ↓
SadTalker 生成基础视频
      ↓
MuseTalk 优化嘴型
      ↓
FFmpeg 合成最终视频

---

六、自动化脚本示例

自动流程：

text → speech → video

例如：

python generate_avatar_video.py \
--text "AI时代已经来了" \
--avatar girl.png

自动生成：

AI数字人视频.mp4

---

七、服务器最终结构（推荐）

建议结构：

/opt/ai
│
├ comfyui
├ musetalk
├ sadtalker
├ wav2lip
├ tts
└ output

---

八、T4 推荐参数

MuseTalk：

分辨率 512
batch 4
fp16 开启

ComfyUI：

1024 SDXL

---

九、数字人效果最佳组合

业内现在最强是：

ComfyUI (人物生成)
+
IPAdapter (人物一致性)
+
MuseTalk (嘴型)
+
EdgeTTS (语音)

效果接近：

HeyGen
D-ID

但 完全本地部署。

---

十、如果你愿意，我可以给你一套更高级的

我可以直接给你：

一套完整 AI数字人系统

包括：

• Docker一键部署

• MuseTalk + SadTalker + Wav2Lip

• ComfyUI数字人工作流

• 自动生成抖音视频

最终做到：

输入一句话
↓
自动生成脚本
↓
自动生成语音
↓
自动生成数字人视频

也就是：

AI短视频工厂。

如果需要，我可以把 整套 docker-compose（生产级）直接给你。