Jellyfish 深度测评：开源 AI 短剧工作坊，人物漂移能管到什么程度？

GitHub / 文档：https://github.com/Forget-C/Jellyfish ⭐ 5,846 · https://forget-c.github.io/Jellyfish
许可证：Apache-2.0 · 当前版本：v0.3.2（迭代快）

👤 测评人背景

我做过几轮 AI 短剧选题验证：最烦的不是写剧本，而是第三镜女主角换了一张脸、第五镜衣服颜色对不上——整条片只能推倒重来。试过 ComfyUI 自己搭节点，也试过「聊天框 + 文生视频」的一句话出片：前者可控但维护成本高，后者快但人物漂移像开盲盒。Jellyfish 在 GitHub 上 Stars 已经五千多，自称端到端短剧生产工作坊，核心卖点是共享资产和 Process 一致性。我按官方文档和仓库 README 把它拆开看了一遍：哪些是真工程能力，哪些仍取决于你挂什么模型。

🎯 先说结论

Jellyfish 是一个 自托管的 AI 短剧制片工作台：剧本导入 → 分镜拆解 → 角色/场景/道具资产库 → 生成任务追踪 → 导出。它和「只给你一个生成按钮」的工具不同——你买的是制片流程管理，不是单次出片彩票。软件本身 Apache-2.0 免费，但 LLM、图片、视频 API 全部自配，算力账单另算。它解决的是 Process 一致性（同一角色 ID、同一资产引用贯穿分镜），不是 Pixel 级像素一致——后者仍受底层模型能力限制。

适合已经愿意 Docker 部署、能配 API、且痛点主要是「人物漂移 + 资产复用」的短剧创作者；如果你只想零配置一句话出片，或只需要单张图/单段视频，它过重。我的决策句：你一个月至少认真试制 2 条以上短剧原型，且能接受自配模型 API，再搭 Jellyfish；否则先看 Toonflow 桌面端或一句话工具是否更贴你的耐心。

📦 Jellyfish 是什么？

Jellyfish 面向「AI 短剧工程化」：把文本剧本推进到可批量生成的分镜资产，而不是在聊天框里反复粘贴 Prompt。技术栈是 React + Vite 前端、FastAPI + MySQL + Redis 后端，Docker Compose 一键部署——前端默认 :7788，后端 :8000（Swagger 在 /docs）。文档和界面 中文优先，英文 README 有但细节以中文文档为准。

简单了解：它常被和 Toonflow（Electron 画布型短剧台）、ComfyUI（节点式生成）、各类「一句话出片」工具并列讨论。Jellyfish 的差异在于 Web 自托管 + 制片级资产库 + 任务队列，更像「短剧版 Airtable 调度生成 API」，而不是纯生成黑盒。

📷 配图待补：Jellyfish 项目首页与文档入口（落盘名：jellyfish-homepage.png）

📷 配图待补：工作台主界面——项目列表与分镜进度（落盘名：jellyfish-main-ui.png）

📷 配图待补：剧本 → 分镜 → 资产库 → 生成 → 导出，全流程示意（落盘名：jellyfish-schematic-overview.png）

[章节剧本]
    ↓ AI 理解与分镜拆解
[Shot 列表 + 候选资产]
    ↓ 人工审核 / 关联共享资产
[就绪分镜 → 生成工作区]
    ↓ 调用自配 LLM / 图片 / 视频 API
[任务追踪 → 导出]

🧩 Jellyfish 有哪些功能？

总起：Jellyfish 不内置任何 AI 模型，它是工作流调度器 + 制片管理系统。价值在于把「剧本—分镜—资产—生成」串成可回溯的工序，而不是替模型做推理。

功能特色一览

剧本理解与分镜拆解

这是 Jellyfish 的入口环节。对我这种要周更选题的人来说，价值在于输出物是 结构化 Shot 列表，而不是又一篇没法排期的大纲。文档口径里，AI 会从剧本提取角色候选、对话候选、场景描述——你审核后才进入资产库。第一次跑通时，我会故意选一章短剧本（5–8 个分镜），只看拆解是否合理，不急着调生成 API。

📷 配图待补：剧本导入与分镜拆解结果页（落盘名：jellyfish-feature-script.png）

共享资产与一致性管理

短剧翻车一半出在「还没定妆就付视频费」。Jellyfish 把角色形象、场景、道具做成 可复用资产：每个 Shot 引用同一 character_id，Prompt 模板里强制带入资产描述。文档明确说：它保证的是 Process 一致性——同一角色 ID 贯穿分镜、约束 Prompt 模板——而非 Pixel 一致性。最终像素仍取决于 Midjourney cref、Flux IP-Adapter 等底层能力。这一点我认怂：Jellyfish 管流程，不管模型玄学。

📷 配图待补：角色资产库与分镜关联界面（落盘名：jellyfish-feature-assets.png）

生成工作区与任务追踪

分镜标记「就绪」后进入生成区。你可以按 Shot 批量提交图片或视频任务，队列里看进度、失败重试。对我这种怕「改一镜推倒重来」的人，局部重跑比整片重生成友好。但注意：生成质量天花板完全由你挂的 API 决定——Jellyfish 只是调度层。

📷 配图待补：生成任务队列与状态追踪（落盘名：jellyfish-feature-queue.png）

🧠 核心逻辑：它为什么不一样？

ComfyUI 强在 单次生成的节点可控；一句话出片工具强在 零配置快出；Jellyfish 强在 制片状态可保存。

可以把它想成三拍：

1. 结构化：文本 → Shot 列表 + 候选资产（让后续有锚点，不是裸 Prompt）
2. 资产化：审核后的角色/场景/道具进共享库，分镜引用 ID（让修改可局部化）
3. 调度化：就绪分镜批量调 API，任务中心追踪（让批量可审计）

FAQ 里写得很直白：和 ComfyUI 的关系类似「Airtable + API 调度」vs「Photoshop」——前者管项目和资产，后者管单次像素。Jellyfish 不替代 ComfyUI，你可以在 ComfyUI 里跑生成，但 Jellyfish 帮你记住「第三镜用的是哪个角色、哪套服装」。

机制层怎么选：个人试玩先打通「文本模型 + 一个图片模型」最小路径；要控人物一致性，先把角色参考图在资产库定稳，再肯付视频 API 费。别一上来堆五个视频供应商——v0.3.2 迭代快，配置兼容性要盯 .env。

📷 配图待补：Process 一致性 vs Pixel 一致性，资产引用如何贯穿分镜（落盘名：jellyfish-architecture-flow.png）

⚔️ Jellyfish 和 Toonflow、ComfyUI 有什么区别？

选型句：要 自托管 Web 制片台 + 资产库，优先试 Jellyfish；要 桌面画布 + Agent 编排，先看 Toonflow；要 单次生成像素级可控或本地推理，ComfyUI 仍是主力——三者可以组合，Jellyfish 管项目，ComfyUI 管出片。若你只想「输入一句话、等一条视频」，各类一句话出片工具更贴耐心，别硬上制片全家桶。

📷 配图待补：Web 制片台 vs 画布台 vs 节点图，三种交互形态对照（落盘名：jellyfish-vs-competitor.png）

🧪 我实际跑下来的体验

说明：下列内容综合官方文档 https://forget-c.github.io/Jellyfish、GitHub README 与仓库 Issues 口径。我未在撰写当日完整跑通 Docker 全链路并付费生成视频——视频 API 需要预算，下面凡涉及生成观感，均标为文档口径，不编造测速与虚构 Stars。

✅ 好的方面

1. 制片链路叙事完整，不是功能拼盘

从剧本导入 → 分镜拆解 → 分镜准备 → 确认就绪 → 生成工作区 → 导出，文档里是一整条可走完的工序。对我这种「最怕工具只解决 30%」的人，完整叙事本身就降低决策焦虑。

2. Process 一致性的工程定义诚实

文档没有吹「100% 角色一致」，而是明确 Process 一致性 vs Pixel 一致性——前者是管理必要条件，后者是模型短板。这种边界表述比营销口号有用。

3. 中文文档与界面友好国内创作者

文档站中文优先，v0.3.2 迭代快说明作者在持续补功能。国内部署 Docker 比折腾海外 SaaS 网络环境省心一些。

4. Apache-2.0 免费，Stars ~5.8k 社区有基础

开源协议清晰，个人学习和小团队内部使用门槛相对低。Issues 区能看到真实用户的部署反馈。

5. 任务队列让批量生成可审计

比「手动记哪镜用了哪张图」更接近真实制片习惯。失败重试、就绪状态标记，对小团队分工有意义。

❌ 不好的方面

1. 不内置任何 AI 模型，装完仍是空壳

你必须自配 OpenAI/Claude 等 LLM，以及图片/视频生成 API。个人创作者容易低估「软件免费」背后的 API 账单——Jellyfish 不会替你省这笔钱。

2. Docker 部署门槛对非技术用户仍劝退

MySQL + Redis + 前后端，文档要求至少 4GB 内存。.env 配置、端口映射（7788/8000/3306/6379）、v0.3.2 升级时的兼容性检查——「一键 Compose」不等于「下载即用」。

3. Pixel 一致性天花板不由 Jellyfish 决定

角色再稳的 Process，底层模型换脸、服装漂移仍可能发生。FAQ 坦诚依赖 Midjourney cref 等——工作台不能消灭模型时代的通病。

4. 和 Toonflow 比，缺少桌面画布与 Agent 分层

Jellyfish 是 Web 表单 + 任务列表交互，改分镜、并行节点的体验不如 Toonflow 无限画布直观。要可视化编排的人可能觉得「像后台管理系统」。

5. 快速迭代期的稳定性风险

v0.3.2 功能仍在快速迭代，升级时 .env 和配置兼容性需要自己盯。我不建议把它当「装完就不管」的生产线——至少留一个人负责版本跟进。

📷 配图待补：分镜就绪状态与生成任务结果预览（落盘名：jellyfish-hands-on.png）

💡 怎么高效用它

用法 1：短章节原型，先验证分镜拆解再付 API 费

流程：选一章 5–8 镜短剧本 → 只跑 AI 分镜拆解 → 人工审核候选资产 → 暂不调用图片/视频 API。
目的：用零 API 成本验证「这个故事结构能不能拍」，而不是一上来就为漂移买单。

📷 配图待补：短章节分镜拆解审核界面（落盘名：jellyfish-usage-1-prototype.png）

用法 2：角色定妆先行——Lovart 补视觉，Jellyfish 管引用

先在 Lovart 侧把角色三视图、服装方案跑稳，导出参考图挂进 Jellyfish 角色资产库，再进生成工作区。Jellyfish 管的是「第三镜和第五镜引用同一 character_id」；Lovart 管的是「这张脸定稿长什么样」。短剧翻车一半出在「还没定妆就批量生成」。

📷 配图待补：Lovart 定妆稿导入 Jellyfish 角色资产（落盘名：jellyfish-usage-2-lovart.png）

用法 3：Docker 给小团队当「内部短剧服务器」

Compose 起服务后，模型 Key 写进服务端 .env，团队成员浏览器访问 :7788，不传 Key 到个人笔记本。导出成片走内网盘，别在群里贴 API Key。配合飞书/钉钉只传导出物，不传剧本原文到公有云——当然，一旦你配置云端 LLM，文本仍按供应商政策出境。

📷 配图待补：Docker Compose 部署与服务端环境变量配置（落盘名：jellyfish-usage-3-docker.png）

⚠️ 安装和使用需要注意什么？

数据会离开本机吗？

Jellyfish 可以 Docker 本地跑，MySQL/Redis 数据在容器内。但你一旦配置云端 LLM / 图片 / 视频 API，剧本文本与生成 Prompt 必然按供应商隐私政策出境。不要默认「自托管=数据不出门」。只有 LLM 也切到完全本地方案时，讨论本地隐私才有意义——而短剧视频本地化成本通常更高。

许可证允许商用吗？

Apache-2.0 对个人学习和小团队内部使用通常够用。若你要 二次打包分发给多个独立第三方，需另读 LICENSE 全文，不要只看 GitHub 徽章。

• 成熟度：v0.3.2，迭代快，升级注意 .env 兼容性
• 硬件：Docker Compose 建议 ≥4GB 内存；本地不跑模型推理，算力在远程 API
• 端口：前端 :7788，后端 :8000，MySQL :3306，Redis :6379
• 语言：中文优先，英文 README 细节可能滞后
• API：无 Key 则核心生成不可用；软件免费，API 按量付费

📷 配图待补：.env 配置页与 API Key 填写位置（落盘名：jellyfish-note-permission.png）

周更里我会怎么用

场景 A：本周只验证一个短剧钩子。 我选 800 字以内微剧本，在 Jellyfish 里只跑到「分镜就绪」——不调用任何付费 API。人工看 Shot 列表是否合理、角色候选是否可关联。若拆解质量不行，直接换 LLM 或换工具，不 sunk cost。

场景 B：同一 IP 要出第二集。 第一集定好的角色资产直接复用，新章节只增场景和道具。Jellyfish 的共享库在这里比 ComfyUI 单文件工作流省事——我不需要在节点图里翻上一集的参考图路径。

场景 C：团队两人分工。 一人负责剧本审核和资产关联，一人负责生成 API 配置和队列监控。Jellyfish 的任务中心比「微信传 Prompt 截图」可审计。但我会写一页内部 SOP：Key 归属、默认 LLM、失败重试规则——配置不能交接就不叫工序。

场景 D：预算敏感周。 图片 API 用便宜模型出静帧审角色，只有 6–8 镜全部就绪后才调用贵价视频 API。Jellyfish 的就绪状态标记帮我不至于「半成品就批量烧视频费」。

怎么选： 短剧创作者或小团队，若已有 API 预算、痛点是人物漂移和资产复用、且愿意 Docker 自托管，可以优先把 Jellyfish 跑通「分镜拆解 + 资产库」最小路径；若想要桌面画布和 Agent 编排体验，或完全不想碰 Compose 与 .env，不建议硬上 Jellyfish，先看 Toonflow 或一句话出片工具是否更贴你的耐心。

👥 适合哪些用户？

✅ 适合

❌ 不太适合

简单来说：Jellyfish 是 短剧制片工程台，不是「自动爆款打印机」。

📷 配图待补：适合「要资产库自托管」的人 vs 该暂缓上车的人（落盘名：jellyfish-who-workflow.png）

📊 总结表格

综合评分：3.7 / 5.0

一句话总结：Jellyfish 适合把短剧当「可迭代工程」来做的人——它管 Process 一致性与资产复用；炫不炫，仍取决于你肯为每条片子付多少 API 钱、以及底层模型肯不肯配合。

🔗 Jellyfish 官网与项目地址

• GitHub：https://github.com/Forget-C/Jellyfish — 源码 / Issues（⭐ ~5,846 · Apache-2.0）
• 在线文档：https://forget-c.github.io/Jellyfish — 中文优先，部署与功能细节
• 对比参照：Toonflow https://github.com/HBAI-Ltd/Toonflow-app ；ComfyUI https://github.com/comfyanonymous/ComfyUI
• 互补：Lovart（角色/定妆与视觉方案） https://www.lovart.ai/ 和 Lovart中文版: https://www.lovart.art

标签：#AI工具 #AI短剧 #开源 #Jellyfish #Docker #效率工具