视频关键帧AI化的逻辑是将视频切分成一帧帧的画面，然后使用SD绘画固定风格，最后统一在拼接在一起成为一个新的视频。

不管是Mov2Mov还是Multi Frame都能制作这种视频。但是这些操作起来比较麻烦，经过尝试处理较稳定的方法是可以通过img2im的batch_size，ControlNet，ADetailer进行控制修复以及批处理，这样操作会异常简单。

Stable Diffusion 方法

安装视频转帧插件，在你的SD目录下的scripts文件夹下创建convert.py文件并复制下面的代码到文件中。

import cv2
import gradio as gr
import os
from tqdm import tqdm
from modules import script_callbacks


def add_tab():
    with gr.Blocks(analytics_enabled=False) as ui:
        with gr.Row().style(equal_height=False):
            with gr.Column(variant='panel'):
                gr.HTML(value="<p>Extract frames from video</p>")
                input_video = gr.Textbox(label="Input video path")
                output_folder = gr.Textbox(label="Output frames folder path")
                output_fps = gr.Slider(minimum=1, maximum=120, step=1, label="Save every N frame", value=1)
                extract_frames_btn = gr.Button(label="Extract Frames", variant='primary')

            with gr.Column(variant='panel'):
                gr.HTML(value="<p>Merge frames to video</p>")
                input_folder = gr.Textbox(label="Input frames folder path")
                output_video = gr.Textbox(label="Output video path")
                output_video_fps = gr.Slider(minimum=1, maximum=60, step=1, label="Video FPS", value=30)
                merge_frames_btn = gr.Button(label="Merge Frames", variant='primary')

            extract_frames_btn.click(
                fn=extract_frames,
                inputs=[
                    input_video,
                    output_folder,
                    output_fps
                ]
            )

            merge_frames_btn.click(
                fn=merge_frames,
                inputs=[
                    input_folder,
                    output_video,
                    output_video_fps
                ]
            )

    return [(ui, "视频<->帧", "vf_converter")]


def extract_frames(video_path: str, output_path: str, custom_fps=None):
    """从视频文件中提取帧并输出为png格式

    Args:
        video_path (str): 视频文件的路径
        output_path (str): 输出帧的路径
        custom_fps (int, optional): 自定义输出帧率（默认为None，表示与视频帧率相同）

    Returns:
        None
    """
    cap = cv2.VideoCapture(video_path)
    fps = int(cap.get(cv2.CAP_PROP_FPS))
    custom_fps = int(custom_fps)
    frame_count = 0

    print(f"Extracting {video_path} to {output_path}...")
    while True:
        ret, frame = cap.read()
        if not ret:
            break

        if custom_fps:
            if frame_count % custom_fps == 0:
                output_name = os.path.join(output_path, '{:06d}.png'.format(frame_count))
                cv2.imwrite(output_name, frame)
        else:
            output_name = os.path.join(output_path, '{:06d}.png'.format(frame_count))
            cv2.imwrite(output_name, frame)
        frame_count += 1

    cap.release()
    print("Extract finished.")


def merge_frames(frames_path: str, output_path: str, fps=None):
    """将指定文件夹内的所有png图片按顺序合并为一个mp4视频文件

    Args:
        frames_path (str): 输入帧的路径（所有帧必须为png格式）
        output_path (str): 输出视频的路径（需以.mp4为文件扩展名）
        fps (int, optional): 输出视频的帧率（默认为None，表示与输入帧相同）

    Returns:
        None
    """

    # 获取所有png图片
    frames = [f for f in os.listdir(frames_path) if f.endswith('.png')]
    img = cv2.imread(os.path.join(frames_path, frames[0]))
    height, width, _ = img.shape
    fps = fps or int(cv2.CAP_PROP_FPS)

    fourcc = cv2.VideoWriter_fourcc(*'mp4v')
    video_writer = cv2.VideoWriter(output_path, fourcc, fps, (width, height))

    print(f"Merging {len(frames)} frames to video...")
    for f in tqdm(frames):
        img = cv2.imread(os.path.join(frames_path, f))
        video_writer.write(img)

    video_writer.release()
    print("Merge finished")


script_callbacks.on_ui_tabs(add_tab)

准备好我们需要进行AI化处理的短视频，注意存放视频的路径中不要有中文。这里的视频尽量选择高清分辨率的，要不然最后合成出来的视频人物会变形。

打开SD选择视频和帧互换选项卡，填写视频路径和转换帧保存图片的路径，下面的数字1表示每一帧都截取，表示如果60帧的视频1秒就是60张图。

点击运行在对应的文件夹下会出现保存每一帧的图片。

选择其中一张图片拖到img2img选项卡，根据自己喜好选择模型和输出对应的关键词。你会发现第一次处理出来的图像和原图没啥关系。

这是由于没有选择ControlNet进行控制，点击下方的ControlNet选项卡，设置Canny。

然后再次点击生成图片，你会发现图像变过来了。

但是还会出现手脚崩坏的情况，需要在ADetailer中设置手脚修复功能。

设置好之后再次点击生成，来看看效果。

这里多生成几次记录下你满意的种子seed，记得将seed保存固定。

预处理这块就算完成了，接下来点击Batch批处理选项卡，这里要先把ControlNet中的图像叉掉。然后选择图片输入和输出路径。

这么操作是将out文件夹下的图片批处理之后保存到in文件夹下，然后点击执行，开始一张张处理图像吧。这个过程对于显卡不好的人来说比较痛苦，我这576张图片处理需要30分钟。

生成完所有图像后在in文件夹下删除后缀-1.png的轮廓图像。再回到视频帧互换选项卡设置需要拼接的图像目录，就是我们用SD绘画出来的图片文件夹，以及视频保存的目录，并且根据原有视频的帧数选择视频帧数。

点击运行之后会在test文件夹下生成一个video.mp4视频，就是我们要的结果了。

生成的视频会有闪烁的问题，后面会继续更新内容解决该问题。

After Effects 方法

使用AE转换需要下载StyleX插件。

然后设置参数进行预览。

整体效果其实和SD没有办法比，可以理解为用了简单的滤镜进行处理而已。最后添加到渲染队列输出即可。

Ebsynth 方法

Ebsynth主要可以处理SD生成动漫视频的画面闪烁的问题。

git 安装地址 https://gitcode.net/ranting8323/ebsynth_utility.git

在SD扩展中输入该网址进行安装即可。

安装完成后重启SD会在出现Ebsynth Utility选项卡。

进入Ebsynth官网根据你的系统下载安装程序。

然后在你的扩展目录下打开。

和SD处理方法一样，先要将视频按帧进行批量转换，首先拖入视频，然后指定提取关键帧的目录。视频的目录也可以手动输入。

在configuration选择stage1。如果想要保持原视频尺寸默认选在-1即可。其他的不用操作，然后点击生成。

在项目文件夹下自动创建video_frame文件夹，并将按帧的生成图片保存到该文件夹下，效果和之前视频转帧效果相同。

在configuration选择stage2。这步是根据已经提取的关键帧按照间隔提取到Ebsynth中，关键帧间隔就是按照帧提取间隔，然后点击生成。

按照关键帧设置的配置提取关键帧Key到video_key中。

回到SD绘画中的img2img中，将这些图片批处理重绘和Stable Diffusion方法一样。生成完图像保存在img2img_key中。

在configuration选择stage3.5中提取mask蒙版，也可以不提取。

在configuration选择stage4中使用Extras将图片进行放大处理也可以不处理。

在configuration选择stage5将关键帧处理好的图片文件放到img2img_upscale_key中，如果该文件夹不存在则手动创建。然后执行生成会生成对应 .ebs文件。

在configuration选择stage6打开EbSynth.exe依次将对应 .ebs文件拖入。关闭蒙版on，点击Run All，等待关键帧生成。

会生成关键帧的处理过的批处理图片。

批处理之后点击Export to AE进行合成即可。