Stability AI 与手动操作：效率对比实测

为什么我做了这个测试

上个月我接了个活：给一个本地咖啡品牌做视觉物料，要求三天内产出大约 60 张风格统一的图片——菜单配图、海报背景、社交媒体素材都得有。我的第一反应是拿起数位板自己画，但算了算时间：就算每张图只花 40 分钟，60 张就是 40 个小时的纯绘制工作量，还不算修改。三天，根本来不及。

所以我把这个项目当成了实验场：一半工作交给 Stability AI（主要是 SDXL 和后来的 SD3），另一半留着手动操作（Photoshop 手绘 + 素材库拼贴），然后记录每张图的真实耗时、修改次数和最终质量。下面是我的完整数据和一些踩坑经验。

测试环境

先交代一下我的配置，免得大家复现时结果差太远：

硬件：RTX 4070 Ti（12GB 显存）+ 32GB 内存
工具：ComfyUI（本地跑 SDXL）、Stability AI 官方网页版、Photoshop 2024
手动对照组：Photoshop 手绘 + Adobe Stock 素材合成

第一轮：生成速度对比

我挑了一个典型需求：“温暖光线的咖啡店窗边，一杯拿铁特写，浅景深”。

手动操作流程：

在 Adobe Stock 搜图、筛选：25 分钟
找到三张接近但都不完美的图，买授权：10 分钟
在 Photoshop 里抠图换背景、调色调统一：35 分钟

总计：约 70 分钟一张。

Stability AI 流程（本地 SDXL）：

我的初始 prompt 很朴素：

a latte on a cafe table by the window, warm morning light, shallow depth of field, photorealistic

结果很差——杯子变形，光影也脏。这其实是我的第一个坑：SDXL 对长描述句不太买账，对关键词堆叠和权重语法反而更敏感。我改成了：

(coffee latte art:1.3), ceramic cup, (wooden cafe table:1.1), window light, golden hour, bokeh background, shot on 85mm lens, professional food photography

再配上 negative prompt：

deformed, extra cups, blurry subject, oversaturated, cartoon

每批出图 4 张（25 步，DPM++ 2M Karras 采样），一批大概 15 秒。第三批就出现了能用的图。总计：12 分钟，包括我改 prompt 和调参数的时间。

第二轮：风格一致性——这才是真正的分水岭

单张图生成快不算本事，客户要的是 60 张风格统一的图。这是我这次测试里最有价值的发现。

手动操作在这方面反而稳：我自己调色、统一光效，每张图风格偏差很小，但每张要花 60 分钟以上。

纯文生图的稳定性就差多了。我换了 10 个不同场景的 prompt，出来的图色调和质感五花八门。解决办法是用了三个技巧：

技巧一：固定 seed + 固定 prompt 骨架。 把最满意的那张拿铁图的 seed（比如 seed=192837465）固定住，只替换场景描述词。这样构图和色调的大方向能保住，但灵活性也牺牲了——换场景时 seed 的优势就打折扣。

技巧二（更有效）：图生图 + ControlNet。 我先手工做一张“风格锚点图”，然后用 img2img，denoising strength 控制在 0.5–0.65 之间，再配上 ControlNet 的 depth 或 canny 模型锁住构图。这样每张图既有变化又不会跑风格。单张耗时大约 3–5 分钟（包括找参考构图）。

技巧三：LoRA。 项目后期我干脆用客户品牌色系的 20 张图训了个小 LoRA（本地训练，4070 Ti 上跑了大约 40 分钟），之后所有生成自动带风格。这笔前期投入非常值。

最终数据

项目	手动操作	Stability AI
单张首图耗时	约 70 分钟	约 12 分钟
风格统一后单张耗时	50–70 分钟	5–8 分钟（含 LoRA 前期投入）
60 张总耗时	根本做不完	约 9 小时 + 4 小时准备工作
返工率	约 20%	约 40%（前期）→ 15%（用 LoRA 后）
手部、文字类内容	无问题	频繁翻车，必须手动修

我踩过的坑

别迷信一次生成。 前期我总想着“一个 prompt 出神图”，浪费了大量时间精调措辞。正确姿势是批量出图、快速筛选，把 prompt 调优时间控制在 10 分钟以内。
低显存记得开优化。 我一开始没开 --medvram 这类选项（ComfyUI 里对应显存管理节点），12GB 显存跑 SDXL 的 1024×1024 偶尔爆显存。先降低分辨率，再用高清修复放大，比硬上大分辨率快得多。
手和文字是重灾区。 60 张图里凡是出现人手或者画面内需要文字的，AI 出图八成要返工。我的经验是：这类内容直接手动画、手动贴字，别跟模型较劲。
生成 ≠ 完成。 AI 出的图几乎每张都得在 Photoshop 里过一遍：修瑕疵、统一色调、加品牌元素。我实际给每张图留了 5 分钟的后期时间——这是很多人测算效率时漏掉的一环。

诚实的结论

如果你要的是大量风格统一的商业素材，Stability AI 配合 LoRA 和 ControlNet，效率是手动的 6–10 倍，没有悬念。
如果你要的是精确控制、复杂构图、人物互动场景，手动操作仍然不可替代，AI 反而会拖慢你——你会陷入“生成 50 张挑不出一张能用”的泥潭。
前期学习成本是真实存在的。 我花在学 ComfyUI、ControlNet、LoRA 训练上的时间大约是 15 个小时。如果你的项目只有三五张图，不值得，直接手动或者用网页版付费生成更划算。

这个项目我最终是以 7:3 的比例交付的——AI 打底，手动精修。这大概也是目前性价比最高的工作流了。

Stability AI vs 手动操作：效率对比实测