（零）自己做的例子

可以看这里的🔗B站视频，感觉静止场景效果不错。
这里我准备用尽量不废话的方式，记录一下从零安装的过程。
💡PS：想当年DFL要换头好难的，极其耗时，还得是寸头短发或光头强……

（一）安装

（1.0）基础环境

有些基本的东西需要先准备好，发现缺的时候再装也来得及：

• Nvidia的驱动程序。
• CUDA套件和CUDNN
• Python（别太旧也别太新）
• MS构建工具集（这里用得到吗？）
• 待补充

（1.1）ComfyUI

ComfyUI是一款基于节点流程的图像生成工具，通过连接功能模块构建工作流，界面灵活、显存占用低，适合高阶用户定制AI绘画流程。比较方便的地方是你可以用自带模板中的工作流，进行Wan，LTX，等模型的文生图生视频，图生视频等等。也可以下载别人的工作流，或者自己来设计修改工作流。

官网的 🔗地址。
仓库的 🔗地址。

比较简单的办法是安装官方提供的压缩包，比如：ComfyUI_windows_portable_nvidia.7z
安装方式：解压后就可用，但稍微注意下对应显卡的版本。
💡 这种方式是自带Python环境的。

根据安装方式不一样，为了后续方便，可能还需要自己安装 ComfyUI-Manager。
安装方式git clone 到 xxx\ComfyUI_windows_portable\ComfyUI\custom_nodes\下。

（1.2）Alissonerdx 的 Best Face Swap Video

Alissonerdx的 Alissonerdx 的 Best Face Swap 是一系列专为 Qwen 和 Flux 等模型设计的高保真换脸 LoRA 模型。
而 Best Face Swap Video 则是一款基于 LTX-2 模型的视频换脸 LoRA。它采用“首帧锚定”技术，需对视频第一帧进行高质量换脸作为身份锚点，再生成剩余帧。V2 版本引入杂志蒙版覆盖法，通过精确遮罩强制模型忽略引导视频的原始面部，从而实现稳定的身份迁移。这里我们用的是V3……

（1.2.1）作者的工作流3.0和模型。

BFS在 🔗抱脸网站地址。
工作流：workflow_ltx2_head_swap_drag_and_drop_v3.0.json
放到 xxx\ComfyUI_windows_portable\ComfyUI\user\default\workflows\
模型放到对应的目录，不赘述了。

💡 比较简单的方法是先用ComfyUI打开工作流，再看自己缺少哪些模型（也许你之前已经有了呢），按需下载。

（1.2.2）工作流3.0用到的一些LTX3.2模型Kijai版本。

Kijai的LTX模型在 🔗抱脸网站地址。

（1.2.3）工作流中用到的一个节点(BFSNodes)：

BFSNodes的 🔗仓库地址，需要安装。
忘了也没关系，工作流图中也提示了这个节点的信息。
安装方式git clone 到 xxx\ComfyUI_windows_portable\ComfyUI\custom_nodes\下。

（1.2.4）不常见的调度器bong_tangent：

不装的话只能切换成更常见的比如karras，不过我觉得作者配置啥就用啥呗，装吧。
我用ComfyUI Manager安装了RES4LYF，里面就带有它。
或则也可以从 🔗仓库源码 安装。

（1.2.5）其它节点：

杂七杂八的其它节点我是用ComfyUI Manager安装的。
如果你没有提前安装Kijai的节点，那么缺什么就装什么。

（1.3）Ollama+Qwen3.5 9B

Ollama 是一个开源的、轻量级的本地大模型运行工具，通过简单命令即可一键部署和运行各类AI模型，支持跨平台且保护数据隐私

Qwen3.5 9B 是阿里通义千问系列中性能最强的紧凑型多模态模型，拥有约96.5亿参数，在推理、编程等任务上表现优异，性能可媲美更大规模的模型

流程中会用到LLM自动生成描述视频帧的文本，自动的当然好，要不得自己写提示词。
Ollama的 🔗官网地址。下载安装并pull个Qwen3.5的模型吧。

⚠️ 用Ollama请注意别暴露在公网上，这方面自行了解。

（二）设置

（2.1）工作流

运行ComfyUI。
如果没出错的话，从ComfyUI里面打开那个BFS3.0版本的工作流。
太大了导致能全部截图的缩放比例下，节点名字都显示不出来，哎。

（2.2）模型部分

从这里开始感觉都是废话了。
工作流最左上除了说明的第一块就是模型，确认下每个模型是不是都下载了。
没有的话就从左边说明里的地址下载，或者谷歌一下地址。

作者工作流里唯一没更新的就是最重要的那两个Lora，见下图右侧：
名字有点不一样，所以请自行选择他提供的2个Lora之一，或对比后决定。

• head_swap_v3_rank_64 👉 固定强度、稳定、好控
• head_swap_v3_rank_adaptive_fro_098 👉 自适应强度、更激进、可能更像但更不稳

（2.3）参数

模型选择的下面就是视频，图片，音频。
其实什么都不用配也能用，但需要配合skip_first_frames需要让视频保持在8x+1帧的长度。
可以先上传视频和人物图片，什么都不改先跑一下。

（三）生成

右上角的运行，开始运行这个3.0的工作流。

（3.1）导览视频

BFS Video作者说到，V3引入了新的持久模板条件处理流程。与之前主要依赖从第0帧确定身份的版本不同，V3采用了自定义的导览视频（控制视频）构建步骤，使新面孔在整个导览序列中始终可见。

说人话就是：之前版只在第0帧提供身份，V3每一帧都提供身份。

喏，右边这个半边绿加白框的围住源头像，半边源视频的就是导览视频，导览视频会非常快的生成。
如果有问题，那么看看是不是前面的BFSNodes没有安装好。

（3.2）自动提示词

默认就是自动提示词，所以需要把Ollama运行起来。
运行在本机的话自然不需要管IP端口，运行在其它服务器，改改IP，还得看Ollama的网络访问权限。

💡 请注意这里默认是qwen3.5:9b模型，因为是从图片生成描述，所以如果要替换掉，可别用纯文本的LLM哦。

（3.3）视频帧数

视频如果不是8x+1帧的长度，就会报错：

"causal_video_autoencoder.py", line 1197, 
in encode raise ValueError("Invalid number of frames: 
Encode input must have 1 + 8 * x frames (e.g., 1, 9, 17, ...). 
Please check your input.") 
ValueError: Invalid number of frames: Encode input must have 1 + 8 * x frames (e.g., 1, 9, 17, ...). 
Please check your input.

汗，我咋知道视频有多少帧？
这时候可以看看日志，自动提示词下面有一句：
Processing 16 frames out of xxx total.
看看那个xxx是否不等于8x+1，然后通过手动调节源视频的skip_first_frames参数，增加/减少相应值。

（四）结果

（4.1）合成结果视频

运行完成后，在工作流最右边可以看到结果。
同时会保存在ComfyUI的output目录中。

（4.2）复盘与改进

我们除了提供更好的头像，能改的不多。
可以尝试这两个不同的LoRA和设置不同的模型强度参数（默认1.0）

• head_swap_v3_rank_64 👉 固定强度、稳定、好控
• head_swap_v3_rank_adaptive_fro_098 👉 自适应强度、更激进、可能更像但更不稳

模型强度越高，越像源头像，但随之而来是视频中更多闪烁跳动。

好像写完了，应该暂时没别的了吧？