Local ou online? Online esconde tudo no back end, ligando serviços e servidores entre si; local você geralmente tem que rodar tudo por conta própria.
A geração de imagem é um assunto à parte, dá pra ter chatbots que "enxergam imagens" rodando comfy ui ou A1111 em segundo plano e ligando com ollama, koboldcpp ou direto pelo open webui. Eu já fiz isso: rodei o servidor do A1111 ou comfy ui e só adicionei o endereço no open webui. Eu já tinha o ollama hospedando os modelos do chatbot, então tecnicamente eram 4 servidores rodando no meu setup: ollama pra hospedar os modelos, A1111 pra gerar imagem, servidor TTS pra voz e open webui como interface pra juntar tudo num lugar só. Fiz um arquivo BAT que, quando eu rodava, abria e executava tudo, incluindo firefox e o endereço do open webui, então eu só rodava o BAT, escolhia um modelo e começava a conversar, levava tipo 1 min.
O próximo passo, que é o que tô pesquisando agora, é ter um agente rodando local no seu PC que basicamente faça tudo isso, mas de preferência mais fácil de adicionar coisas e ajustar. (por enquanto dá uma olhada no KoboldCPP, ele roda geração e edição de imagem própria sem precisar rodar A1111 ou comfyui, tem recursos de agente embutidos onde você conversa, joga imagens e pede pra ele editar / gerar pra você)