WanImageToVideo and Wan 2.x video nodes-Node in ComfyUI
WanImageToVideo erstellt das Conditioning und das leere Video-Latent für ein Wan 2.1/2.2 Bild-zu-Video-Rendering aus einem Startbild, einer CLIP Vision-Einbettung und der Anzahl der Frames; der umgebende Graph nutzt Load Diffusion Model, Load CLIP, Load VAE und KSampler.
Was WanImageToVideo and Wan 2.x video nodes macht
Wan 2.x (Alibaba) ist das meistgenutzte offene Videomodell in ComfyUI. Die Kernknoten WanImageToVideo (I2V), WanFunControlToVideo, WanFunInpaintToVideo, WanVaceToVideo (VACE Steuerung und Referenz) und WanFirstLastFrameToVideo nehmen das positive und negative Conditioning, das VAE, eine Breite/Höhe/Länge und das Startbild (plus eine CLIP Vision Ausgabe vom clip_vision_h Encoder) und geben Conditioning mit dem eingebetteten Bild zusammen mit einem LATENT in der richtigen Form zurück. Text-zu-Video verwendet stattdessen EmptyHunyuanLatentVideo als Latent.
Der Rest ist ein normaler Graph: Load Diffusion Model mit wan2.1_i2v_480p_14B_fp8 (oder dem 2.2 High/Low Noise Paar), Load CLIP mit umt5_xxl_fp8 (Typ wan), Load VAE mit wan_2.1_vae, CLIP Text Encode, KSampler (uni_pc oder euler, 20-30 Schritte, cfg 5-6, oder cfg 1 mit einem LightX2V/CausVid LoRA bei 4-8 Schritten), VAE Decode und Video Combine bei 16 fps. ModelSamplingSD3 mit Shift 5-8 sitzt zwischen Modell und Sampler.
Eingänge
Name | Typ | Bedeutung |
|---|---|---|
positive / negative | CONDITIONING | Prompt-Conditioning vom CLIP Text Encode (umt5). |
vae | VAE | wan_2.1_vae.safetensors. |
clip_vision_output | CLIP_VISION_OUTPUT | Vom CLIP Vision Encode mit clip_vision_h (I2V 2.1). |
start_image | IMAGE | Das erste Frame. |
width / height / length | INT | Auflösung (832x480 oder 1280x720) und Frames (81 = 5 s bei 16 fps; 4n+1). |
batch_size | INT | Normalerweise 1. |
Ausgänge
Name | Typ | Bedeutung |
|---|---|---|
positive / negative | CONDITIONING | Conditioning mit der Bildreferenz. |
latent | LATENT | Leeres Video-Latent in der gewünschten Größe für KSampler. |
So verwendest du WanImageToVideo and Wan 2.x video nodes
- Lade das Wan 2.1 I2V 14B fp8 Diffusionsmodell, den umt5_xxl_fp8 Textencoder, clip_vision_h und das Wan 2.1 VAE in ihre Ordner.
- Baue die Loader: Load Diffusion Model, Load CLIP (Typ wan), Load VAE, Load CLIP Vision.
- Lade Bild -> CLIP Vision Encode; verbinde es, die Prompts, das VAE und das Bild mit WanImageToVideo (832x480, Länge 81).
- ModelSamplingSD3 Shift 8 -> KSampler uni_pc, 20 Schritte, cfg 5, Denoise 1.0.
- VAE Decode -> Video Combine bei 16 fps, h264.
Einstellungen und Tipps
- Die Länge muss 4n+1 sein (17, 33, 49, 65, 81).
- LightX2V / CausVid Distillation LoRAs erlauben 4-6 Schritte bei cfg 1: zehnmal schneller.
- Wan 2.2 nutzt zwei Modelle (High Noise, Low Noise) mit zwei KSampler (Advanced) Knoten, aufgeteilt nach Schritten; das 5B TI2V Modell ist eine einzelne Datei für 8-12 GB Karten.
- Das 480p Modell läuft auf 12 GB mit fp8 und --lowvram; 720p braucht 16-24 GB.
- Der negative Prompt ist wichtig: das offizielle lange chinesische Negativ (unscharf, statisch, Verzerrung) verbessert die Bewegung.
Fehlerbehebung bei WanImageToVideo and Wan 2.x video nodes
Fehler: Länge muss ... sein / Form stimmt im Latent nicht
Warum es passiert
Eine Frame-Anzahl, die nicht 4n+1 ist, oder Breite/Höhe nicht Vielfache von 16.
So behebst du es
Nutze 81 Frames und 832x480 oder 1280x720.
Ausgabe ist ein Standbild ohne Bewegung
Warum es passiert
Shift zu niedrig, cfg zu niedrig ohne Distillation LoRA, oder ein sehr kurzer Prompt.
So behebst du es
ModelSamplingSD3 Shift 5-8, cfg 5-6 (oder ein LightX2V LoRA bei cfg 1) und beschreibe die Bewegung im Prompt.
clip_vision_output wird benötigt / falsches CLIP Vision Modell
Warum es passiert
Wan 2.1 I2V braucht clip_vision_h.safetensors; SigLIP oder ViT-L Modelle aus anderen Graphen passen nicht.
So behebst du es
Lade clip_vision_h mit Load CLIP Vision und enkodiere das Startbild. Wan 2.2 5B und einige 2.2 Graphen nutzen es gar nicht.
Speicher voll beim VAE Decode
Warum es passiert
81 Frames bei 720p auf einmal decodieren.
So behebst du es
Nutze VAE Decode (Tiled) mit einem temporalen Tile, reduziere die Auflösung oder dekodiere bei 480p und skaliere die Frames danach hoch.
Load CLIP schlägt mit der umt5 Datei fehl
Warum es passiert
Der Typ Dropdown bei Load CLIP ist nicht auf wan gesetzt.
So behebst du es
Setze den Typ auf wan (und nutze die fp8 umt5_xxl Datei, um Speicher zu sparen).
Fragen zu WanImageToVideo and Wan 2.x video nodes
Welches Wan Modell soll ich nehmen?
Wan 2.2 14B I2V (High+Low Noise, fp8) hat die beste Qualität; Wan 2.2 5B TI2V passt auf kleine GPUs; Wan 2.1 14B I2V 480p ist die stabile Wahl mit den meisten LoRAs.
Kann ich Kamera oder Bewegung steuern?
Ja: Wan Fun Control (Depth/Pose Video), VACE für Referenzen und Inpainting, und Bewegungs-LoRAs aus dem Katalog.
Text-zu-Video?
Nutze EmptyHunyuanLatentVideo als Latent mit dem Wan T2V Modell; der Rest des Graphen bleibt gleich.
Verwandte Nodes
Load Diffusion Model
ComfyUI core
Load Diffusion Model (UNETLoader) lädt ein nacktes Denoising-Netzwerk wie Flux, SD3.5, Wan oder HunyuanVideo aus models/diffusion_models, mit einer weight_dtype-Option für fp8, um VRAM zu sparen.
Load VAE
ComfyUI core
Load VAE (VAELoader) lädt eine eigenständige VAE-Datei aus models/vae, damit ein Checkpoint mit fehlender oder schwacher VAE saubere Farben decodiert und geteilte Modelle wie Flux und Wan ihren Decoder bekommen.
Video Combine (VideoHelperSuite)
ComfyUI-VideoHelperSuite
Video Combine verwandelt einen IMAGE-Stapel von Frames in eine MP4-, WebM-, GIF- oder Bildsequenz mit einer gewählten Bildrate, optional mit Audio, Schleifenanzahl und Ping-Pong-Effekt. Es ist der Standard-Ausgabeknoten für jeden Video-Workflow.
KSampler (Advanced)
ComfyUI core
KSampler (Advanced) ist KSampler mit Schrittbereich-Kontrolle: add_noise, start_at_step, end_at_step und return_with_leftover_noise. Wird für Basis- + Verfeinerer-Ketten und Zwei-Modell-Sampling verwendet.
EmptySD3LatentImage
ComfyUI core
EmptySD3LatentImage erstellt das 16-Kanal leere Latent, das Flux, SD3 und SD3.5 brauchen; es ersetzt das Empty Latent Image in diesen Workflows.
Weitere ComfyUI-Nodes
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode wandelt einen Textprompt mit dem Modell-Textencoder in CONDITIONING um. Ein Node hält den positiven Prompt, ein zweiter den negativen Prompt.
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager ist die Erweiterung, die benutzerdefinierte Node-Pakete und Modelle direkt in der Oberfläche installiert, aktualisiert und repariert, fehlende Nodes in importierten Workflows erkennt und deine Einrichtung sichert.
KSampler
ComfyUI core
KSampler führt die Denoising-Schleife aus: Es nimmt das Modell, die Prompts und ein Latent und erzeugt das fertige latente Bild, gesteuert durch Seed, Schritte, cfg, Sampler, Scheduler und Denoise.
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) öffnet eine .safetensors- oder .ckpt-Modell-Datei und liefert die drei Teile, die jeder Workflow braucht: das Diffusions-MODELL, den CLIP-Textencoder und das VAE.
Save Image
ComfyUI core
Save Image speichert den IMAGE-Tensor als PNG in ComfyUI/output und bettet den gesamten Workflow in die Dateimetadaten ein, sodass das Bild zurück in ComfyUI gezogen werden kann, um den Graph wiederherzustellen.
VAE Decode
ComfyUI core
VAE Decode wandelt den gesampelten LATENT mit dem VAE in ein Pixel-BILD um; VAE Decode (Tiled) macht das Gleiche in Kacheln für sehr große Bilder.