Noden WanImageToVideo and Wan 2.x video nodes i ComfyUI
WanImageToVideo bygger konditioneringen och den tomma video-latenten för en Wan 2.1/2.2 bild-till-video-rendering från en startbild, en CLIP Vision-inbäddning och antal ramar; den omgivande grafen använder Load Diffusion Model, Load CLIP, Load VAE och KSampler.
Vad WanImageToVideo and Wan 2.x video nodes gör
Wan 2.x (Alibaba) är den mest använda öppna videomodellen i ComfyUI. Kärnnoderna WanImageToVideo (I2V), WanFunControlToVideo, WanFunInpaintToVideo, WanVaceToVideo (VACE-kontroll och referens) och WanFirstLastFrameToVideo tar den positiva och negativa konditioneringen, VAE, en bredd/höjd/längd och startbilden (plus en CLIP Vision-utgång från clip_vision_h-encodern) och returnerar konditionering med bilden inbakad tillsammans med en LATENT i rätt form. Text-till-video använder istället EmptyHunyuanLatentVideo som latent.
Resten är en vanlig graf: Load Diffusion Model med wan2.1_i2v_480p_14B_fp8 (eller 2.2 hög/låg brus-par), Load CLIP med umt5_xxl_fp8 (typ wan), Load VAE med wan_2.1_vae, CLIP Text Encode, KSampler (uni_pc eller euler, 20-30 steg, cfg 5-6, eller cfg 1 med en LightX2V/CausVid LoRA vid 4-8 steg), VAE Decode och Video Combine vid 16 fps. ModelSamplingSD3 med shift 5-8 sitter mellan modellen och samplern.
Ingångar
Namn | Typ | Vad det är |
|---|---|---|
positive / negative | CONDITIONING | Prompt-konditionering från CLIP Text Encode (umt5). |
vae | VAE | wan_2.1_vae.safetensors. |
clip_vision_output | CLIP_VISION_OUTPUT | Från CLIP Vision Encode med clip_vision_h (I2V 2.1). |
start_image | IMAGE | Den första ramen. |
width / height / length | INT | Upplösning (832x480 eller 1280x720) och antal ramar (81 = 5 s vid 16 fps; 4n+1). |
batch_size | INT | Vanligtvis 1. |
Utgångar
Namn | Typ | Vad det är |
|---|---|---|
positive / negative | CONDITIONING | Konditionering med bildreferensen. |
latent | LATENT | Tom video-latent i önskad storlek för KSampler. |
Så använder du WanImageToVideo and Wan 2.x video nodes
- Ladda ner Wan 2.1 I2V 14B fp8 diffusionsmodell, umt5_xxl_fp8 textencoder, clip_vision_h och Wan 2.1 VAE till deras mappar.
- Bygg loaders: Load Diffusion Model, Load CLIP (typ wan), Load VAE, Load CLIP Vision.
- Ladda bild -> CLIP Vision Encode; koppla ihop den, promptarna, VAE och bilden till WanImageToVideo (832x480, längd 81).
- ModelSamplingSD3 shift 8 -> KSampler uni_pc, 20 steg, cfg 5, denoise 1.0.
- VAE Decode -> Video Combine vid 16 fps, h264.
Inställningar och tips
- Längden måste vara 4n+1 (17, 33, 49, 65, 81).
- LightX2V / CausVid distillations-LoRAs tillåter 4-6 steg vid cfg 1: tio gånger snabbare.
- Wan 2.2 använder två modeller (hög brus, låg brus) med två KSampler (Advanced) noder uppdelade på steg; 5B TI2V-modellen är en enda fil för 8-12 GB kort.
- 480p-modellen funkar på 12 GB med fp8 och --lowvram; 720p vill ha 16-24 GB.
- Negativ prompt spelar roll: den officiella långa kinesiska negativa (oskärpa, statisk, distorsion) förbättrar rörelsen.
Felsökning av WanImageToVideo and Wan 2.x video nodes
Fel: längd måste vara ... / formfel i latenten
Varför det händer
Antal ramar som inte är 4n+1, eller bredd/höjd som inte är multiplar av 16.
Så löser du det
Använd 81 ramar och 832x480 eller 1280x720.
Utgången är en stillbild utan rörelse
Varför det händer
Shift för låg, cfg för låg utan distillations-LoRA, eller en väldigt kort prompt.
Så löser du det
ModelSamplingSD3 shift 5-8, cfg 5-6 (eller en LightX2V LoRA vid cfg 1), och beskriv rörelsen i prompten.
clip_vision_output krävs / fel CLIP Vision-modell
Varför det händer
Wan 2.1 I2V behöver clip_vision_h.safetensors; SigLIP eller ViT-L modeller från andra grafer matchar inte.
Så löser du det
Ladda clip_vision_h med Load CLIP Vision och encoda startbilden. Wan 2.2 5B och vissa 2.2-grafer använder det inte alls.
Minnesbrist vid VAE-dekodning
Varför det händer
Dekodning av 81 ramar i 720p på en gång.
Så löser du det
Använd VAE Decode (Tiled) med en tidsmässig tile, sänk upplösningen, eller dekoda i 480p och skala upp ramarna efteråt.
Load CLIP misslyckas med umt5-filen
Varför det händer
Typen i dropdown på Load CLIP är inte satt till wan.
Så löser du det
Sätt typen till wan (och använd fp8 umt5_xxl-filen för att spara minne).
Frågor om WanImageToVideo and Wan 2.x video nodes
Vilken Wan-modell ska jag välja?
Wan 2.2 14B I2V (hög+låg brus, fp8) ger bäst kvalitet; Wan 2.2 5B TI2V passar små GPU:er; Wan 2.1 14B I2V 480p är det stabila valet med flest LoRAs.
Kan jag styra kameran eller rörelsen?
Ja: Wan Fun Control (depth/pose video), VACE för referenser och inpainting, och rörelse-LoRAs från katalogen.
Text-till-video?
Använd EmptyHunyuanLatentVideo som latenten med Wan T2V-modellen; resten av grafen är samma.
Relaterade noder
Load Diffusion Model
ComfyUI core
Load Diffusion Model (UNETLoader) laddar ett rent brusreduceringsnätverk som Flux, SD3.5, Wan eller HunyuanVideo från models/diffusion_models, med ett vikt_dtype-alternativ för fp8 för att spara VRAM.
Load VAE
ComfyUI core
Load VAE (VAELoader) laddar en fristående VAE-fil från models/vae så att en checkpoint med en saknad eller svag VAE kan avkoda rena färger, och så att split-modeller som Flux och Wan får sin decoder.
Video Combine (VideoHelperSuite)
ComfyUI-VideoHelperSuite
Video Combine gör om en IMAGE-batch med bilder till en MP4, WebM, GIF eller bildsekvens med vald bildfrekvens, med valfri ljudspår, loop-räkning och ping-pong. Det är standardutgångsnoden för alla videoflöden.
KSampler (Advanced)
ComfyUI core
KSampler (Advanced) är KSampler med kontroll över stegintervall: add_noise, start_at_step, end_at_step och return_with_leftover_noise, används för bas + förfinare-kedjor och två-modells sampling.
EmptySD3LatentImage
ComfyUI core
EmptySD3LatentImage skapar den tomma latenta med 16 kanaler som Flux, SD3 och SD3.5 behöver; den ersätter Empty Latent Image i de arbetsflödena.
Fler ComfyUI-noder
CLIP Text Encode (Prompt)
ComfyUI core
CLIP Text Encode omvandlar en textprompt till CONDITIONING med hjälp av modellens textkodare. En nod håller den positiva prompten, en annan den negativa prompten.
ComfyUI Manager
ComfyUI-Manager
ComfyUI Manager är tillägget som installerar, uppdaterar och fixar anpassade nodpaket och modeller direkt i gränssnittet, löser saknade noder i importerade arbetsflöden och sparar en ögonblicksbild av din setup.
KSampler
ComfyUI core
KSampler kör avbrusningsloopen: den tar modellen, prompts och en latent och skapar den färdiga latenta bilden, styrd av seed, steg, cfg, sampler, scheduler och denoise.
Load Checkpoint
ComfyUI core
Load Checkpoint (CheckpointLoaderSimple) öppnar en .safetensors- eller .ckpt-modellfil och delar upp den i de tre delar som varje arbetsflöde behöver: diffusionens MODEL, CLIP textkodare och VAE.
Save Image
ComfyUI core
Save Image sparar IMAGE-tensorn som en PNG i ComfyUI/output, med hela arbetsflödet inbäddat i filens metadata så att bilden kan dras tillbaka till ComfyUI för att återställa grafen.
VAE Decode
ComfyUI core
VAE Decode omvandlar den samplade LATENT till en pixel-BILD med VAE; VAE Decode (Tiled) gör samma sak i kakel för väldigt stora bilder.