今天演示的案例是一个基于Wan2.1 ComfyUI的视频生成工作流。该流程以静态图像为起点，通过文本提示与轨迹控制，将角色镜头转化为动态视频。工作流整体结合了扩散模型、文本编码器、视觉编码器和轨迹控制节点，配合解码与采样环节，使静态的画面呈现出自然流畅的运动感。这类应用在动漫角色再创作、游戏宣传视频、以及短片镜头的快速生成中都能展现出很强的实用性。文章目录工作流介绍核心模型Node节点工作流程大模型应用CLIP Text Encode (Positive Prompt) 文本语义驱动的画面叙事控制CLIP Text Encode (Negative Prompt) 负向语义限制与质量纠偏CLIP Vision Encode 图像视觉语义绑定WanTrackToVideo 文本语义×轨迹×图像的统一视频条件生成核心使用方法应用场景开发与应用工作流介绍该工作流以图像驱动 + 文本提示 + 轨迹控制为核心逻辑。用户通过导入一张静态图片，并在界面中粘贴轨迹 JSON 文件，再结合正负向文本提示，就能让原本静止的画面实现动态转场与角色运动。整个流程环环相扣，模型加载、编码、轨迹到视频、采样与解码、视频保存等步骤紧密结合，构建了一个完整的视频合成链路。核心模型在核心模型部分，工作流加载了 Wan 系列的视频扩散模型作为生成基础，搭配 VAE 模型完成潜空间与像素空间的映射，同时使用 UMT5 文本编码器和 CLIP Vision 视觉编码器来解析提示语与输入图像的视觉特征。多模型协同使得工作流能够既理解语义描述，又保持输入画面的风格一致性，并在视频合成过程中维持稳定性。模型名称说明Wan2_1-I2V-ATI-14B_fp8_e4m3fn.safetensors主扩散模型，用于将静态图像生成连续帧并支持轨迹驱动的视频合成wan_2.1_vae.safetensorsVAE 模型，负责潜变量与图像空间的相互解码与映射 【ComfyUI】Wan ATI Trajectory 控制视频生成
今天演示的案例是一个基于Wan2.1 ComfyUI的视频生成工作流。该流程以静态图像为起点，通过文本提示与轨迹控制，将角色镜头转化为动态视频。工作流整体结合了扩散模型、文本编码器、视觉编码器和轨迹控制节点，配合解码与采样环节，使静态的画面呈现出自然流畅的运动感。这类应用在动漫角色再创作、游戏宣传视频、以及短片镜头的快速生成中都能展现出很强的实用性。文章目录工作流介绍核心模型Node节点工作流程大模型应用CLIP Text Encode (Positive Prompt) 文本语义驱动的画面叙事控制CLIP Text Encode (Negative Prompt) 负向语义限制与质量纠偏CLIP Vision Encode 图像视觉语义绑定WanTrackToVideo 文本语义×轨迹×图像的统一视频条件生成核心使用方法应用场景开发与应用工作流介绍该工作流以图像驱动 + 文本提示 + 轨迹控制为核心逻辑。用户通过导入一张静态图片，并在界面中粘贴轨迹 JSON 文件，再结合正负向文本提示，就能让原本静止的画面实现动态转场与角色运动。整个流程环环相扣，模型加载、编码、轨迹到视频、采样与解码、视频保存等步骤紧密结合，构建了一个完整的视频合成链路。核心模型在核心模型部分，工作流加载了 Wan 系列的视频扩散模型作为生成基础，搭配 VAE 模型完成潜空间与像素空间的映射，同时使用 UMT5 文本编码器和 CLIP Vision 视觉编码器来解析提示语与输入图像的视觉特征。多模型协同使得工作流能够既理解语义描述，又保持输入画面的风格一致性，并在视频合成过程中维持稳定性。模型名称说明Wan2_1-I2V-ATI-14B_fp8_e4m3fn.safetensors主扩散模型，用于将静态图像生成连续帧并支持轨迹驱动的视频合成wan_2.1_vae.safetensorsVAE 模型，负责潜变量与图像空间的相互解码与映射