如何用ComfyUI-WanVideoWrapper让静态照片开口说话语音驱动视频实战完整指南【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapperComfyUI-WanVideoWrapper 是 WanVideo 视频生成模型的 ComfyUI 节点封装其中的 HuMo 模块只需一张人物照片加一段录音就能生成人物随语音起伏的动态视频。本指南面向 AI 新手和有 ComfyUI 使用基础的普通用户从环境搭建、跑通示例工作流到关键参数调优与排错全程带你走通语音驱动视频的完整链路。环境搭建缺一不可的三件事语音驱动功能对模型文件的要求比普通图生视频更严格缺一个节点就会在运行时报错。按顺序完成下面三件事克隆仓库到 custom_nodes 目录。WanVideoWrapper 是 ComfyUI 的自定义节点包必须放在ComfyUI/custom_nodes下才能被识别git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper ComfyUI/custom_nodes/ComfyUI-WanVideoWrapper安装 Python 依赖。进入仓库目录执行pip install -r requirements.txt如果你用的是 Windows 便携版则在便携版根目录执行python_embeded\python.exe -m pip install ComfyUI\custom_nodes\ComfyUI-WanVideoWrapper\requirements.txt。另外示例工作流还依赖三个配套节点包ComfyUI-KJNodes、ComfyUI-VideoHelperSuite、ComfyUI-MelBandRoFormer缺哪个就补哪个。把模型下载到对应目录。这是新手最容易翻车的一步模型放错文件夹节点下拉框里就不会出现。语音驱动链需要模型放入目录作用HuMo 主模型如Wan2_1-HuMo-14B_fp8_e4m3fn_scaled_KJ.safetensorsComfyUI/models/diffusion_models语音驱动的视频扩散主干Wan2_1_VAE_bf16.safetensorsComfyUI/models/vae图像编码与最终解码umt5-xxl-enc-bf16.safetensorsComfyUI/models/text_encoders文字提示词编码whisper_large_v3_encoder_fp16.safetensorsComfyUI/models/audio_encoders从音频提取语义特征MelBandRoformer_fp16.safetensors可选按 ComfyUI-MelBandRoFormer 节点要求放置人声分离Lightx2v 蒸馏 LoRA可选ComfyUI/models/loras把采样步数压到 8 步主模型建议选 fp8 scaled 版本显存占用更小下载渠道见仓库 readme.md 的 Models 一节。最短路径先跑通示例工作流环境就绪后先别急着搭自己的工作流。仓库自带一份官方示例 example_workflows/wanvideo_2_1_14B_HuMo_example_01.json直接导入 ComfyUI 即可。它已经把整条链路预接好模型加载、Whisper 加载、人声分离与响度归一、HuMoEmbeds 特征合并、采样、VAE 解码、VHS 合成 mp4。你只需要做两件事把LoadImage换成自己的人像照片、把LoadAudio换成自己的录音然后点 Queue Prompt。示例中 1280x720 分辨率、65 帧的配置是作者在备注里确认过的最佳默认值首次运行保持不动即可。跑通这一步你就成功一大半了 原理速览三条输入各走各的链路理解下面三条线你就能看懂工作流里每个节点为什么存在音频线录音先被统一重采样到 16kHz再交给 Whisper 编码器提取语义特征。特征按时间切成 5 帧一组由 HuMo/audio_proj.py 里的投影层压缩成模型可消费的上下文告诉视频模型这一时刻该有什么动作。图像线参考图经 VAE 编码成 latent潜空间表示即图像压缩后的特征形式作为长相锚点拼在待生成序列的前面保证人物外观不变。生成线两条特征在 WanVideoSampler 的扩散采样中合流从纯噪声逐步去噪出视频帧最后经 VAE 解码回像素、由 VHS 节点封装成 mp4。注意帧数永远是 4n1如 65、81因为 VAE 对时间维度做 4 倍压缩。分步实操选素材清晰人像 干净人声适合作为 HuMo 语音驱动主体的人物参考图参考图选正面、面部清晰、背景不杂乱的照片分辨率最好贴近输出目标1280x720 或 832x480节点会自动缩放但原图越接近目标变形越小。音频选人声为主的录音时长 5–30 秒为宜格式上 16kHz 采样率的 WAV 最稳因为整条链路最终都换算到 16kHz。音频预处理分离人声 归一响度原始录音如果带背景音乐或响度忽大忽小Whisper 提出的特征会偏。工作流里LoadAudio之后接两个节点MelBandRoFormerSampler把人声从伴奏、噪音中剥离NormalizeAudioLoudness把响度压到 -23dB这是广播级响度标准避免音量差异干扰特征强度。处理干净的人声再送入HuMoEmbeds的audio输入Whisper 模型则由WhisperModelLoader从audio_encoders目录加载。配置 HuMoEmbeds两路特征在这里合流这是全链路的核心节点重点参数如下num_frames总帧数。填-1时按音频长度自动推算推荐新手这样用手动填则必须是 4n1width/height输出分辨率步进 16。推荐 1280x720质量优先或 832x480显存优先audio_scale音频条件强度控制动作跟随语音的幅度推荐 2.5 起步audio_start_percent/audio_end_percent语音条件作用的视频区间0 到 1 表示全程生效。reference_images输入支持多张图用 KJNodes 的ImageBatchMulti把多张参考图拼成批次即可参考帧会作为序列前缀参与生成可用于补充视角。vae输入必接否则报错。采样与导出steps、cfg 与帧率WanVideoSampler的参数分两种打法挂了 Lightx2v 蒸馏 LoRA 时steps设 8、cfg设 1 即可示例工作流就是这个组合不挂 LoRA 时用完整 20–30 步、cfg5–7。shift保持默认 5seed固定住便于对比调参。输出端WanVideoDecode解出帧序列后交给VHS_VideoCombine封装frame_rate设 25音频特征按 25fps 插值与之一致format选 video/h264-mp4文件落到ComfyUI/output目录。显存不够时调WanVideoBlockSwap的 swap 数量——14B 模型换出 20 个块时实测约 16GB 显存可跑块数越大越省显存但越慢。调参与调优关键参数速查参数推荐值 / 区间影响audio_scale1.0–5.0起步 2.5越大动作越听语音的过大动作夸张失真audio_cfg_scale默认 1.01 会额外跑一次无音频的去噪对照动作更自由但更慢num_frames-1跟随音频或 4n1决定时长音频多长视频就多长分辨率1280x720 或 832x480作者备注这两档效果最稳steps/cfg8/1蒸馏 LoRA或 20–30/5–7步数越多细节越好、越慢blocks_to_swap显存决定参考 20显存与速度的折中sageattn安装了就开注意力加速接近 2 倍推理速度模型精度fp16_fast优先作者备注 fp8_fast 有较明显质量损失踩坑速查症状显存不足OOM→ 增大 block swap 数量、开启tiled_vae分块编码、降分辨率到 832x480或换 GGUF 量化版主模型。症状动作卡顿、不连贯→ 把audio_scale降到 2.0 以下或不用蒸馏 LoRA 时把steps提到 30蒸馏 LoRA 场景下卡顿多由音频本身不清晰导致。症状人物几乎不动对语音没反应→ 检查 Whisper 模型是否接上不接音频线会静默回退为零特征、audio_scale是否过低、音频响度是否太小加 NormalizeAudioLoudness。症状视频时长和音频对不上→ 帧数是 4 倍时间压缩 1 的关系num_frames手动值没按 4n1 填会被截断用 -1 跟随音频并在 VHS 节点按需开启trim_to_audio。症状第一次运行极慢、显存异常高→ 多为 torch.compile 与旧 Triton 缓存问题换个分辨率或重跑一次让缓存生效即可。收尾与延伸跑通 HuMo 之后这条语音驱动链路还有三个方向值得继续探索把 ControlNet 或 WanMove 轨迹控制接进采样前让语音驱动叠加精确的动作约束换用 Wan 2.2 5B 主模型跑同一条 HuMo 链路用更低显存拿到 2.2 代画质试试仓库内的 multitalk/ 模块实现多人物交替对话场景。一张照片加一段录音静态图像就能开口说话——先把示例工作流跑通剩下的交给参数表慢慢调你会比想象中更快拿到满意的成片。【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何用ComfyUI-WanVideoWrapper让静态照片开口说话：语音驱动视频实战完整指南
如何用ComfyUI-WanVideoWrapper让静态照片开口说话语音驱动视频实战完整指南【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapperComfyUI-WanVideoWrapper 是 WanVideo 视频生成模型的 ComfyUI 节点封装其中的 HuMo 模块只需一张人物照片加一段录音就能生成人物随语音起伏的动态视频。本指南面向 AI 新手和有 ComfyUI 使用基础的普通用户从环境搭建、跑通示例工作流到关键参数调优与排错全程带你走通语音驱动视频的完整链路。环境搭建缺一不可的三件事语音驱动功能对模型文件的要求比普通图生视频更严格缺一个节点就会在运行时报错。按顺序完成下面三件事克隆仓库到 custom_nodes 目录。WanVideoWrapper 是 ComfyUI 的自定义节点包必须放在ComfyUI/custom_nodes下才能被识别git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper ComfyUI/custom_nodes/ComfyUI-WanVideoWrapper安装 Python 依赖。进入仓库目录执行pip install -r requirements.txt如果你用的是 Windows 便携版则在便携版根目录执行python_embeded\python.exe -m pip install ComfyUI\custom_nodes\ComfyUI-WanVideoWrapper\requirements.txt。另外示例工作流还依赖三个配套节点包ComfyUI-KJNodes、ComfyUI-VideoHelperSuite、ComfyUI-MelBandRoFormer缺哪个就补哪个。把模型下载到对应目录。这是新手最容易翻车的一步模型放错文件夹节点下拉框里就不会出现。语音驱动链需要模型放入目录作用HuMo 主模型如Wan2_1-HuMo-14B_fp8_e4m3fn_scaled_KJ.safetensorsComfyUI/models/diffusion_models语音驱动的视频扩散主干Wan2_1_VAE_bf16.safetensorsComfyUI/models/vae图像编码与最终解码umt5-xxl-enc-bf16.safetensorsComfyUI/models/text_encoders文字提示词编码whisper_large_v3_encoder_fp16.safetensorsComfyUI/models/audio_encoders从音频提取语义特征MelBandRoformer_fp16.safetensors可选按 ComfyUI-MelBandRoFormer 节点要求放置人声分离Lightx2v 蒸馏 LoRA可选ComfyUI/models/loras把采样步数压到 8 步主模型建议选 fp8 scaled 版本显存占用更小下载渠道见仓库 readme.md 的 Models 一节。最短路径先跑通示例工作流环境就绪后先别急着搭自己的工作流。仓库自带一份官方示例 example_workflows/wanvideo_2_1_14B_HuMo_example_01.json直接导入 ComfyUI 即可。它已经把整条链路预接好模型加载、Whisper 加载、人声分离与响度归一、HuMoEmbeds 特征合并、采样、VAE 解码、VHS 合成 mp4。你只需要做两件事把LoadImage换成自己的人像照片、把LoadAudio换成自己的录音然后点 Queue Prompt。示例中 1280x720 分辨率、65 帧的配置是作者在备注里确认过的最佳默认值首次运行保持不动即可。跑通这一步你就成功一大半了 原理速览三条输入各走各的链路理解下面三条线你就能看懂工作流里每个节点为什么存在音频线录音先被统一重采样到 16kHz再交给 Whisper 编码器提取语义特征。特征按时间切成 5 帧一组由 HuMo/audio_proj.py 里的投影层压缩成模型可消费的上下文告诉视频模型这一时刻该有什么动作。图像线参考图经 VAE 编码成 latent潜空间表示即图像压缩后的特征形式作为长相锚点拼在待生成序列的前面保证人物外观不变。生成线两条特征在 WanVideoSampler 的扩散采样中合流从纯噪声逐步去噪出视频帧最后经 VAE 解码回像素、由 VHS 节点封装成 mp4。注意帧数永远是 4n1如 65、81因为 VAE 对时间维度做 4 倍压缩。分步实操选素材清晰人像 干净人声适合作为 HuMo 语音驱动主体的人物参考图参考图选正面、面部清晰、背景不杂乱的照片分辨率最好贴近输出目标1280x720 或 832x480节点会自动缩放但原图越接近目标变形越小。音频选人声为主的录音时长 5–30 秒为宜格式上 16kHz 采样率的 WAV 最稳因为整条链路最终都换算到 16kHz。音频预处理分离人声 归一响度原始录音如果带背景音乐或响度忽大忽小Whisper 提出的特征会偏。工作流里LoadAudio之后接两个节点MelBandRoFormerSampler把人声从伴奏、噪音中剥离NormalizeAudioLoudness把响度压到 -23dB这是广播级响度标准避免音量差异干扰特征强度。处理干净的人声再送入HuMoEmbeds的audio输入Whisper 模型则由WhisperModelLoader从audio_encoders目录加载。配置 HuMoEmbeds两路特征在这里合流这是全链路的核心节点重点参数如下num_frames总帧数。填-1时按音频长度自动推算推荐新手这样用手动填则必须是 4n1width/height输出分辨率步进 16。推荐 1280x720质量优先或 832x480显存优先audio_scale音频条件强度控制动作跟随语音的幅度推荐 2.5 起步audio_start_percent/audio_end_percent语音条件作用的视频区间0 到 1 表示全程生效。reference_images输入支持多张图用 KJNodes 的ImageBatchMulti把多张参考图拼成批次即可参考帧会作为序列前缀参与生成可用于补充视角。vae输入必接否则报错。采样与导出steps、cfg 与帧率WanVideoSampler的参数分两种打法挂了 Lightx2v 蒸馏 LoRA 时steps设 8、cfg设 1 即可示例工作流就是这个组合不挂 LoRA 时用完整 20–30 步、cfg5–7。shift保持默认 5seed固定住便于对比调参。输出端WanVideoDecode解出帧序列后交给VHS_VideoCombine封装frame_rate设 25音频特征按 25fps 插值与之一致format选 video/h264-mp4文件落到ComfyUI/output目录。显存不够时调WanVideoBlockSwap的 swap 数量——14B 模型换出 20 个块时实测约 16GB 显存可跑块数越大越省显存但越慢。调参与调优关键参数速查参数推荐值 / 区间影响audio_scale1.0–5.0起步 2.5越大动作越听语音的过大动作夸张失真audio_cfg_scale默认 1.01 会额外跑一次无音频的去噪对照动作更自由但更慢num_frames-1跟随音频或 4n1决定时长音频多长视频就多长分辨率1280x720 或 832x480作者备注这两档效果最稳steps/cfg8/1蒸馏 LoRA或 20–30/5–7步数越多细节越好、越慢blocks_to_swap显存决定参考 20显存与速度的折中sageattn安装了就开注意力加速接近 2 倍推理速度模型精度fp16_fast优先作者备注 fp8_fast 有较明显质量损失踩坑速查症状显存不足OOM→ 增大 block swap 数量、开启tiled_vae分块编码、降分辨率到 832x480或换 GGUF 量化版主模型。症状动作卡顿、不连贯→ 把audio_scale降到 2.0 以下或不用蒸馏 LoRA 时把steps提到 30蒸馏 LoRA 场景下卡顿多由音频本身不清晰导致。症状人物几乎不动对语音没反应→ 检查 Whisper 模型是否接上不接音频线会静默回退为零特征、audio_scale是否过低、音频响度是否太小加 NormalizeAudioLoudness。症状视频时长和音频对不上→ 帧数是 4 倍时间压缩 1 的关系num_frames手动值没按 4n1 填会被截断用 -1 跟随音频并在 VHS 节点按需开启trim_to_audio。症状第一次运行极慢、显存异常高→ 多为 torch.compile 与旧 Triton 缓存问题换个分辨率或重跑一次让缓存生效即可。收尾与延伸跑通 HuMo 之后这条语音驱动链路还有三个方向值得继续探索把 ControlNet 或 WanMove 轨迹控制接进采样前让语音驱动叠加精确的动作约束换用 Wan 2.2 5B 主模型跑同一条 HuMo 链路用更低显存拿到 2.2 代画质试试仓库内的 multitalk/ 模块实现多人物交替对话场景。一张照片加一段录音静态图像就能开口说话——先把示例工作流跑通剩下的交给参数表慢慢调你会比想象中更快拿到满意的成片。【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考