WanInfiniteTalkToVideo - ComfyUI Built-in Node Documentation

WanInfiniteTalkToVideo 根据音频输入生成视频序列。它使用视频扩散模型，以从一个或两个说话人提取的音频特征为条件，生成说话人头部视频的潜在表示。

WanInfiniteTalkToVideo 根据音频输入生成视频序列。它使用视频扩散模型，以从一个或两个说话人提取的音频特征为条件，生成说话人头部视频的潜在表示。该节点可以生成新序列，或使用先前帧作为运动上下文来扩展现有序列。

输入

参数	描述	数据类型	必填	范围
`模式`	音频输入模式。`single_speaker` 使用一个音频输入。`two_speakers` 启用“双说话人输入”部分中列出的额外音频输入和遮罩。	DYNAMIC\_COMBO	是	`"single_speaker"` `"two_speakers"`
`模型`	基础视频扩散模型。	MODEL	是	-
`模型补丁`	包含音频投影层的模型补丁。	MODEL\_PATCH	是	-
`正向提示`	用于引导生成的正向条件。	CONDITIONING	是	-
`负向提示`	用于引导生成的负向条件。	CONDITIONING	是	-
`vae`	用于在图像和潜在空间之间进行编码的 VAE。	VAE	是	-
`宽度`	输出视频的宽度（像素）。必须能被 16 整除。（默认值：832）	INT	是	16 - MAX\_RESOLUTION（步长 16）
`高度`	输出视频的高度（像素）。必须能被 16 整除。（默认值：480）	INT	是	16 - MAX\_RESOLUTION（步长 16）
`长度`	要生成的帧数。（默认值：81）	INT	是	1 - MAX\_RESOLUTION（步长 4）
`clip视觉输出`	用于额外条件的可选 CLIP vision 输出。	CLIP\_VISION\_OUTPUT	否	-
`起始图像`	用于初始化视频序列的可选起始图像。	IMAGE	否	-
`音频编码器输出1`	包含第一个说话人特征的主音频编码器输出。	AUDIO\_ENCODER\_OUTPUT	是	-
`运动帧数`	用作运动上下文的先前帧数。（默认值：9）	INT	是	1 - 33
`音频缩放`	应用于音频条件的缩放因子。（默认值：1.0）	FLOAT	是	-10.0 - 10.0
`前置帧`	用于扩展的可选先前视频帧。最后 `motion_frame_count` 帧将用作运动上下文。	IMAGE	否	-

当 mode 设置为 "two_speakers" 时，将显示此部分中的输入。

参数约束：

当 mode 设置为 "two_speakers" 时，对于第二个说话人设置，audio_encoder_output_2、mask_1 和 mask_2 为必填项。
如果提供了 audio_encoder_output_2，则还必须提供 mask_1 和 mask_2。
如果同时提供了 mask_1 和 mask_2，则还必须提供 audio_encoder_output_2。
如果提供了 previous_frames，则其帧数必须至少达到 motion_frame_count 指定的数量。

输出名称	描述	数据类型
`模型`	已应用音频条件的修补模型。	MODEL
`正向提示`	正向条件，可能已通过额外上下文（如起始图像或 CLIP vision 输出）进行修改。	CONDITIONING
`负向提示`	负向条件，可能已通过额外上下文进行修改。	CONDITIONING
`latent`	在潜在空间中生成的视频序列。	LATENT
`裁剪图像`	扩展序列时，应从运动上下文开头裁剪的帧数。当提供了 `previous_frames` 时，等于 `motion_frame_count`，否则为 0。	INT

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): b7359490c1de86d9c82122bc227295b3b7f8a3493f629365ae0f22f9f34d9a66