图像到视频（WanSound） - ComfyUI Built-in Node Documentation

WanSoundImageToVideo 节点为 Wan 声音到视频生成准备条件化信息和一个空的 latent 视频张量。

WanSoundImageToVideo 节点为 Wan 声音到视频生成准备条件化信息和一个空的 latent 视频张量。它可以选择性地整合音频编码、参考图像、控制视频和运动参考，以引导生成的视频。

输入

参数	描述	数据类型	必需	范围
`正面提示词`	正向条件提示，指导生成视频中应出现的内容	CONDITIONING	是	-
`负面提示词`	负向条件提示，指定生成视频中应避免的内容	CONDITIONING	是	-
`VAE`	用于将参考图像、运动参考和控制视频帧编码为 latent 表示的 VAE 模型	VAE	是	-
`宽度`	输出视频的宽度（像素）（默认值：832，步长：16）	INT	是	16 到 MAX\_RESOLUTION
`高度`	输出视频的高度（像素）（默认值：480，步长：16）	INT	是	16 到 MAX\_RESOLUTION
`长度`	生成视频的帧数（默认值：77，步长：4）	INT	是	1 到 MAX\_RESOLUTION
`批次大小`	同时生成的视频数量（默认值：1）	INT	是	1 到 4096
`音频编码器输出`	可选的音频编码，可以根据声音特征影响视频生成。提供后，音频特征会被插值并用于条件化视频生成。	AUDIO\_ENCODER\_OUTPUT	否	-
`参考图像`	可选的参考图像，为视频内容提供视觉引导。该图像会被放大以匹配指定的宽度和高度，然后编码为 latent 表示。仅使用输入中的第一张图像作为参考。	IMAGE	否	-
`控制视频`	可选的控制视频，用于引导生成视频的运动和结构。该视频会被放大并编码，然后用于条件化输出。仅使用前 `length` 帧。	IMAGE	否	-
`参考动作`	可选的运动参考，为视频中的运动模式提供引导。如果输入超过 73 帧，则仅使用最后 73 帧。如果提供的帧数少于 73 帧，则使用中性帧填充序列。	IMAGE	否	-

注意：所有可选输入可以独立使用，也可以组合使用。节点会根据连接了哪些可选输入来修改提供的 positive 和 negative 条件化数据。

输出

输出名称	描述	数据类型
`positive`	处理后的正向条件化数据，已针对视频生成进行修改；当提供相应可选输入时，会包含音频嵌入、参考 latent、运动参考和控制视频条件化	CONDITIONING
`negative`	处理后的负向条件化数据，已针对视频生成进行修改；当提供相应可选输入时，会包含音频嵌入（设置为零）、参考 latent、运动参考和控制视频条件化	CONDITIONING
`latent`	用作生成起点的空 latent 视频张量。该 latent 张量的形状为 `[batch_size, 16, latent_t, height/8, width/8]`，其中 `latent_t` 的计算方式为 `((length - 1) // 4) + 1`。	LATENT

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): b1148cd00d8999dd6842e3c2fb13655fda8f20d5befed975a6d1652688b2807c