WanSoundImageToVideo - ComfyUI Built-in Node Documentation - ComfyUI

WanSoundImageToVideo 节点可根据图像生成视频内容，并支持可选的音频条件控制。它接收正面和负面条件提示词以及一个 VAE 模型来创建视频潜在表示，并可结合参考图像、音频编码、控制视频和运动参考来引导视频生成过程。

输入

参数	描述	数据类型	是否必填	范围
`正面提示词`	正面条件提示词，用于引导生成视频中应出现的内容	CONDITIONING	是	-
`负面提示词`	负面条件提示词，用于指定生成视频中应避免的内容	CONDITIONING	是	-
`VAE`	用于编码和解码视频潜在表示的 VAE 模型	VAE	是	-
`宽度`	输出视频的宽度（像素），默认值：832，必须能被 16 整除	INT	是	16 to MAX_RESOLUTION
`高度`	输出视频的高度（像素），默认值：480，必须能被 16 整除	INT	是	16 to MAX_RESOLUTION
`长度`	生成视频的帧数，默认值：77，必须能被 4 整除	INT	是	1 to 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视频生成的条件控制。	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。该图像会被放大到指定的宽度和高度，然后编码为潜在表示。仅使用输入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，然后用于输出条件控制。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	-

输出

输出名称	描述	数据类型
`正面提示词`	经处理后用于视频生成并修改过的正面条件，包含音频嵌入、参考潜在表示、运动参考和控制视频条件	CONDITIONING
`负面提示词`	经处理后用于视频生成并修改过的负面条件，包含音频嵌入（置为零）、参考潜在表示、运动参考和控制视频条件	CONDITIONING
`潜变量`	潜在空间中生成的视频表示，可解码为最终视频帧。潜在张量形状为 [batch_size, 16, latent_t, height/8, width/8]，其中 latent_t 由 `length` 参数派生	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