WanSoundImageToVideo - ComfyUI Built-in Node Documentation

Complete documentation for the WanSoundImageToVideo node in ComfyUI. Learn its inputs, outputs, parameters and usage.

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

WanSoundImageToVideo 节点能够从图像生成视频内容，并支持可选的音频条件输入。该节点通过结合正向与负向条件提示以及 VAE 模型来创建视频潜变量，并可整合参考图像、音频编码、控制视频和运动参考等多种元素来引导视频生成过程。

​

输入参数

参数名	数据类型	必填	取值范围	描述
positive	CONDITIONING	是	-	正向条件提示，指导生成视频中应出现的内容
negative	CONDITIONING	是	-	负向条件提示，指定生成视频中应避免的内容
vae	VAE	是	-	用于编码和解码视频潜变量表示的 VAE 模型
width	INT	是	16 至 MAX_RESOLUTION	输出视频的宽度（像素），默认值：832，必须能被 16 整除
height	INT	是	16 至 MAX_RESOLUTION	输出视频的高度（像素），默认值：480，必须能被 16 整除
length	INT	是	1 至 MAX_RESOLUTION	生成视频的帧数，默认值：77，必须能被 4 整除
batch_size	INT	是	1 至 4096	同时生成的视频数量，默认值：1
audio_encoder_output	AUDIOENCODEROUTPUT	否	-	可选的音频编码，可根据声音特征影响视频生成
ref_image	IMAGE	否	-	可选的参考图像，为视频内容提供视觉指导
control_video	IMAGE	否	-	可选的控制视频，指导生成视频的运动和结构
ref_motion	IMAGE	否	-	可选的运动参考，为视频中的运动模式提供指导

​

输出参数

输出名称	数据类型	描述
positive	CONDITIONING	经过处理的正向条件提示，已适配视频生成需求
negative	CONDITIONING	经过处理的负向条件提示，已适配视频生成需求
latent	LATENT	潜空间中的生成视频表示，可解码为最终视频帧