ComfyUI

从静到动的两条路线 ComfyUI 做出图玩熟了，下一步自然是让画面动起来。现在主流两条路线：一是直接文生视频，用 Wan 这类专门的视频扩散模型，一句提示词出几秒动态片段；二是AnimateDiff，把你已经调好的 Stable Diffusion 静态工作流，外挂一个运动模块，让原本的图动起来。前者质量高、显存吃紧，后者复用现有工作流、轻量灵活。 路线一：Wan 视频模型 Wan（万相）是阿里开源的视频生成模型，在 ComfyUI 生态里有对应的官方节点。它的特点是直接生成视频，不是图生视频，动态幅度和连贯性比早期模型好不少。工作流大致是：加载 Wan 的 text-to-video 模型节点 → 正反提示词 → 设定帧数（比如 81 帧，约 5 秒@16fps）和分辨率 → 采样 → VAE 解码输出视频帧 → 用 Video Combine 节点合成 MP4。 关键在显存账：视频模型比图像模型大一个量级，Wan 1.3B 级别的量化版可以在 12-16GB 显存跑短片，完整 14B 级别则要 24GB 以上。帧数越多、分辨率越高，latent 空间的计算量按帧数涨——这是「能出图却出不了视频」的核心原因。 路线二：AnimateDiff 复用 SD 工作流 如果你已经有一套调得很满意的 SD/SDXL 出图工作流，AnimateDiff 的价值是最小改动让它动起来：在 KSampler 之前插一个 AnimateDiff Loader 节点，加载对应的运动模块（mm_sd_v15_v2 之类），再在采样后接一个帧合成节点。你原本调好的提示词、LoRA、采样参数几乎不用动，只是输出从「一张图」变成「一小段动图」。 路线 适合 显存 动效质量 Wan 文生视频 要直接出成片 较高（16GB+） 连贯、幅度大 AnimateDiff 复用现有 SD 工作流 中（可沿用原配置） 小幅运动、风格统一 三个实操要点 第一，帧数别贪多：新手先跑 16-24 帧的短片段验证流程，跑通了再加长——视频生成慢，一上来就 81 帧，等半天失败很打击人。第二，提示词写「运动」而非只写「物体」：静态图提示词描述长相，视频提示词要加动作与镜头，比如「镜头缓缓推近，人物头发随风飘动」，否则出了也是几乎不动的伪视频。第三，出帧后再合成：ComfyUI 里视频是一帧帧算出来存进队列的，最后才由 Video Combine 节点编码成 MP4，中间显存和磁盘占用都要预留，别以为它是一次性吐视频。 ...

为什么要从一键工具换到 ComfyUI Midjourney、即梦这类工具出图快，但你只能调提示词，背后的采样器、CFG、VAE、ControlNet 全是黑箱。ComfyUI 的思路反过来：它把文生图拆成一个个节点，每个节点干一件事（加载模型、编码提示词、采样、解码、存图），你用连线把它们拼成一条流水线。上手有学习成本，但一旦跑通，你就从「碰运气抽卡」变成「精确控制每一步」——换采样器、接 ControlNet、做局部重绘，全是拼节点的事。 核心就五个节点 打开 ComfyUI，默认那条「文生图」工作流其实只有五个关键节点，理解它们就理解了一半： 节点 作用 要点 Load Checkpoint 加载大模型 选 SDXL 或 SD1.5 的 .safetensors 文件 CLIP Text Encode (正负) 编码提示词 上正向下负向 Empty Latent Image 设定画布尺寸 SDXL 常用 1024×1024 KSampler 采样去噪 steps、CFG、sampler 都在这 VAE Decode + Save 解码并存图 输出 PNG 连线逻辑是：Checkpoint 同时喂给提示词编码和采样器；KSampler 在 latent 空间跑完去噪，再交给 VAE Decode 变成像素图。理解「先在潜空间采样、最后才解码」这个顺序，后面加 ControlNet、加 LoRA 就都顺了。 模型放对位置是第一关 新手 90% 的报错是模型放错文件夹。ComfyUI 启动时从 models/ 目录扫模型：大模型放 models/checkpoints/，LoRA 放 models/loras/，VAE 放 models/vae/。你从 Hugging Face 或 Civitai 下的 .safetensors 文件，要按类型丢进对应目录，然后在 ComfyUI 里点「刷新」按钮，节点下拉菜单才看得到。放错地方、不刷新，节点里就是空的。 ...