InfiniteTalk: 在 ComfyUI 中從單一圖像生成口型同步的肖像影片
這個 ComfyUI InfiniteTalk 工作流程從單一參考圖像加上一段音頻剪輯創建自然、語音同步的肖像影片。它結合了 WanVideo 2.1 圖像到影片的生成技術與 MultiTalk 說話頭模型，以產生豐富的口腔動作和穩定的身份。如果您需要短社交剪輯、影片配音或化身更新，InfiniteTalk 能在幾分鐘內將靜態照片轉化為流暢的講話影片。
InfiniteTalk 基於 MeiGen-AI 的卓越 MultiTalk 研究。背景和歸屬請參見開源項目：MeiGen-AI/MultiTalk。
Comfyui InfiniteTalk 工作流程中的關鍵模型
- MultiTalk (GGUF, InfiniteTalk 變體): 從音頻驅動音素感知的面部動作，讓口和下巴的動作自然跟隨語音。參考：Kijai/WanVideo_comfy_GGUF › InfiniteTalk 和上游想法：MeiGen-AI/MultiTalk。
- WanVideo 2.1 I2V 14B (GGUF): 主要的圖像到影片生成器，能在動畫幀中保留身份、光照和姿勢。推薦權重：city96/Wan2.1-I2V-14B-480P-gguf。
- Wan 2.1 VAE (bf16): 將潛在幀解碼為 RGB，顏色偏移最小；在上述 WanVideo 包中提供。
- UMT5-XXL 文本編碼器: 解析您的正面和負面提示以推動風格、場景和動作上下文。模型家族：google/umt5-xxl。
- CLIP Vision: 從您的參考圖像中提取視覺嵌入，鎖定身份和整體外觀。
- Wav2Vec2 (Tencent GameMate): 將原始語音轉化為強大的音頻特徵以改進 MultiTalk 嵌入的同步和韻律：TencentGameMate/chinese-wav2vec2-base。
提示：此 InfiniteTalk 圖表是為 GGUF 構建的。保持 InfiniteTalk MultiTalk 權重和 WanVideo 主體在 GGUF 中以避免不兼容。也可選擇使用 fp8/fp16 構建：Kijai/WanVideo_comfy_fp8_scaled 和 Kijai/WanVideo_comfy。
如何使用 Comfyui InfiniteTalk 工作流程
該工作流程從左到右運行。您需要提供三樣東西：乾淨的肖像圖像、一個語音音頻文件和一個簡短的提示來引導風格。然後圖表提取文本、圖像和音頻提示，將它們融合成動作感知的影片潛在變量，並渲染一個同步的 MP4。
模型
這一組加載 WanVideo、VAE、MultiTalk、CLIP Vision 和文本編碼器。WanVideoModelLoader (#122) 選擇 Wan 2.1 I2V 14B GGUF 主體，而 WanVideoVAELoader (#129) 準備匹配的 VAE。MultiTalkModelLoader (#120) 加載驅動語音驅動動作的 InfiniteTalk 變體。您可以選擇性地在 WanVideoLoraSelect (#13) 中附加 Wan LoRA 以偏向外觀和動作。保持這些不變以進行快速首次運行；它們已預先連接到對大多數 GPU 友好的 480p 管道。
提示
WanVideoTextEncodeCached (#241) 接受您的正面和負面提示並使用 UMT5 進行編碼。使用正面提示描述主題和場景基調，而不是身份；身份來自參考照片。將負面提示集中在您想要避免的人工製品上（模糊、多餘的肢體、灰色背景）。InfiniteTalk 中的提示主要塑造光線和運動能量，而面部保持一致。
輸入圖像
CLIPVisionLoader (#238) 和 WanVideoClipVisionEncode (#237) 嵌入您的肖像。使用清晰、正面的頭肩照片，光線均勻。如有需要，輕輕裁剪使面部有活動空間；過度裁剪可能會使動作不穩定。圖像嵌入被向前傳遞，以在影片動畫中保留身份和服裝細節。
音頻到 MultiTalk
在 LoadAudio (#125) 中加載您的語音；使用 AudioCrop (#159) 修剪以進行快速預覽。DownloadAndLoadWav2VecModel (#137) 獲取 Wav2Vec2，MultiTalkWav2VecEmbeds (#194) 將剪輯轉化為音素感知的動作特徵。短的 4-8 秒剪輯非常適合迭代；一旦您喜歡外觀，可以運行較長的剪輯。乾淨、無背景音樂的聲音效果最佳；強烈的背景音樂可能會混淆口型時序。
圖像到影片、採樣和輸出
WanVideoImageToVideoMultiTalk (#192) 將您的圖像、CLIP Vision 嵌入和 MultiTalk 融合到由 Width 和 Height 常數設定大小的幀圖像嵌入中。WanVideoSampler (#128) 使用 Get_wanmodel 和您的文本嵌入生成潛在幀。WanVideoDecode (#130) 將潛在變量轉換為 RGB 幀。最後，VHS_VideoCombine (#131) 將幀和音頻混合成每秒 25 幀的 MP4，並設置平衡的質量設置，生成最終的 InfiniteTalk 剪輯。
Comfyui InfiniteTalk 工作流程中的關鍵節點
WanVideoImageToVideoMultiTalk (#192)
這個節點是 InfiniteTalk 的核心：它通過合併起始圖像、CLIP Vision 特徵和 MultiTalk 指導來調節說話頭動畫，達到您的目標分辨率。調整 width 和 height 設置比例；832×480 是速度和穩定性的良好默認值。用它作為主要位置來在採樣之前對齊身份和運動。
MultiTalkWav2VecEmbeds (#194)
將 Wav2Vec2 特徵轉化為 MultiTalk 動作嵌入。如果口腔動作過於微妙，請在此階段提高其影響力（音頻縮放）；如果過度誇張，則降低影響力。確保音頻以語音為主，以獲得可靠的音素時序。
WanVideoSampler (#128)
給定圖像、文本和 MultiTalk 嵌入生成影片潛在變量。對於首次運行，保持默認的調度器和步驟。如果看到閃爍，增加總步驟或啟用 CFG 可以幫助；如果運動感覺太僵硬，則減少 CFG 或採樣器強度。
WanVideoTextEncodeCached (#241)
使用 UMT5-XXL 編碼正面和負面提示。使用簡潔、具體的語言，如 “工作室光、柔和的皮膚、自然色彩”，並將負面提示集中。記住提示細化框架和風格，而口型同步來自 MultiTalk。
可選附加項
- 保持 MultiTalk 和 WanVideo 在同一部署家族中（全部 GGUF 或全部非 GGUF）以避免不兼容。
- 使用 5-8 秒的音頻剪輯和默認的 480p 大小進行迭代；如果需要，稍後進行升級。
- 如果身份不穩定，請嘗試更乾淨的來源照片或較溫和的 LoRA。強 LoRA 可能會覆蓋相似性。
- 在安靜的房間中錄製語音並標準化音量；InfiniteTalk 在清晰、乾燥的聲音下能最佳追蹤音素。
致謝
InfiniteTalk 工作流程代表了 AI 驅動的影片生成的一大飛躍，將 ComfyUI 靈活的節點系統與 MultiTalk AI 模型相結合。這一實現得益於 MeiGen-AI 的原始研究和發布，其 MultiTalk 項目驅動了 InfiniteTalk 的自然語音同步。特別感謝 InfiniteTalk 項目團隊提供的源參考，並感謝 ComfyUI 開發者社區使工作流程無縫集成成為可能。
此外，還要感謝 Kijai，他將 InfiniteTalk 實現於 Wan Video Sampler 節點 中，使創作者能夠直接在 ComfyUI 中製作高質量的講話和演唱肖像。InfiniteTalk 的原始資源鏈接在此提供：InfiniteTalk 範例工作流程。
這些貢獻使得創作者能夠將簡單的肖像轉化為生動、連續的講話化身，為 AI 驅動的敘事、配音和表演內容開啟了新的機會。