SkyReels V3 ComfyUI | AI 視頻生成器

SkyReels V3 ComfyUI：忠於身份的圖像、視頻和音頻轉視頻創作

SkyReels V3 ComfyUI 是一個生產就緒的工作流程，將 SkyReels V3 多模態視頻模型引入 ComfyUI，使您可以為靜止圖像添加動畫、擴展現有鏡頭並構建具有精確唇形同步的音頻驅動說話頭像。它專為希望在靈活的節點圖中保持電影運動、強大主題身份和時間一致性的創作者而設計。

該工作流程附帶四條可獨立運行或鏈接的專注管道：圖像到視頻角色動畫、視頻到視頻續集、音頻到視頻說話頭像和故事流的下一鏡頭生成。每個路徑都包含明確的輸入點和合理的默認值，因此您可以快速插入您的資產並渲染高質量的 SkyReels V3 輸出。

注意 2X 大型及更大機器（R2V 工作流程）： 在運行之前，請將 Patch Sage Attention KJ (#240) sage_attention 設置為 disabled。啟用它可能會觸發 SM90 kernel is not available 錯誤。

Comfyui SkyReels V3 ComfyUI 工作流程中的關鍵模型

• 來自 WanVideo FP8 包的 SkyReels V3 視頻骨幹 (R2V, V2V Shot, A2V)。這些是處理身份感知運動、視頻續集和音頻條件唇形同步的核心生成器。請參閱 Hugging Face 上 WanVideo 包中的 SkyReels V3 權重 here。
• 用於圖像指導和參考嵌入的 OpenCLIP Vision ViT 模型。它們提供強大的視覺特徵，有助於在幀之間保持外觀和風格。項目頁面：open_clip。
• 用於提示理解的 UMT5 文本編碼器。它提供豐富的語言條件以引導風格、場景和動作。倉庫：umt5。
• 用於唇形同步和音頻分析的 Wav2Vec2 語音特徵。中國基變體開箱即用，類似的英語變體也適用。模型卡：TencentGameMate/chinese-wav2vec2-base。
• 用於語音轉文本的 Qwen3‑ASR‑1.7B。用於轉錄參考音頻並引導語音克隆 TTS 提示。模型卡：Qwen/Qwen3-ASR-1.7B。
• 用於聲音分離的 MelBandRoFormer。在嵌入唇形同步之前，當您需要乾淨的語音軌道時非常有用。模型卡：Kijai/MelBandRoFormer_comfy。
• 用於鏡頭感知提示生成的 MiniCPM‑V。它分析先前的畫面並提出下一鏡頭以保持故事連貫性。模型中心：OpenBMB/MiniCPM-V。

如何使用 Comfyui SkyReels V3 ComfyUI 工作流程

圖表分為四條管道。您可以單獨運行任何一個或按順序運行以構建更長的編輯。

圖像到視頻角色動畫

• 模型。使用 UNETLoader (#241)、CLIPLoader (#242) 和 VAELoader (#194) 在模型組中加載 UNet、CLIP 和 VAE。模型補丁節點 PathchSageAttentionKJ (#240) 和 ModelPatchTorchSettings (#239) 優化注意力和數學設置，而 LoraLoaderModelOnly (#250) 讓您可選地將風格或運動 LoRA 混入 SkyReels 模型。
• 加載參考圖像。使用三個 "加載參考圖像" 組導入 1–3 個肖像或姿勢。調整大小助手 ImageResizeKJv2 (#291, #298, #299, #304) 對齊縱橫比並批量處理它們；更乾淨的身份照片可以產生更穩定的結果。
• 提示。在提示組中使用 CLIPTextEncode (#6) 輸入場景和動作文本，並使用可選的負文本編碼器 CLIPTextEncode (#7) 來排除不需要的特徵。保持語言簡潔，專注於動作和構圖。
• 取樣和解碼。WanPhantomSubjectToVideo (#249) 將您的參考和提示融合成一個身份感知的潛在，該潛在通過 ModelSamplingSD3 (#48) 餵給 KSampler (#149)。從 VAEDecode (#264) 解碼的幀由 VHS_VideoCombine (#280) 打包成電影；在此設置目標幀速率和文件格式。

視頻到視頻擴展循環

• 輸入視頻和設置。使用 VHS_LoadVideo (#329) 導入您的源剪輯。使用整數助手 “Number of Extend” (#342) 和 “Overlapping Frames” (#341) 設置要生成的額外段數和段之間的重疊量。ImageResizeKJv2 (#327) 標準化取樣器的分辨率。
• 循環取樣擴展視頻。循環對 easy forLoopStart (#331) 和 easy forLoopEnd (#332) 在窗口中遍歷剪輯以穩定過渡。每個窗口都由 WanVideoEncode (#326) 編碼，通過 WanVideoEmptyEmbeds (#328) 接收中性或控制嵌入，並由 WanVideoSampler (#320) 從 WanVideoModelLoader (#319) 去噪。幀由 WanVideoDecode (#321) 解碼，並可使用 VHS_VideoCombine (#322, #335) 預覽或保存。
• 性能助手。WanVideoTorchCompileSettings (#323) 和 WanVideoBlockSwap (#325) 為更長或更高分辨率的運行啟用編譯和內存技巧。

音頻到視頻說話頭像

• 1 – 創建音頻。您可以使用 FB_Qwen3TTSVoiceClonePrompt (#416) 和 FB_Qwen3TTSVoiceClone (#412) 生成語音克隆的語音軌道，或使用 LoadAudio (#417) 加載任何預錄語音。Qwen3ASRLoader (#414) 加上 Qwen3ASRTranscribe (#413) 幫助您從參考剪輯中提取文本以種子 TTS 提示（如果需要）。
• 2 – 音頻特徵。DownloadAndLoadWav2VecModel (#348) 將 MultiTalkWav2VecEmbeds (#350) 餵給您創建的唇形運動嵌入；長度與音頻對齊，並可用 PreviewAudio (#422) 預覽。使用 Any Switch (rgthree) (#435) 選擇 TTS 輸出或導入文件作為驅動軌道。
• 3 – 輸入圖像。在 “3 - 輸入圖像” 組中加載說話的面孔，並使用 ImageResizeKJv2 (#370) 調整其大小。乾淨、正面的肖像，光線一致效果最佳。
• 參考視頻生成。首先，使用 WanVideoImageToVideoEncode (#392) 從靜止圖像創建一個短的視覺錨點。來自 CLIPVisionLoader (#352) 和 WanVideoClipVisionEncode (#351) 的 CLIP-Vision 特徵穩定身份跨越下一階段；在取樣設置組中準備調度器 WanVideoSchedulerv2 (#385)。
• 生成音頻唇形同步。WanVideoImageToVideoSkyreelsv3_audio (#383) 將開始圖像、可選的參考幀和 CLIP-Vision 嵌入合併成圖像條件。然後 WanVideoSamplerv2 (#384) 使用 SkyReels A2V 模型去噪，而 WanVideoSamplerExtraArgs (#386) 則注入 MultiTalk 唇形同步嵌入以獲得準確的口形。WanVideoPassImagesFromSamples (#381) 將解碼幀流到 VHS_VideoCombine (#346)，在那裡您的音頻與最終視頻合併。

視頻到視頻下一鏡頭生成

• 視頻幀預處理。使用 VHS_LoadVideo (#443) 導入上一鏡頭，並通過 ImageResizeKJv2 (#441) 調整其大小。GetImageRangeFromBatch (#445) 選擇一個上下文片段，WanVideoEncode (#440) 將其轉換為潛在；WanVideoEmptyEmbeds (#442) 準備條件窗口。
• 自動視頻提示。CreateVideo (#450) 從上下文幀組裝一個緊湊的代理剪輯，AILab_MiniCPM_V_Advanced (#449) 分析它以起草下一鏡頭提示。在 ShowText|pysssss (#447) 中檢查或細化草案，然後在取樣前將其嵌入 WanVideoTextEncodeCached。
• 模型和取樣。使用 WanVideoModelLoader (#436) 和 WanVideoVAELoader (#438) 加載 V2V Shot 模型；可選的 WanVideoBlockSwap (#439) 處理 VRAM。WanVideoSampler (#451) 生成續集，WanVideoDecode (#437) 渲染幀，VHS_VideoCombine (#446) 輸出最終鏡頭。這條 SkyReels V3 ComfyUI 路徑非常適合故事板和預覽，其中每個新剪輯都應尊重上一個。

Comfyui SkyReels V3 ComfyUI 工作流程中的關鍵節點

• WanPhantomSubjectToVideo (#249)。從您的批量參考圖像加上文本提示構建一個身份感知的潛在，然後驅動取樣器。調整引用的數量和多樣性以平衡相似鎖定與創意運動；保持提供給它的調整節點一致以避免漂移。參考：WanVideo Wrapper 在 GitHub 上包含實施說明和預期輸入 ComfyUI‑WanVideoWrapper。
• WanVideoImageToVideoEncode (#392)。將靜止圖像編碼為穩定的鏡頭種子，並可選地混合 CLIP-Vision 指導以獲得姿勢和構圖。在音頻驅動階段之前使用它來創建錨點幀，以便身份和相機設置在各管道中保持一致。包裝器文檔：ComfyUI‑WanVideoWrapper。
• WanVideoImageToVideoSkyreelsv3_audio (#383)。準備專為 A2V 取樣器量身定制的圖像嵌入，並合併可選的參考視頻幀。確保其寬度和高度與取樣器路徑匹配；將其與 WanVideoSamplerv2 和 MultiTalkWav2VecEmbeds 配對以獲得精確的唇形同步。
• WanVideoSamplerv2 (#384, #387)。SkyReels V3 的主要去噪器，接受圖像和文本嵌入加上調度設置。WanVideoSamplerExtraArgs 節點 (#386, #409) 是注入唇形同步、循環或上下文特徵的地方；在 A2V 和 I2V 模型之間切換時保持這些連接。實施細節：ComfyUI‑WanVideoWrapper。
• MultiTalkWav2VecEmbeds (#350)。將語音轉換為驅動口形運動的時間對齊嵌入。匹配預期的幀預算並確保乾淨的語音顯著提高音素準確性。Wav2Vec 參考模型：TencentGameMate/chinese-wav2vec2-base。
• AILab_MiniCPM_V_Advanced (#449)。分析上一鏡頭並起草角色、背景、動作、情緒和照明的結構化提示。使用此功能在使用 V2V 下一鏡頭路徑時保持敘述連續性；生成的文本流入 WanVideoTextEncodeCached。模型家族：OpenBMB/MiniCPM-V。

可選額外功能

• 保持圖像、視頻和取樣器分辨率在連接的節點之間一致，以避免縱橫比變形和身份閃爍。
• 對於更長的擴展，增加 V2V 擴展循環中的窗口重疊以平滑段之間的過渡。
• 如果 GPU 記憶體緊張，則保持啟用保留的 VRAM 節點 (ReservedVRAMSetter (#312, #448)) 並在取樣前使用編譯設置塊。
• 當說話頭像不合拍時，優先使用乾淨的語音或在創建 MultiTalk 嵌入之前使用 MelBandRoFormer 分離聲音。
• 最終交付設置，如幀速率、像素格式和 CRF，皆由 VHS_VideoCombine 輸出節點控制；匹配您的來源幀速率以進行無縫編輯。

此 README 涵蓋完整的 SkyReels V3 ComfyUI 圖表，因此您可以選擇適合您項目的路徑，根據需要將它們結合起來，並以最小的試錯渲染出一致的、故事準備好的視頻。

致謝

此工作流程實施並建立在以下作品和資源之上。我們感謝 @Benji’s AI Playground 和 SkyReels 提供的 SkyReels V3 ComfyUI 工作流程的貢獻和維護。欲了解權威詳情，請參閱下方鏈接的原始文檔和倉庫。

資源

• SkyReels/V3 ComfyUI 來源
  • 文檔 / 版本說明：SkyReels V3 ComfyUI 來源來自 @Benji’s AI Playground

注意：引用的模型、數據集和代碼的使用受其作者和維護者提供的相應許可json

和條款的約束。