ComfyUI AI 视频生成入门：文生视频与图生视频

ComfyUI 不只能生成图片。近年来开源的视频模型（例如 Wan 系列、LTX-Video、HunyuanVideo 等）都可以在 ComfyUI 中使用，生成数秒的短视频。

两种主要方式

方式	输入	适合
文生视频（T2V）	提示词	从零生成画面
图生视频（I2V）	一张图片 + 提示词	让一张图“动起来”，画面最可控

实际使用中，图生视频最常见：先用图像模型生成满意的画面（或使用自己的照片、插画），再生成动态效果，质量和一致性都比较好。

硬件需求

视频生成非常消耗资源：

显卡显存：建议 16 GB 以上；低于 12 GB 时需要使用量化版本或较小的模型，并降低分辨率和帧数。
系统内存：建议 32 GB 以上。
时间：一段几秒的视频，根据硬件和设置，可能需要几分钟到几十分钟。

许多视频模型提供不同大小的版本（例如参数量较小的版本），以及 FP8、GGUF 量化版本。显存不足时优先选择这些版本。

从官方模板开始

视频模型的工作流比图片复杂，强烈建议从模板开始：

菜单 → 浏览模板 → 视频（Video）分类。
选择模型和方式，例如某个模型的“图生视频”模板。
按提示下载所需的模型文件（扩散模型、文本编码器、VAE；图生视频有时还需要图像编码器），并放到对应文件夹。
在 Load Image 节点中加载起始图片，修改提示词，然后点击 Run。

主要参数

参数	说明
宽 / 高	视频分辨率。先用较低分辨率（例如 480p 级别）测试
帧数（length / frames）	视频长度 = 帧数 ÷ 每秒帧数。部分模型要求特定的帧数（例如 4 的倍数加 1）
fps	每秒帧数，根据模型建议设置（常见为 16～24）
steps、CFG	根据模板建议值设置

帧数和分辨率对显存和耗时的影响最大。先用较短、较小的设置确认动作正确，再提高质量。

提示词

视频提示词除了描述画面，更重要的是描述动作和镜头：

A girl with an umbrella walks slowly along a rainy street at night, neon signs reflecting
on the wet ground. The camera slowly follows her from behind. Light rain falls.

描述主体的动作（walks, turns her head, smiles）。
描述镜头运动（slow zoom in, pan left, static camera）。
图生视频时，不需要重复描述图片中已有的内容，重点描述“要怎么动”。

输出视频

模板通常使用 Save Video、Save WEBM 或 VideoHelperSuite 的 Video Combine 节点输出 MP4 / WebM / GIF，文件保存在 output 文件夹中。

加速技巧

使用加速 LoRA（Lightning 等类型）可以把步数降到个位数，大幅缩短生成时间。
使用 FP8 或 GGUF 量化模型。
先用低分辨率生成，满意后再放大（视频放大也有专门的模型和工作流）。

合理预期

目前大多数开源视频模型生成的都是数秒片段，长视频需要分段生成后再剪辑。
复杂动作、手部和文字仍然容易出错，可以多生成几次，挑选最好的结果。
模型更新很快，几个月内就可能出现更好的新模型，可以定期查看模板中的新选项。

生成真人视频时，请遵守法律和平台规范，不要制作冒充他人或具有误导性的内容。

更新于 2026年10月12日