Wan 2.1 imagen a vídeo
Generar videos a partir de imágenes usando Wan 2.1.
Probar un ejemplo
Acerca de este flujo de trabajo
Este flujo de trabajo de ComfyUI convierte una imagen en un video corto usando la canalización de imagen a video de Wan 2.1. El núcleo es el nodo WanImageToVideo, que prepara el condicionamiento temporal (cantidad de fotogramas, fps y señales de movimiento) y lo dirige a la difusión. La guía de texto se codifica mediante CLIPTextEncode (respaldado por CLIPLoader cargando el codificador de texto UMT5 XXL), mientras que la imagen inicial se incrusta con CLIPVisionEncode usando pesos de CLIPVisionLoader. El modelo principal se carga vía UNETLoader (Wan2.1) y VAELoader (Wan VAE). ModelSamplingSD3 establece el perfil de muestreo correcto y KSampler realiza la eliminación de ruido en la secuencia de latentes. Finalmente, VAEDecode convierte los latentes en fotogramas RGB, CreateVideo los ensambla al fps/tamaño elegido y SaveVideo guarda el resultado en disco.
El flujo está organizado para mayor claridad: Paso1 - Cargar modelos, Paso2 - Subir start_image, Paso3 - Tamaño de video, Paso4 - Prompt. Configura ancho/alto y fps en el grupo Tamaño de video, proporciona una imagen fuente limpia con LoadImage y redacta un prompt de texto (más prompt negativo opcional) para guiar el estilo y contenido. Esto lo hace ideal para animar giros de personaje, movimientos sutiles de retrato o tomas de producto—todo desde una sola imagen—manteniendo resultados predecibles mediante la imagen inicial y reproducibles vía semilla y ajustes de KSampler.
Preguntas y respuestas
Carga Wan 2.1 UNet vía UNETLoader, el VAE correspondiente vía VAELoader, el codificador de texto UMT5 XXL vía CLIPLoader (ejemplo: umt5_xxl_fp8_e4m3fn_scaled.safetensors) y un backbone de visión CLIP vía CLIPVisionLoader. Coloca los archivos en tus carpetas de modelos de ComfyUI (ejemplo: models/unet, models/vae, models/text_encoders o models/clip, models/clip_vision) o apunta los nodos loader directamente a su ubicación.
Haz coincidir la relación de aspecto de la imagen inicial con el ancho/alto objetivo en el grupo Tamaño de video. Recorta la imagen fuente antes de cargarla. Mantener el sujeto centrado y bien iluminado también ayuda a que el modelo conserve la estructura durante el movimiento.
Reduce la resolución (ancho/alto), la cantidad de fotogramas y prueba con menos pasos de difusión en KSampler. Comienza con pocos fotogramas y baja resolución, confirma el resultado y luego aumenta gradualmente.
Sí. El flujo codifica texto con el codificador UMT5 XXL, que funciona bien con inglés y otros idiomas (ejemplo: chino). También puedes proporcionar un prompt negativo vía CLIPTextEncode para suprimir artefactos o estilos no deseados.
Para más movimiento, añade verbos de acción claros y reduce descriptores demasiado estrictos que fijen la pose. Para salidas más suaves, equilibra cantidad de fotogramas y fps, mantén la resolución razonable y refina el prompt negativo para eliminar fondos ocupados o detalles que puedan parpadear.