このComfyUIワークフローは、1枚の画像からユーザー定義のカメラや被写体パスに沿った短いプロンプト駆動動画を生成します。Wan 2.1 I2V ATIモデルを使い、テキストガイダンス・参照画像・軌道JSONを組み合わせて、カメラ移動やオブジェクト動作を完全制御。主なノードはUNETLoader（Wan2_1-I2V-ATI-14B_fp8_e4m3fn.safetensors）、VAELoader（wan_2.1_vae.safetensors）で拡散バックボーンをロード、CLIPLoaderとCLIPTextEncodeでプロンプト条件付け、CLIPVisionLoaderとCLIPVisionEncodeで画像条件付け、WanTrackToVideoで軌道制御を適用。KSampler（ModelSamplingSD3駆動）がノイズ除去、VAEDecodeがフレーム復元、CreateVideo＋SaveVideoで動画化します。

技術的には、CLIPTextEncodeで正・負プロンプトをエンコードし、CLIPVisionEncodeで入力画像から特徴抽出。PrimitiveStringMultilineノードにTrajectory-Annotation-Toolでエクスポートした軌道JSONを貼り付け、WanTrackToVideoが各フレームの動作制御をサンプリング工程に注入。ModelSamplingSD3でスケジューラを設定し、KSamplerがWan 2.1の学習設定に合わせてノイズ除去。サンプリング後、VAEDecodeでフレーム復元、CreateVideoで解像度・FPS指定の動画を組み立てます。4090D 24GBで720x480の場合、初回約500秒、2回目以降はキャッシュで約463秒（設定により変動）。