此 ComfyUI 工作流使用腾讯 Hunyuan Video 模型，将简短文本提示词转换为连贯的多帧视频。它从 Step1 - Load models 加载模型栈开始：DualCLIPLoader 提供文本编码器，CLIPTextEncode 将你的正面与负面提示词转换为嵌入，UNETLoader 加载 Hunyuan Video UNet 权重。ModelSamplingSD3 为 Hunyuan 配置 SD3 风格的噪波调度采样器，FluxGuidance 在去噪过程中应用 classifier‑free guidance。Step2 - Video size 使用 EmptyHunyuanLatentVideo 定义宽度、高度、帧数/fps 与时长，并用 RandomNoise 为初始 Latent 视频设定种子。随后，Custom sampler 区域（SamplerCustomAdvanced 搭配 KSamplerSelect 与 BasicScheduler）迭代去噪视频 Latent，得到结构化动画。
采样完成后，流程通过 VAELoader 与 VAEDecodeTiled（默认推荐，适合大多数 GPU）或 VAEDecode 将 Latent 解码回 RGB 帧，并通过 CreateVideo 与 SaveVideo 组装并写出结果。该工作流强调实用迭代：在 Step3 - Prompt 调整提示词措辞，通过调 steps 与引导提升保真度与运动表现，并在需要时使用 VAEDecodeTiled 与 UNETLoader 的 fp8 weight_dtype 管理内存。有关 Hunyuan Video 的细节与技巧，请参考链接文档。
API
通过代码使用此工作流
每个 Comfy 工作流都是一个 JSON 图。下面的内容就是此工作流的完整数据，ComfyUI 运行时也是如此——你可以从该 URL 获取、放入版本控制，或在 ComfyUI 中加载并逐节点运行。
使用 Comfy SDK 从 TypeScript 或 Python 运行。相同代码可用于 Comfy Cloud 或你自托管的 ComfyUI——只需更改基础 URL。
// Install (beta)
npm i @comfyorg/sdk
// Run "混元视频文生视频" (TypeScript)
import { Comfy } from "@comfyorg/sdk";
const client = new Comfy({ apiKey: "comfyui-..." });
// This workflow, exported in API format (see note below)
const wf = await client.workflows.fromFile("hunyuan_video_text_to_video_api.json");
wf.setInput("44", "text", "your prompt here"); // CLIPTextEncode
const job = await client.run(wf);
await job.getOutputs("80")[0].toFile("output.png"); // SaveVideoSDK 需要 API 格式的工作流：在 ComfyUI 中打开此工作流，使用 文件 → 导出工作流（API）。
常见问题
