如何用ComfyUI-WanVideoWrapper实现语音驱动视频：从入门到精通的完整指南

发布时间：2026/7/21 11:06:46

【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper

ComfyUI-WanVideoWrapper是一款强大的AI视频生成工具，它允许用户通过语音输入来驱动视频内容，实现让静态图像跟随音频动态变化的效果。本教程将详细介绍如何使用该工具的HuMo模块创建专业级语音驱动视频，即使是AI新手也能快速上手。

在开始之前，请确保你已经完成以下准备步骤：

克隆项目仓库

git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper

安装依赖
进入项目目录并安装所需依赖：

cd ComfyUI-WanVideoWrapper && pip install -r requirements.txt

下载核心模型
语音驱动功能需要以下模型文件，可从项目文档中提供的链接获取：
- HuMo模型：Wan2_1-HuMo-14B_fp8_e4m3fn_scaled_KJ.safetensors
- Whisper语音识别模型：whisper_large_v3_encoder_fp16.safetensors
- 音频分离模型：MelBandRoformer_fp16.safetensors

HuMo（Human Motion）是ComfyUI-WanVideoWrapper中负责语音驱动的核心模块，它通过以下步骤实现音频到视频的转换：

图：语音驱动视频的核心技术流程，展示了从音频输入到视频输出的完整链路

你需要准备以下两种核心素材：

ComfyUI-WanVideoWrapper提供了现成的语音驱动工作流模板，你可以在以下路径找到：

example_workflows/wanvideo_2_1_14B_HuMo_example_01.json

双击该文件加载完整工作流，包含预配置的节点链：

在工作流中需要重点调整以下参数：

HuMoEmbeds节点（位于工作流中间位置）
- reference_images：连接你的参考图像
- audio：连接你的音频文件
- width/height：设置输出视频分辨率（建议1280x720）
- motion_strength：控制动作幅度（推荐值2.5-3.0）
WanVideoSampler节点
- steps：采样步数（8-15，值越高质量越好但速度越慢）
- cfg：分类器指导强度（建议值6-8）
- seed：随机种子（保持固定可复现结果）

点击"Queue Prompt"按钮开始生成，等待进度完成后：

在VHS_VideoCombine节点中设置输出参数：
- frame_rate：帧率（推荐25fps）
- filename_prefix：输出文件名前缀
- format：选择"video/h264-mp4"格式
点击"Save"按钮导出最终视频，文件将保存在ComfyUI/output目录下