跳转到主要内容
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑
WanInfiniteTalkToVideo 节点可根据音频输入生成视频序列。它使用视频扩散模型，以从一个或两个说话者提取的音频特征为条件，生成说话人头视频的潜在表示。该节点可以生成新序列，或利用先前帧的运动上下文来扩展现有序列。

​
输入

参数数据类型是否必需范围描述
模式COMBO是"single_speaker"
"two_speakers"		音频输入模式。"single_speaker" 使用一个音频输入。"two_speakers" 启用第二个说话者的输入及对应的遮罩。
模型MODEL是-基础视频扩散模型。
模型补丁MODELPATCH是-包含音频投影层的模型补丁。
正向提示CONDITIONING是-用于引导生成的正向条件。
负向提示CONDITIONING是-用于引导生成的负向条件。
vaeVAE是-用于将图像编码到潜在空间及从潜在空间解码的 VAE。
宽度INT否16 - MAX_RESOLUTION输出视频的宽度（像素）。必须能被 16 整除。（默认值：832）
高度INT否16 - MAX_RESOLUTION输出视频的高度（像素）。必须能被 16 整除。（默认值：480）
长度INT否1 - MAX_RESOLUTION要生成的帧数。（默认值：81）
clip视觉输出CLIPVISIONOUTPUT否-可选的 CLIP 视觉输出，用于额外的条件控制。
起始图像IMAGE否-可选的起始图像，用于初始化视频序列。
音频编码器输出1AUDIOENCODEROUTPUT是-包含第一个说话者特征的主音频编码器输出。
运动帧数INT否1 - 33扩展序列时用作运动上下文的先前帧数。（默认值：9）
音频缩放FLOAT否-10.0 - 10.0应用于音频条件的缩放因子。（默认值：1.0）
前置帧IMAGE否-可选的先前视频帧，用于从中扩展。
audio_encoder_output_2AUDIOENCODEROUTPUT否-第二个音频编码器输出。当 模式 设置为 "two_speakers" 时必需。
mask_1MASK否-第一个说话者的遮罩，如果使用两个音频输入则必需。
mask_2MASK否-第二个说话者的遮罩，如果使用两个音频输入则必需。
参数约束：
  • 当 mode 设置为 "two_speakers" 时，参数 audio_encoder_output_2、mask_1 和 mask_2 变为必需。
  • 如果提供了 audio_encoder_output_2，则必须同时提供 mask_1 和 mask_2。
  • 如果提供了 mask_1 和 mask_2，则必须同时提供 audio_encoder_output_2。
  • 如果提供了 previous_frames，则其包含的帧数必须至少等于 motion_frame_count 指定的数量。

​
输出

输出名称数据类型描述
正向提示MODEL已应用音频条件的修补模型。
负向提示CONDITIONING正向条件，可能已通过额外上下文（例如起始图像、CLIP 视觉）进行修改。
latentCONDITIONING负向条件，可能已通过额外上下文进行修改。
裁剪图像LATENT潜在空间中生成的视频序列。
trim_imageINT扩展序列时，应从运动上下文起始处裁剪的帧数。
Source fingerprint (SHA-256): 6bb976da5cac0b61edb7d4c9d206c7c7ea9ffc0e982034c23c7f2e891e972888