ComfyUI 视频生成工作流：WAN 与 LTX 的本地跑法

ComfyUI 视频生成：WAN 与 LTX 本地跑法

先讲清楚预期

本地跑开源视频模型，和用云端付费产品是两回事：

| 维度 | 本地开源方案 | 云端付费产品 | | --- | --- | --- | | 单次成本 | 电费，趋近于零 | 按秒/按次计费 | | 等待时间 | 几分钟到十几分钟 | 通常是几十秒到几分钟 | | 可控性 | 极高，每个参数可调 | 有限 | | 稳定性 | 需要自己踩坑 | 相对稳定 | | 适合场景 | 批量、磨参数、不愿按次付费 | 偶发、追求效率 |

如果你的需求是每天要出几十条或者要反复调同一组效果，本地方案的成本优势巨大。如果只是偶尔试一次，云端更省事。

显存：决定你能跑什么

这是最容易劝退的一步，先说实话：

| 显存 | 能跑到什么程度 | | --- | --- | | 8GB | 量化版模型 + 低分辨率（512 左右）+ 短视频片段，很勉强 | | 12GB | 主流档：720p 以下、2~4 秒片段可以跑，需要耐心调参 | | 16GB | 比较舒服，可上较高分辨率和稍长时长 | | 24GB+ | 基本可以自由尝试主流工作流 |

苹果芯片（M 系列）用户注意：统一内存架构意味着「显存」约等于内存的一半左右可用，16GB 内存的 Mac 大致对应 8~12GB 显存的表现。优先找针对 MPS 优化的工作流。

显存不够的三个现实解法，按推荐顺序：

1. 用量化版模型（fp8 / gguf 格式），体积和显存占用都能砍一大截 2. 降分辨率：视频分辨率对显存的影响是平方级的 3. 减帧数：时长越长，需要同时处理的帧越多

两条链路的节点结构

WAN 链路（图生视频为主）

加载 WAN 模型 → CLIP 文本编码（可选）
                ↓
商品/人物首帧图 → WAN 图像编码 (VAE Encode) → 采样 → VAE 解码 → 合成视频

WAN 的特点是运动幅度大、动态感强，适合做有明显主体运动的画面（人物动作、镜头推移）。对首帧图的依赖较强，首帧质量直接决定成片质量。

LTX 链路

加载 LTX checkpoint → 双文本编码 → 潜空间初始化 → 采样 → 解码 → 输出

LTX 的优势是速度快、支持较高帧率，风格偏写实、运动相对克制。适合产品展示、缓慢推轨镜头这类不需要剧烈运动的场景。

选哪条的简单判断：要动态感选 WAN，要效率和稳定选 LTX，追求性价比可以先两条都跑一次同一组提示词对比。

帧数、帧率与时长的关系（别再瞎填了）

这三个参数决定了成品长度，很多人随便填导致结果不是自己想要的：

时长（秒） = 总帧数 ÷ 帧率(fps)

举例：要 4 秒 24fps 的视频 → 需要 总帧数 = 4 × 24 = 96。

常见约定：

| 目标 | 帧数 | 帧率 | | --- | --- | --- | | 短视频平台 3 秒片段 | 73 ~ 97 | 24 或 25 | | 5 秒展示 | 121 ~ 145 | 25 | | GIF 动图素材 | 一般在 2 秒内 | 8 ~ 12 |

开源模型通常要求帧数满足 `4k + 1` 的形式（如 97、121），因为它要做帧间插值。填了不符合的值可能被自动向上取整，导致时长比预期长。

提示词：视频和图片不是一回事

视频提示词必须描述运动，否则出来的是静止画面轻微浮动。

推荐写法：
- 主体 + 它在做什么运动
- 镜头怎么动
- 环境/光线
- 风格

示例：
a young woman in purple sportswear doing gentle yoga stretch,
slow camera dolly forward, tropical rainforest background,
dappled sunlight through leaves, cinematic, shallow depth of field

负向提示词里加入 motion 相关的约束能减少抽搐：

static, frozen, jittering, morphing limbs, flickering,
distorted hands, low resolution, blurry

运动越复杂越容易崩。想做大幅度的动作（跳跃、转身），最好拆成多段生成再剪辑，硬要靠单次生成通常会得到扭曲的肢体。

实用参数区间（起点，不是标准答案）

| 参数 | WAN 建议起点 | LTX 建议起点 | | --- | --- | --- | | 分辨率 | 832×480 或 720×720 | 768×512 | | 帧数 | 81（约 3.4 秒 @24fps） | 121（约 5 秒 @24fps） | | 采样步数 | 25 ~ 35 | 20 ~ 30 | | CFG | 5 ~ 7 | 3 ~ 5 | | 采样器 | 各类通用即可 | 对采样器更敏感，建议先按官方推荐 |

调参的正确顺序：先固定低分辨率和短帧数跑通 → 确认构图和运动方向对 → 再加分辨率和帧数。一上来就拉满参数，一次十几分钟，调一次一天就没了。

图生视频：首帧决定了七成效果

这是提升成品率最有效的一招：先用图片模型生成一张满意的首帧，再拿它做视频。

好处在于：构图、光色、质感都可以在出图阶段反复挑选（图片生成快得多），视频阶段只剩下「让它动起来」这一件事。直接文生视频，运气成分是很大的。

操作链路：

1. 在 ComfyUI 里用常规文生图流程出一张满意的图 2. 不经过重新编码，把它直接作为 WAN 的图像输入（注意尺寸要匹配视频工作流要求） 3. 提示词描述你想要的轻微运动

运动幅度控制：想稳定就写缓慢运动（slowly、gentle），配合较低的运动强度参数；写 dancing、running 这类大幅动作，翻车概率显著上升。

常见问题

报错显存不足，但监控显示没占满？ 内存/共享显存不足，尝试关闭其他程序，或加 --lowvram。

生成的视频人物肢体扭曲？ 运动幅度太大。改成更简单的动作，或减短时长。

视频闪烁、跳帧？ 尝试降低 CFG，或换采样器；首帧质量差也会明显加剧闪。

速度太慢？ 优先降分辨率（收益最大），其次降步数到 20 左右，一般肉眼很难分辨 20 步和 35 步的差距。

想加声音？ ComfyUI 本身不负责音频。需要用剪辑软件把音频叠上去，或配合其他音频生成工具。

下一步

• 想把零散片段做成成片：用剪映或其他剪辑工具拼接，注意保留原视频的帧率
• 想批量生成：导出 API 格式工作流，用脚本循环调用，夜间跑批最划算
• 想提升首帧质量：先练稳文生图，这一步的基础决定了视频的上限