什么是 Wan-Animate？

Wan-Animate 是专注于向人・角色传送动作的 Wan2.1-14B-I2V 基础 的模型。

  • 配合参照视频的人物的动作，让输入的图像动起来的 Animation 模式
  • 将输入视频的人物，替换为参照图像的人物的 Replacement 模式

有 2 种生成模式，如果将 Replacement 模式认为是向 Animation 模式添加了“适应背景那样的处理”的东西，我想比较容易理解。

因为是 Wan2.1 基础，所以只能生成到 77 帧，但也和 Wan2.1 VACE 的 Extension 一样，通过抽出最后的数帧并重复生成那个后续的处理，也可以实质上处理长视频。

必要的自定义节点

作为事前处理进行人脸检测和姿势推断。有以下的自定义节点非常方便。

模型的下载

凑齐 Wan-Animate 本体和 Wan2.1 系共通的模型。

配置例。

📂ComfyUI/
└── 📂models/
    ├── 📂clip_vision/
    │   └── clip_vision_h.safetensors
    ├── 📂diffusion_models/
    │   └── Wan2_2-Animate-14B_fp8_e4m3fn_scaled_KJ.safetensors
    ├── 📂loras/
    │   └── WanAnimate_relight_lora_fp16.safetensors
    ├── 📂text_encoders/
    │   └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
    ├── 📂unet/
    │   └── Wan2.2-Animate-14B-XXXX.gguf      ← 仅在使用 gguf 时
    └── 📂vae/
        └── wan_2.1_vae.safetensors

Animation 模式

是配合参照视频的人物的动作，让输入的静止画动起来的模式。

因为相当巨大所以心跳加速，但基础原样是 Wan2.1 image2video 的形式。不要畏惧前进吧。

wan2_2_animate_animation.json
Deep diveAnimation 模式

读取 Wan-Animate 模型

  • 在 Load Diffusion Model 读取 Wan2_2-Animate。

决定生成分辨率

  • 配合输入图像在 Scale Image to Total Pixels 调整总像素数。
  • 请配合 PC 的规格改变数值。
  • 最后将分辨率 裁剪为 16 的倍数。

向 WanAnimateToVideo 节点输入追加信息

  • reference_image 想动的静止画。
  • face_video 从参照视频裁剪颜部分的视频。 Pose and Face Detection 自动通过 YOLO 进行人脸检测 → 裁剪。
  • pose_video 从参照视频通过 ViTPose 生成火柴人（关键点）的视频。 因为驱动视频和想动的图像骨骼和位置不同，所以在 retarget 处理进行调整。
Outputs
reference_image
reference_image
pose_video(处理前)
output

Replacement 模式

将输入视频的人物，替换为参照图像的人物的模式。

变成向 Animation 模式添加了，为了 inpainting 人物的掩膜，和为了适应背景のリライト処理的东西。

wan2_2_animate_replacement.json
Deep diveReplacement 模式

リライト LoRA 的追加

  • 为了让替换后的人物溶入背景，添加 રિライト LoRA。

参照图像的 padding

  • 因为这次基准是视频，所以配合视频的分辨率 padding 参照图像。

人物掩膜生成

  • 将 Pose and Face Detection 取得的人物坐标传递给 SAM2.1 生成掩膜。
  • 将掩膜稍稍膨胀，在 Blockify 节点转换为像点绘那样锯齿状的掩膜作为 character_mask。 不这样做的话不知为何生成的视频的轮廓会残留细边。
  • 将在 ImageCompositeMasked 将掩膜的部分涂黑的视频作为 background_video 使用。
Outputs
background-pose_video
reference_image
reference_image
output

6 步推论（Lightx2v LoRA）

使用蒸馏 LoRA，可以减少采样步数到 4〜6 steps。

在 text2video 使用的话会介意劣化，但在 Wan-Animate 因为不是从 0 制作视频，所以不怎么介意。想积极地活用。

模型的下载

📂ComfyUI/
└── 📂models/
    └── 📂loras/
        └── Wan21_I2V_14B_lightx2v_cfg_step_distill_lora_rank64.safetensors

Animation 模式（高速版）

wan2_2_animate_animation_lightx2v.json
Deep diveAnimation 模式（高速版）

LoRA 的适用

  • 🟪 在 LoraLoaderModelOnly 读取 Lightx2v LoRA。

  • KSampler 的设定

    • steps … 4〜6
    • cfg … 1.0
Outputs
20steps
6steps

Replacement 模式（高速版）

wan2_2_animate_replacement_lightx2v.json

为了长视频重复处理

Wan-Animate 的基础和 Wan2.1 I2V 同样，1 次推论能生成的上限是 77 帧。 制作超过这个的长视频的情况下，要构成“一边继承最后的数帧，一边重复好几次生成”。

在 ComfyUI 无法进行循环处理，所以变成向后向后串联连接几乎相同的工作流的形式。

这里老实说称不上 SMART 的处理，是向 Kijai 先生的 ComfyUI-WanVideoWrapper 的实现退让一步的部分。

Animation 模式（Repeat）

wan2_2_animate_animation_lightx2v_repeat.json

乍一看是巨大的工作流，但与至今的东西不同的点只有以下 2 点。

  • video_frame_offset

    • 第 1 次生成了 77 帧的情况下，第 2 次必须从第 78 帧以后使用 face_video 和 pose_video。
    • 向 video_frame_offset 输入偏移帧数的话，会自动错开 face_video / pose_video 的参照开始位置。

  • continue_motion_max_frames

    • 设定作为重叠部分的帧数。
    • 例如将 length 设为 77，continue_motion_max_frames 设为 5 的话，使用上次的最后 5 帧，新生成剩余的 72 帧。

如果重复连接这个组，理论上可以制作无限长的视频。 但是和复印机一样，误差会一点点积累下去。

Replacement 模式（Repeat）

wan2_2_animate_replacement_lightx2v_repeat.json