【ComfyUI】Wan VACE 参考图一致性视频生成

今天演示的案例是一个基于Wan2.1 VACE 模型的 ComfyUI 视频生成工作流。该流程通过加载不同规模的扩散模型与配套的 LoRA，加上文本编码器和 VAE 的协同工作，能够将文本提示与参考图像结合，生成具有动态表现的视频。效果展示中可以流畅动作的过程，这种由静态描述到动态视频的转换，是当前 AI 视频生成中极具代表性的应用方向。文章目录工作流介绍核心模型Node节点工作流程大模型应用CLIP Text Encode (Positive Prompt) 文本语义驱动的视频生成核心CLIP Text Encode (Negative Prompt) 负向语义过滤器使用方法应用场景开发与应用工作流介绍该工作流结合1.3B 与 14B 两个版本的 Wan2.1 VACE 扩散模型，并通过匹配的 CausVid LoRA 加速视频生成，在保证画质的同时显著提升效率。配套的 VAE 与文本编码器提供了解码与语义支撑，使得复杂的文本提示能够高效映射到潜在空间，再通过解码得到高质量的视频帧。整个流程的设计充分考虑了用户在分辨率、生成速度与控制精度上的需求，因此在实际使用中既能适应快速测试，也能支持高质量输出。核心模型本工作流使用的核心模型包括两种规模的扩散模型及其对应的 LoRA，同时还包含 VAE 与不同精度版本的文本编码器。14B 模型在画质上表现更佳，适合生成 720P 视频，但需要较长推理时间；1.3B 模型仅支持 480P，推理速度更快，适合轻量级任务。CausVid LoRA 的加入使推理速度从数十分钟缩短至数分钟，极大优化了效率表现。VAE 负责潜在空间到图像的还原，而 UMT5 XXL 系列文本编码器保证了提示语的语义解析能力。模型名称说明wan2.1_vace_14B_fp16.safetensors大规模扩散模型，支持 480P/720P 输