這個 ComfyUI 工作流程會使用 Wan 2.2 S2V（sound-to-video）模型，把單張參考圖片以及一段音訊轉成同步的影片。它透過 UNETLoader、CLIPLoader 以及 VAELoader 載入 Wan 主幹，並用 ModelSamplingSD3 設定正確的取樣排程。你的文字提示由 CLIPTextEncode 編碼，而音訊則由 AudioEncoderLoader 與 AudioEncoderEncode 處理。這些訊號再加上 LoadImage 載入的圖片，一起驅動 WanSoundImageToVideo 合成符合音訊節奏與語句停頓的動作。KSampler 控制步數、CFG 與 seed；VAEDecode 把潛空間轉成影格；CreateVideo 則組裝成最後的片段。
有兩個工程細節讓這個工作流程更適合量產：首幀穩定化與可延伸的時長。「Fix overbaked first frame」群組會用 LatentCut 與 LatentConcat 複製第一個潛空間影格再解碼，並在解碼後丟棄第一個影格，以避免常見 VAE 在第 0 幀出現的「過烤」外觀。要做長片段時，「Video S2V Extend」子圖可用 LatentCut/LatentConcat 以分段方式串接（預設每段 77 幀），讓你能製作到分鐘等級而不把 VRAM 撐爆。此工作流程也支援 lightning 路徑：搭配 Wan 2.2 lightning LoRA 可用 4 步取樣（建議 CFG 約 1.0）。若你更重視品質與穩定性，使用標準路徑約 20 步（CFG 約 6.0）。
API
從程式碼使用此工作流
每個 Comfy 工作流都是一個 JSON 圖。下方的 payload 就是此工作流，與 ComfyUI 執行時完全相同 — 你可以從此 URL 取得、放入版本控制，或在 ComfyUI 載入並逐節點執行。
使用 Comfy SDK 以 TypeScript 或 Python 執行。相同程式碼可用於 Comfy Cloud 或你自架的 ComfyUI — 只需更改 base URL。
// Install (beta)
npm i @comfyorg/sdk
// Run "Wan2.2-S2V 音訊驅動影片產生" (TypeScript)
import { Comfy } from "@comfyorg/sdk";
const client = new Comfy({ apiKey: "comfyui-..." });
// This workflow, exported in API format (see note below)
const wf = await client.workflows.fromFile("video_wan2_2_14B_s2v_api.json");
const asset = client.assets.fromFile("input.png");
wf.setInput("52", "image", asset); // LoadImage
wf.setInput("6", "text", "your prompt here"); // CLIPTextEncode
const job = await client.run(wf);
await job.getOutputs("113")[0].toFile("output.png"); // SaveVideoSDK 需使用 API 格式的工作流：請在 ComfyUI 開啟此工作流，並使用 檔案 → 匯出工作流（API）。
常見問題
