ComfyUI+通义万相 Wan2.1系列生成视频教程

一、Wan2.1系列

Wan2.1 系列是阿里巴巴通义实验室推出的开源视频生成模型套件，共有 4 个模型，包括文生视频的 Wan2.1-T2V-1.3B 和 Wan2.1-T2V-14B，以及图生视频的 Wan2.1-I2V-14B

在权威评测集 VBench 中，Wan2.1 以总分 86.22% 的成绩登上榜首位置，大幅领先了 Sora、Minimax、Luma、Gen3、Pika 等国内外视频生成模型

具体来说，Wan2.1开源了文生视频和图生视频两种模型。

其中，文生视频模型有1.3B和14B两种大小，图生视频模型大小都是14B，不过，一个是480P，另一个是720P。

大尺寸14B版本主打高性能，但1.3B小版本适合消费级显卡，只需要 8.2GB 显存就可以生成 480P 高质量视频。

也即是说，只要你有一张4060显卡(8G显存)，就能跑得动这个模型，并且可以在大约4分钟以内生成5秒的480p视频。

刚好，ComfyUI官方也支持了Wan2.1模型，所以，这篇文章就带大家一步一步在本地部署Wan2.1模型。

二、ComfyUI

ComfyUI 和大家熟知的 WebUI 一样，都是 Stable Diffusion 的一种用户界面，可以实现文生图、图生图、图像处理、AI 视频生成等操作。但 ComfyUI 是节点式模块化的界面，需要用户自己搭建工作流，而且各方面的资源比较松散，需要自己安装部署，因此入门难度较高，不适合零基础的 AI 绘画小白，一般都推荐大家先掌握 Stable Diffusion WebUI 的用法，再学习 ComfyUI。

ComfyUI 越来越受欢迎，是因为用户可以按需要搭建自定义工作流，高效完成各种图像生成任务，很多最新的 AI 技术比如 SVD、InstantID 发布没多久就能在 ComfyUI 中用上，这点是 WebUI 做不到的；ComfyUI 会将图像生成流程保存为工作流(workflow)文件，下次使用时直接拖入界面加载就行，这样不仅方便自己复用已有工作流，还能轻松借用大神的生成作品；而且 ComfyUI 对低显存用户也更友好，在 WebUI 中容易爆显存生成任务在 ComfyUI 中可以顺利完成。

下载

夸克网盘
链接：https://pan.quark.cn/s/fed0656eb3f1

打开链接，只需要下载ComfyUI-aki-V202504版-无需密码.zip，其他文件不需要下载。

安装

解压zip文件，得到文件夹ComfyUI-aki-V202504版-无需密码，进入目录ComfyUI-aki-V202504版

双击文件，绘世启动器.exe

第一次打开，会提示安装组件windowsdesktop-runtime，安装提示下载安装即可。

安装完成，首页效果如下：

 点击左侧的高级选项-->环境维护-->安装PyTorch，选择最新版本CUDA 12.8，点击安装。

安装需要一点时间，请耐心等待

点击版本管理，更新到最新版本

三、ComfyUI模型文件下载

clip_vision下载

打开下面这个页面，下载clip_vision：

https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/clip_vision

下载文件

 下载到本地后，移到下载到本地后，移到ComfyUI整合包的ComfyUI\models\clip_vision目录下。

diffusion_models下载

打开下面这个页面，下载diffusion_model：

https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/diffusion_models

Wan2.1模型支持文生视频和图生视频两种方式，每种方式下又有14B和1.3B两种尺寸的模型，其中：

• 文生视频
• • wan2.1_t2v_1.3B的模型，最大只支持生成832×480像素视频
  • wan2.1_t2v_14B的模型，支持1280×720像素和832×480像素视频
• 图生视频
• • wan2.1_i2v_480p_14B的模型，最大支持生成832×480像素视频
  • wan2.1_i2v_720p_14B的模型，最大支持生成1280×720像素视频

同时，每个尺寸的模型下也有多个模型，根据生成质量的优劣，按照如下原则选择(质量等级从高到低)：

fp16 > bf16 > fp8_scaled > fp8_e4m3fn

结合自己的显存大小，我选择这两个模型下载到本地：

文生视频：wan2.1_t2v_1.3B_fp16.safetensors
图生视频：wan2.1_i2v_480p_14B_fp8_scaled.safetensors

然后移到ComfyUI-aki-V202504版\ComfyUI\models\diffusion_models目录下面。

text_encoders下载

打开下面这个页面，下载text_encoders：

https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/text_encoders

• 如果显存 >= 12G，选择第一个text_encoder下载
• 如果显存 < 12G，选择第二个text_encoder下载

选择第一个下载

 下载到本地后，移到下载到本地后，移到ComfyUI整合包的ComfyUI\models\text_encoders目录下。

vae下载

打开下面这个页面，下载vae：

https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/vae

 下载到本地后，移到下载到本地后，移到ComfyUI整合包的ComfyUI\models\vae目录下。

四、工作流下载

打开下面这个页面，下载工作流：

https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/example%20workflows_Wan2.1

我们根据第三步下载的diffusion_model，相对应地选择第一个和第三个工作流下载：

下载到本地后，移到下载到本地后，移到ComfyUI整合包的ComfyUI\user\default\workflows目录下。

五、文生视频

第一步，打开秋叶启动器，确保是最新版本，点击左上角，一键启动。

启动完成后，会自动打开网页： http://127.0.0.1:8188/

第二步，点击左边侧栏，打开文生视频工作流。

 第三步，调整diffusion_model、text_encoder和vae的配置，选择之前下载好的模型。

注意必须要手动选择，umt5 xxl fp16.safetensors

注意必须要手动选择，这里选择wan2.1 t2v 1.3B fp16.safetensors

注意必须要手动选择，wan 2.1 vae.safetensors

第四步，在CLIP文本编码器框输入正向提示词

这里的提示词如下：

阳光明媚的草原上，一位年轻的中国美女正在欢快地散步，镜头采用中景拍摄，完美捕捉到她全身的曼妙姿态。她有着标志性的可爱脸型，瓜子脸搭配长发自然卷，淡妆之下，笑起来时左右脸颊上绽放出两个浅浅的酒窝，尽显青春活力与甜美气质。淡蓝色连衣裙上点缀着白色与淡黄色小花，领口微微敞开，裙摆轻柔垂落至脚踝，随着微风轻轻摆动，展现出玲珑有致的身材曲线，健康优雅。她脚蹬一双舒适凉鞋，漫步绿草如茵的草地，阳光温柔洒落，为她披上一层柔和金辉，她时而轻笑，时而低头细嗅青草芬芳，满溢轻松愉悦。广袤草原延伸至远方，黄、红、紫等各色野花星星点点，蓝天白云高远澄净，共同勾勒出清新自然的夏日画卷，映衬着她活力四溢的年轻身姿。

 完整流程如下：

最后点执行按钮，开始生成视频。

注意看，左上角会显示进度，中间顶部会显示CPU，内存，GPU的使用率

生成过程中，GPU使用率会很高

不过不用担心，大概2分钟左右，就可以完成了。

生成完成后，左下角，会播放效果

生成的图片，会保存在目录ComfyUI-aki-V202504版\ComfyUI\output

会出现一个ComfyUI_00001_.webp文件，打开文件，效果如下：

这是1.3b的效果，花草有点模糊，人物还是比较清晰的。

六、图生视频

第一步，点击左边侧栏，打开图生视频工作流。

第二步，调整diffusion_model、text_encoder、clip_vision和vae的配置，选择之前下载好的模型。

注意必须要手动选择，umt5 xxl fp16.safetensors

 注意必须要手动选择，这里是wan2.1i2v 480p 14B fp8 scaled.safetensors

 注意必须要手动选择，wan 2.1 vae.safetensors

 注意必须要手动选择，clip vision h.safetensors

第三步，上传图片

点击upload，上传本地图片

图片下载地址为：https://img2.baidu.com/it/u=3946513537,3753906297&fm=253&fmt=auto&app=138&f=JPEG?w=800&h=1200

在CLIP文本编码器框输入正向提示词

文本内容：

一位年轻美丽的女性，她面带灿烂的微笑，眼神明亮而温柔。她端着一盆色彩鲜艳、水果种类丰富的水果沙拉。她迈着轻快而优雅的步伐向我走来，仿佛带着满满的活力与清新之感。

修改图片尺寸，因为图片是800x1200的，所以保存的图像，尺寸也要和原始图片一致才行。

图生视频的工作流，完整如下：

从上图可以看到，图生视频的工作流相比文生视频，有两个主要的区别：

1、多了一个clip_vision的节点；

2、diffusion_model换成了图生视频的模型。

最后点执行按钮

开始生成视频。

注意：耗时会比较长，因为用的是14b模型，16GB显存有点吃力。

整个过程，大概持续了35分钟，最后看一下效果图。

我噻，效果还是比较惊艳了，尤其是她笑的笑容，我沦陷了...

本文参考链接：

https://zhuanlan.zhihu.com/p/30647063188

https://blog.csdn.net/weixin_59486588/article/details/147836457