ComfyUI视频生成完全指南用ComfyUI-WanVideoWrapper让14B模型跑进低显存【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapperComfyUI-WanVideoWrapper 是一个面向 WanVideo 系列视频生成模型的 ComfyUI 视频生成插件它把 140 亿参数的视频扩散模型封装成一组可拖拽、可组合的 ComfyUI 节点。它要解决的核心痛点是显存——通过 block swap把模型不用的层临时挪到内存、用时再取回即 offloading和 fp8 量化推理让原本需要更大显存的 14B 模型在 16GB 级别的显卡上跑起来。如果你想用中端显卡实打实地做出文生视频、图生视频这个插件是目前最实用的选择之一。✅ 它到底能做什么4 种典型输入输出组合先建立直觉这个项目覆盖的玩法可以概括为四种「输入什么 → 输出什么」文生视频输入一句 prompt输出一段描述场景的短视频是最基础的链路。图生视频输入一张参考图比如下面的角色图加文字描述输出以这张图为首帧展开的视频。音频驱动Ovi 节点组支持输入图像 音频输出带口型和声音的视频。镜头控制接入 ReCamMaster、Uni3C 等扩展后输入素材与控制参数输出指定运镜的视频。 底层是怎么跑的简化版模块化流水线 显存优化一条五段式流水线从 prompt 到视频文件整个生成过程就是五段接力每段对应一类节点prompt/参考图 → T5 与 CLIP 编码 → 空 latent 准备 → 扩散采样 → VAE 解码 → 视频输出具体对应关系是T5umt5_xxl和 CLIP Vision 负责把文字和图片变成模型能读的特征WanVideoEmptyEmbeds创建待生成的噪声 latentWanVideoSampler驱动 14B Transformer 迭代去噪采样器可在 wanvideo/schedulers/ 里选的 FlowMatch、ERSDE 等之间切换WanVideoDecode用 VAE 把 latent 还原成像素视频最后由 VHS_VideoCombine 节点落盘。block swap 是怎么把 14B 模型塞进 16GB 显存的这里有个关键细节Wan 14B 的 Transformer 主干约 40 个 block。block swap 的做法是只把当前要用的 block 留在显存其余挪到系统内存并在计算间隙异步预取下一个 block——计算和搬运并行所以速度损失不大。显存不够时还有两招fp8 量化把参数体积减半作者个人推荐 fp8 scaled 版本权重GGUF 格式则支持更低的量化档位主模型加载器可直接加载.gguf文件。下面这段来自 nodes.py 的代码作用只是把「换入换出哪些 block」的配置挂到模型选项上真正的搬运发生在推理过程中def loadmodel(self, model, block_swap_argsNone): if block_swap_args is None: return (model,) patcher model.clone() if transformer_options not in patcher.model_options: patcher.model_options[transformer_options] {} patcher.model_options[transformer_options][block_swap_args] block_swap_args return (patcher,) 从 0 到跑起来的实操路径硬件门槛显存到底要多少下面这张表整理自仓库 readme 中的实测数据点可作为 8GB 显存跑 14B 模型之类问题的最小配置参考显存档位最小可行配置依据约 5GB1.3B T2V 模型 81 帧窗口readme 实测1025 帧长视频用不到 5GB5090 上约 10 分钟8–16GB14B fp8/GGUF block swap 卸载readme 实测512x512x81、20/40 block 卸载约 16GB16–24GB14B fp8减少卸载比例提速fp8 权重 按需调整卸载 block 数24GB14B 高精度权重可不卸载全量驻留显存速度最快环境准备clone 插件 两步装依赖在 ComfyUI 的custom_nodes目录下执行git clone https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper pip install -r ComfyUI-WanVideoWrapper/requirements.txt如果你用的是 ComfyUI 便携版改用便携版自带的python_embeded\python.exe -m pip install安装同一份 requirements.txt 即可。模型下载4 类文件放进 4 个目录组件放置目录备注T5 文本编码器 umt5_xxlComfyUI/models/text_encoders也可复用 ComfyUI 原生加载器CLIP VisionComfyUI/models/clip_vision同上主干视频模型ComfyUI/models/diffusion_models推荐 fp8 scaled 版本支持 GGUFVAEComfyUI/models/vae模型下载地址以 readme 为准按上面的目录摆放即可。跑通第一条文生视频工作流在 ComfyUI 里导入 example_workflows/wanvideo_2_1_14B_T2V_example_03.json把模型加载器指向刚下载的文件在 WanVideoSetBlockSwap 节点按你的显存档位设置卸载 block 数点 Queue Prompt等 VHS_VideoCombine 输出视频。️ 进阶玩法与生态怎么写一个自己的 WanVideo 节点一个节点就是一个类声明INPUT_TYPES输入端口、RETURN_TYPES输出端口和FUNCTION执行方法最后注册进NODE_CLASS_MAPPINGS字典即可。仓库 nodes.py 里有几十个现成样例可照着抄比如最简单的 WanVideoEnhanceAVideo 只接收三个 float 参数。40 多份现成工作流模板example_workflows/ 目录下有 40 多份 JSON覆盖 T2V、I2V、Ovi 音频驱动、Fun control 运镜、VACE、WanAnimate 等场景导入即用是学习节点连法最快的方式。跑起来之后值得试的加速项注意力实现加载器里可选 sdpa、flash_attn_2/3、sageattn、radial 稀疏注意力等显存紧张时优先后几档缓存节点TeaCache / MagCache / EasyCache 三个节点按 readme 提示调整阈值新版系数阈值约为旧版 10 倍上下文窗口用滑动窗口 重叠生成超长视频readme 的 1025 帧案例就是 81 帧窗口加 16 帧重叠跑出来的。⚖️ 值不值得现在上手优势一显存优化是真正的硬实力block swap fp8/GGUF 有 readme 实测数据背书中端卡跑 14B 不是噱头。优势二生态覆盖广据仓库 readme 描述除 Wan 本体外还集成了 SkyReels、VACE、ReCamMaster、FantasyTalking、WanAnimate、ATI 等 20 多个扩展模型与免训练技巧一个插件顶好几个。优势三上手成本低40 多份工作流模板导入即跑节点连法有参考可抄。局限也要说清楚作者在 readme 中自述这是「永远在途」perpetual WIP的个人沙盒并明确建议——如果 ComfyUI 原生已支持相同模型和功能优先用原生节点插件更新快旧工作流的显存参数尤其是未合并 LoRA 占用 block 之后的 block swap 配置可能需要重新调。所以判断很简单显卡 8GB 以上、想第一时间玩 Wan 生态的新模型新玩法现在就值得上手如果只想要最稳的基础链路先确认原生 ComfyUI 的支持情况再决定。【免费下载链接】ComfyUI-WanVideoWrapper项目地址: https://gitcode.com/GitHub_Trending/co/ComfyUI-WanVideoWrapper创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考