今天演示的案例是一套Wan2.2 图生视频 ComfyUI 工作流，整个流程通过加载 Wan 系列的核心模型，结合 VAE 编解码器、CLIP 文本编码器以及 UNet 主体网络，实现了从静态图像到动态视频的转换。在这一过程中，正向与反向提示词的双重控制让画面内容能够保持叙事一致性，同时 LoRA 的引入提升了运算效率，使生成速度与视频动态表现之间达到平衡。整体效果直观展现了从一张静态画面到完整视频片段的动态演绎能力。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动作生成CLIP Text Encode (Negative Prompt) 质量约束与内容抑制使用方法应用场景开发与应用工作流介绍该工作流的设计逻辑是围绕图像到视频的生成链路进行构建，加载模型后通过起始图像输入和提示词设定，驱动 UNet 与采样器完成潜变量的推理，再结合 VAE 解码与视频合成节点输出最终视频。整个流程分为加载模型、上传图像、设定提示词与参数、潜变量采样和视频输出几大环节，形成了一个可控性强、扩展灵活的标准化生成方案。核心模型在模型层面，工作流集成了 Wan2.2 的高噪声与低噪声扩散模型，并搭配 umt5 文本编码器与 wan_2.1 VAE 进行推理。高低噪声模型分别适用于不同的动态表达场景，LoRA 的引入在保证速度的同时削弱了部分视频动态，从而形成两类可选方案。核心模型间的配合保证了提示词到视频画面的映射质量，也兼顾了生成效率与显存占用的平衡。模型名称说明wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors高噪声版本的扩散模型，增强画面动态感wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
