InfiniteTalk TTS BGM Foley US IP

VibeVoice → ACE-Step → MMAudio → WAN 视频生成工作流

（ComfyUI 图像到视频管道）

此工作流将单张已完成的图像转换为具有真实动态、自适应背景音乐和情境音效的短片式电影片段。

专为已有渲染角色并希望通过富有表现力的动态与环境层次感赋予其生命力的创作者设计。

核心阶段

VibeVoice（语音与表情）：生成与情感基调同步的对白或独白，使角色能在场景中自然地表达台词。

ACE-Step（背景音乐）：生成与情感意图和节奏相匹配的背景音乐（BGM）。

MMAudio（拟音与环境音）：叠加真实的环境音与音效，增强沉浸感。在本工作流中，拟音基于描述生成，而非视频输入。

WAN 2.1 I2V 480 或 720（动态与氛围）：通过自然语言氛围提示，添加逼真的运动与摄像机行为。

上采样：工作流包含一次1×细节上采样（适合皮肤纹理与边缘优化），但您可替换为任意首选的上采样器。

帧插值：内建插值功能可平滑生成帧之间的运动，实现更清晰的播放效果与更自然的角色动作。

用户提示

在 ComfyUI 中配置音频生成可能较为复杂。

本工作流内含内联说明，列出所需依赖项与节点包，但用户仍需自行处理部分环境配置问题。

一旦配置完成，该流程可从一张静态图像端到端生成完整的视听场景，包含运动、音乐、拟音与插值。