(NSFW) Dead-Simple MMAudio + RIFE Interpolation Setup for WAN 2.2 I2V 14B

更新日志

版本 1.0.1：RIFE Group 的输出意外设置为 8fps，现已更改为 24fps。

版本 1.0：初始发布

献给所有枪手

你的 WAN 2.2 视频很棒，看起来非常出色。但声音在哪？我们从图像转向了视频，而 WAN 2.2 在视频方面表现惊人。缺失的部分……是音频！

这是我有史以来的第一篇文章，如果我犯了任何错误，敬请谅解。如果我有错误或你需要任何帮助，请留下评论。供你参考，我正在使用：

• ComfyUI 0.3.68

• Torch 2.9

• CUDA 13

• Python 3.13.9

• Sage Attention 2.2

• NVIDIA 5070 Ti（16GB 显存）

以下是自定义节点（共 3 个）：

• ComfyUI-VideoHelperSuite 1.7.7 (https://github.com/Kosinkadink/ComfyUI-VideoHelperSuite)

• ComfyUI-MMAudio Nightly 版 (https://github.com/kijai/ComfyUI-MMAudio)

• ComfyUI-VFI 版本未知 (https://github.com/GACLove/ComfyUI-VFI)

  • 我认为有其他更流行的 RIFE 自定义节点被很多人使用，但我无法弄清楚如何实现分数倍插值（16 → 24fps 是 1.5 倍插值），而这个节点支持该功能。

接下来是工作流...

------------------------------------

此工作流处理两项任务：

1. 使用 RIFE 将 WAN 2.2 原生的 16fps 输出插值为 24fps。

2. 使用 MMAudio 根据最终的 24fps 视频生成同步音频。

设置即插即用。将你的 WAN 视频放入 → 插值 → 输入 MMAudio → 获取同步输出。附带的说明解释了关于帧率、步数设置和种子行为的原理。

此工作流涵盖：

1. RIFE 从 16fps 到 24fps 的插值。

2. MMAudio 采样器（推荐设置：50 步，cfg 4.5）。

3. 自动将音频与视频在 24fps 下合并。

4. 可选：若需输出 30fps 或更高，可进行二次插值。

   1. 你可以将已完成的 24fps 视频接入“步骤 1：RIFE 插值”组，仅需将 source_fps 改为 24，target_fps 改为 30。

必需的 MMAudio 文件

将以下所有文件下载至：

ComfyUI/models/mmaudio

MMAudio NSFW 模型（基于基础模型微调）

https://huggingface.co/phazei/NSFW_MMaudio/resolve/main/mmaudio_large_44k_nsfw_gold_8.5k_final_fp16.safetensors?download=true

MMAudio VAE（fp16）

https://huggingface.co/Kijai/MMAudio_safetensors/resolve/5984623e6b436818c6ff287ef6eec93e3e05aa3f/mmaudio_vae_44k_fp16.safetensors

MMAudio Synchformer（fp16）

https://huggingface.co/Kijai/MMAudio_safetensors/resolve/main/mmaudio_synchformer_fp16.safetensors

MMAudio CLIP 编码器（fp16）

https://huggingface.co/Kijai/MMAudio_safetensors/resolve/main/apple_DFN5B-CLIP-ViT-H-14-384_fp16.safetensors

额外提示

一旦你生成了优质的 MMAudio 音轨，可根据你的创作目标进一步处理：

1. 将你的音频/视频导入某种软件（如 CapCut/Shotcut），并在背景中叠加一些音乐。我已在几个视频中这样做了，添加了“收音机”滤镜，使音乐听起来像是微弱地在背景中播放。

2. 在 NSFW 音轨旁叠加其他音轨。你可以参考 KaptainSisay 在此处优雅地完成的类似操作：(https://civitai.com/images/110700679)