🤡 我倾向于过度复杂化工作流程。（视为高级版本）
如需更简单的版本，请使用以下内容：
参考与致谢：
🔗(NSFW) 非常简单的 MMAudio + RIFE 插值设置，适用于 WAN 2.2 I2V
😀SeoulSeeker(CivitAI)

🪁 我在折腾 MMAudio，于是决定把这套工作流放在这里。

12/12/25 - 添加了带 ACE-Step 的工作流（音乐/歌曲生成）
- 修复了从视频中提取音频的问题。

⚠️ 需要 8 个自定义节点
⚠️ 子图
⚠️ 仅在 ComfyUI 桌面版中测试通过
✅ 面向 UI 的工作流
✅ 从视频上传音频
✅ 从文件上传音频
✅ 支持两个 MMAudio 用于声音/音乐生成
✅ 音量控制
✅ 支持超分辨率和/或帧插值
✅ 水印/Logo（随 Video FPS 重采样节点（White Rabbit）一同提供，不如直接用）
✅ 精简工作流
‼️ 自定义节点 ComfyUI-Swwan 可能导致工作流出现问题。（请确保已卸载，它与工作流中的某些开关存在冲突）
‼️ 禁用 "Node 2.0"。

🎹 可组合所有选定选项（从视频上传音频、从文件上传音频、MMAudio 1、MMAudio 2、ACE-Step）

💡 建议使用未经插值的视频，速度更快。但你仍可使用任意帧率的插值视频，只是可能较慢。

⚠️ 如果你的视频被放大至高分辨率，可能导致内存溢出。
⚠️ 在本工作流中进行视频插值时，输出帧率固定，以避免混淆和复杂化。（更改 FPS = 改变持续时间 = 影响 MMAudio）

💡 更推荐使用其他音频文件作为背景音乐（BGM），而非依赖 MMAudio。
（我使用 ACE-Step 生成 BGM）
MMAudio 对视频反应非常敏感，因此不太擅长生成音乐。例如：视频中的转场可能会破坏音乐的流畅性。有时这种断裂反而效果不错，或一个微笑可能触发恐怖电影的音效。有时节奏或旋律会跟随视频中的动作变化。
偶尔我会用 MMAudio 生成 BGM，但需要大量尝试。

📼上方发布的视频包含嵌入式工作流。（下载视频，拖入 ComfyUI）
需要 ComfyUI-VideoHelpSuite 自定义节点 才能在 ComfyUI 中从视频打开工作流。

⌨️使用方法：

将你的视频拖拽到 “📲模型加载器与视频上传” 子图中
在每个模块顶部启用所需选项。
为 🎼MMAudio 编写简单提示词，或上传音乐文件，或使用来自视频的音频。
- 3a. 点击 "🎲新固定随机" 为 🎼MMAudio 生成新声音。
▷运行
在 "🎥🎼视频合成" 中预览视频
如果你希望从 🎼MMAudio 生成新声音，请重复 3a. 并点击 ▷运行
选择 "🎞️帧插值"、"📐超分辨率" 和/或 ":💾保存输出"，然后 ▷运行

💿安装 ComfyUI-MMAudio

1. Git 克隆

进入你的 ComfyUI 自定义节点目录。
🗂️ ComfyUI\custom_nodes

Windows：
将 ComfyUI-MMAudio 克隆到该目录中。
在目录中右键，选择“打开终端”，输入：

git clone https://github.com/kijai/ComfyUI-MMAudio.git

2. 安装

桌面版：
打开 ComfyUI，
点击 ComfyUI 中的 "🧩Manager"。

点击 "安装缺失的自定义节点"。

对 ComfyUI-MMAudio 选择 "尝试修复"。
重启 ComfyUI。

便携版：
进入你的 "python_embedded" 文件夹。
在目录中右键，选择“打开终端”，输入：

python.exe -m pip install -r ComfyUI\custom_nodes\ComfyUI-MMAudio\requirements.txt

📥MMAudio 模型/文件下载链接

⚠️ 在 "🗂️: ComfyUI/models/" 文件夹中创建一个名为 "mmaudio" 的文件夹，并将所有文件放入其中。

mmaudio_model （可下载两者或任选其一，我通常两者都用，视所需音频而定）
- SFW 模型 （对 NSFW 内容效果不佳）
- NSFW 模型 （对 SFW 内容效果不佳）
vae_model
synchformer_model
clip_model

🗂️: ComfyUI/models/mmaudio

📐超分辨率模型下载链接

📐2x 超分辨率模型
🗂️: ComfyUI/models/upscale_models
（建议使用 2x 超分模型；也可使用 4x 模型，但耗时更长）

🎹ACE-Step 模型下载链接

加载工作流时，ComfyUI 会提示缺少模型。你可以直接从 ComfyUI 下载，或使用以下链接：
🎹 ace_step_v1_3.5b.safetensors
🗂️: ComfyUI/models/checkpoints

🗺️指南

📲模型加载器与视频上传

🎥从视频提取音频
- 启用：使用上传视频的音频。
- 禁用：仅使用上传视频，忽略音频。
📲模型加载器与视频上传
- 将视频拖入子图上传，下方会显示视频预览；将鼠标悬停在预览上，可听到音频（如有）。
📐超分辨率模型 - 在此处选择你的超分模型。
MMAudio synchformer_model - mmaudio_synchformer_fp16.safetensors
MMAudio vae_model - mmaudio_vae_44k_fp16.safetensors
MMAudio clip_model - apple_DFN5B-CLIP-ViT-H-14-384_fp16.safetensors
选择要上传的视频 - 你也可以点击此处打开窗口选择视频，或直接拖拽视频到该子图中。
音量（⚠️本节点预览不反映调整后的音量）
- 设置视频音频的音量（十进制数值）
- 1 = 默认
- 负数 = 降低音量（例如 -6）
- 大于 1 = 提高音量

📤从文件夹加载音频

⚠️你必须点击 "选择要上传的文件" 才能上传音频/视频文件。
要上传带音频的视频（仅提取音频）或 mp3 文件，请选择 "所有文件(*.*)"。

📤从文件夹加载音频
- 启用：使用文件夹中的音频文件。
📤加载音频
- 选择要上传的文件 - 点击此处上传音频文件或含音频的视频。
- 音频预览（顶部） - 仅在上传音频文件后显示，可预览完整音频长度。
- 音频起始时间 - 输入音频开始的秒数。
  0 = 从头开始。
  若设为 6.50，则会截掉 6.5 秒前的所有内容。
  结束时间将根据视频时长自动裁剪。
- 音量 - 设置音频音量（十进制数值）
  1 = 默认，
  负数 = 降低音量（例如 -6），
  大于 1 = 提高音量
- 音频预览（底部） - 仅在工作流 ▷运行 后显示。可预览裁剪并调整音量后的音频。
  💡点击 "⋮ "（三个点），可选择保存裁剪后的音频。
- 视频预览 - 仅在工作流 ▷运行 后显示。可预览所用视频 + 已调整音量的上传音频。将鼠标悬停在视频预览上即可听到音频。

🎹ACE-Step

ACE Step 使用标准 KSampler 生成音乐。如需更改采样器或调度器，可进入子图调整。

🎹ACE-Step
- 启用：使用 **🎹**ACE-Step。
ckpt_name: ace_step_v1_3.5b.safetensors
Shift & Steps - 可保持默认，除非你想尝试调整。
人声音量 - 如有演唱，提高人声音量。
⚠️即使无演唱或仅为纯音乐，也必须设为 1。
秒数 - 歌曲/音乐时长。（推荐 60 秒）
⚠️至少 20-30 秒。建议时长更长，之后再设定音乐起始点。若时长过短（5-10 秒太短），ACE-Step 将无法正常生成。
音频预览（顶部） - 仅在工作流 ▷运行 后显示，可预览 ACE-Step 生成的完整歌曲。
💡点击 "⋮ "（三个点），可选择保存生成的歌曲/音乐。
💡用此功能寻找你希望音乐开始的位置。
🎲新固定随机 & 种子 - 点击并 ▷运行，以获得新的种子生成新歌曲。
音频起始时间 - 输入音频开始的秒数。
0 = 从头开始。
若设为 6.50，则会截掉 6.5 秒前的所有内容。
结束时间将根据视频时长自动裁剪。
音量 - 设置音频音量（十进制数值）
1 = 默认，
负数 = 降低音量（例如 -6），
大于 1 = 提高音量
音频预览（底部） - 仅在工作流 ▷运行 后显示。可预览裁剪并调整音量后的音频。
💡点击 "⋮ "（三个点），可选择保存裁剪后的音频。
ACE-Step 正向提示词 - 编写音乐风格、乐器、类型或情绪的提示词。
ACE-Step 音乐结构/歌词提示词 - 构建歌曲并添加歌词，或设为纯音乐。
💡更多提示词与结构示例，请访问： https://ace-step.github.io/
视频预览 - 仅在工作流 ▷运行 后显示。可预览所用视频 + 生成的 ACE-Step 音乐/歌曲（已调整音量）。将鼠标悬停在视频预览上即可听到音频。

🎼第一与第二 MMAudio

🎼第一/第二 MMAudio
- 启用：使用 MMAudio。
🎼MMAudio
- mmaudio_model - 在此处选择/切换 MMAudio 模型。
- steps - 50 步即可获得足够质量且速度很快。
- 正向提示词（顶部）与负向提示词（底部）
  
  - 在此处编写提示词，可保持简洁，几个词或标记即可。若音频未生成所需内容，可添加正向提示；若出现不想要的声音，可添加负向提示。
  
  - 示例：
  
  若视频中只有人弹吉他，但没有鼓声，可在提示中加入："drums" 或 "drums, snare"。
  
  若不希望出现人声，可在负向提示中加入 "vocals"。
  -⚠️效果并非完美，可能需要多次尝试。
  -（别问我提示词怎么写，我仍在摸索哪些有效，哪些是安慰剂效应。）
- 音量 - 设置音频音量（十进制数值）
  1 = 默认，
  负数 = 降低音量（例如 -6），
  大于 1 = 提高音量
- 音频预览 - 仅在工作流 ▷运行 后显示。可预览生成的 MMAudio 音频（已调整音量）。
  💡点击 "⋮ "（三个点），可选择保存生成的音频。
- 🎲新固定随机 & 种子 - 点击并 ▷运行，以获得新的种子生成新音频。
- 视频预览 - 仅在工作流 ▷运行 后显示。可预览所用视频 + 生成的 MMAudio 音频（已调整音量）。将鼠标悬停在视频预览上即可听到音频。

🎥🎼视频合成

预览视频 + 合成音频（使用或生成）的输出效果。

filename_prefix
- 在此处设置视频输出文件名。添加“/”将创建文件夹。

示例：“mmAud/mmaudio”。
视频将保存至“🗂️:ComfyUI/output/mmAud/”，文件名为“mmaudio_00001-audio.mp4”。ComfyUI 将自动在文件名末尾添加编号系统，并在文件末尾添加“-audio”以表明该视频包含音频。

所有生成的视频都将保存至 🗂️:ComfyUI/output。
save_metadata
- 启用后，将在 ▷RUN 时保存工作流状态。将带有已保存元数据的输出视频拖放到 ComfyUI 中，即可加载该视频对应的所有输入/状态。
- 禁用后，将清空工作流元数据。

💡当保存带音频的视频时，视频合成节点将生成 3 个输出文件（带音频的视频、仅视频、第一帧）。
为减少输出文件夹的杂乱：
进入 ComfyUI 设置。
在左侧找到 🎥🅥🅗🅢 并选择它。
禁用：（右侧前两项）

"成功执行后保留必需的中间文件"（此选项会在生成带音频的视频时保存无音频的视频版本。禁用后，仅保存带音频的视频，无需担心。）
"为元数据保存第一帧 PNG"（若你已禁用上述 save_metadata，可启用此项，以便从第一帧 PNG 中恢复工作流。）

🎞️ 📐🦄💾选项

💡在草拟音频/音乐时，可禁用这些选项。

🎞️插值倍率（启用/禁用）
- 帧插值通过在原始视频帧之间插入新帧，使视频更流畅。
- 3-4x 倍率 = 非常流畅。
- 2x 倍率 = 略微流畅，具有电影感。
- 插值倍率 = 在原始视频帧之间插入多少帧。
- 5秒视频 - 81帧，使用 4x 倍率，最终将得到 321 帧。
- 5秒视频 - 81帧，使用 3x 倍率，最终将得到 241 帧。
📐超分器（启用/禁用）
通过放大倍率调整最终视频输出尺寸。
示例：720x960 - 1.5x = 1080x1440 - 2x = 1440x1920
🦄Logo 图层叠加（启用/禁用）
- 为你的视频添加 Logo 或水印。
💾保存输出？（启用/禁用）
- 启用并点击 ▷RUN 以保存你使用的视频+音频结果。
💡在草拟阶段可先禁用此项，以减少输出文件夹的杂乱。
💡或者，你也可以保持启用（若你容易忘记），然后自行清理输出文件夹。

🦄Logo 叠加（水印）

启用以对视频添加水印。

将你的 Logo/水印图片拖放至此处。
支持带有透明背景的图片。
选择 Logo/水印的位置。
缩放 Logo/水印的大小。
透明度 - 调整 Logo/水印的不透明度。
旋转 - 如需倾斜 Logo/水印。
内边距 X - Logo/水印距水平边界的偏移量。
内边距 Y - Logo/水印距垂直边界的偏移量。
其余设置保持默认即可。

🧩自定义节点：

rgthree-comfy
ComfyUI-East-Use
ComfyUI-KJNodes
ComfyUI-VideoHelpSuite
ComfyUI-Frame-Interpolation
ComfyUI-mxToolkit
WhiteRabbit
ComfyUI-MMAudio

模型类型	工作流
基础模型	Wan Video 2.2 I2V-A14B
发布时间	12/10/2025

🎼MMAudio + 🎹ACE-Step (Music/Song Gen) Workflow for Videos

详情

下载文件

关于此版本