ComfyUI 里做图生视频最让人头痛的往往不是视频生成本身而是角色一致性。同一个角色第一段视频还能认出来第二段视频人物形象就开始失控镜头一转服装、五官、发型跟着跑偏。最近社区里讨论很多的 z-image wan2.2 工作流核心就是解决这个问题用参考图把角色特征锁住再用 wan2.2 生成连续视频完成视频转绘和人物一致性控制。这套组合尤其适合已经在用 ComfyUI、但觉得图生视频“不稳定”的人。如果你是第一次听说也没关系下面会从原理、环境、操作到排查完整走一遍。这类工作流真正值钱的不是某个单点模型而是“参考图到底怎么影响每一帧”。很多人跑完图生视频后发现首帧明明是同一个角色后面几秒人物形象就开始漂移。原因很简单模型生成的每一帧都包含随机性如果缺少一个稳定的特征约束条件只靠提示词很难把服装、脸型、色调这些细节守住。z-image 的作用就是多给模型一维参考条件让每个生成帧都“记得”角色长什么样。下面的正文会把这套工作流的完整闭环拆开。1. 这套工作流到底解决什么问题图生视频里的一致性与视频转绘1.1 为什么图生视频有首帧参考人物还是会变很多人第一次接触图生视频时会以为“给了首帧后面的画面就应该跟着首帧走”。实际上视频生成模型并不是在逐帧拷贝首帧而是把首帧作为条件再根据运动、文本描述和采样过程生成后续画面。采样过程一旦失控角色最容易崩。具体表现通常有三种人脸漂移第一段是正面脸第二段突然变成另一个人的样子。服装细节丢失领口、袖子、配饰在镜头切换后完全变样。身份感模糊五官比例、发色、肤色整体不稳定看起来像同一个人又不像同一个人。这个问题在高动态场景里更明显。比如人物转头、走路的侧身镜头、远景到近景切换模型需要重新推断“这个人应该长什么样”。如果参考信息不够强就会按照文字提示和默认分布去补结果自然不一致。1.2 wan2.2 能做什么z-image 补上哪一块wan2.2 是视频生成模型支持从文本、首帧等多条件生成视频社区里也有人把它部署到本地 ComfyUI 使用。它的优点是视频运动和画面完整性相对不错缺点也和大多数生成模型一样单靠文本提示词很难精确控制人物形象。z-image 是工作流里用来做参考图控制的节点思路很像“把角色特征作为独立条件输入到采样过程”。它不直接生成内容而是帮助模型在生成每一帧时都参考同一张或同一组人物图。于是 wan2.2 负责“动起来”z-image 负责“别变样”两者合在一起才有了标题里说的“一致性”。这里要强调一点所谓“完美”只是社区说法实际使用时只能做到相对稳定。想完全锁死角色还需要参考图质量、提示词、采样参数、视频长度共同配合。1.3 适用场景和合规边界这套工作流比较适合这些场景原创角色视频转绘把自己画的角色或 3D 模型输出成视频。风格化短片把已有视频素材通过生成模型重新转绘成动画风格。个人测试研究本地视频生成、模型可控性验证不同参考图对结果的影响。不适合把它用在未经授权的真人素材上。任何未经授权使用真人素材做生成式修改的操作都可能涉及肖像权和内容安全问题。做技术归做技术素材和场景必须清晰合法。2. 跑这套工作流之前显卡、模型和节点环境怎么准备2.1 硬件条件先看显存再看内存和磁盘本地跑视频生成模型第一优先级是显存。wan2.2 的视频分辨率越高、帧数越多显存占用就越高。不同版本的 wan2.2 模型大小差异很大但整体属于“能跑但门槛不低”的模型。给一个通用参考8GB 显存可以尝试小尺寸、短时长视频比如低分辨率、几十帧以内。12GB 显存比较合适的入门门槛可以跑常规短视频测试。24GB 及以上能更从容地尝试高分辨率、长视频和批量任务。内存建议 32GB 起步因为视频生成过程中的预处理、帧缓存、模型加载都会占用内存。磁盘建议留出足够空间一个视频生成任务如果保存多段输出很快就能占掉几个 GB。如果你用的是轻薄本或核显笔记本这套工作流基本跑不动优先考虑云 GPU 或远程算力。只要能跑 ComfyUI 就行具体平台按你的使用习惯来。2.2 ComfyUI 安装方式源码和整合包怎么选ComfyUI 本身是一个开源项目本地部署有两种主流方式官方源码方式克隆项目创建 Python 环境安装依赖然后启动服务。社区整合包方式类似“秋叶整合包”这类一键包自带 Python 环境、依赖和常见节点适合新手快速起步。我更建议新手先用整合包把基础跑通再慢慢补节点。原因不是源码方式不好而是视频生成类工作流依赖的节点和 Python 包比较多整合包能减少前置环境问题。对已经有 ComfyUI 使用经验的人源码方式更灵活排查问题也更直接。不管哪种方式最后都要能正常打开 ComfyUI 的 Web 界面并且能跑通一个基础文生图工作流。先跑通基础流程再加载复杂工作流否则分不清是环境问题还是工作流问题。2.3 模型准备不只有主模型还有文本编码器和 VAE加载 wan2.2 工作流时不是只放一个模型文件就结束。通常需要这几类文件扩散模型本体放在ComfyUI/models/diffusion_models。文本编码器用于把提示词转换成模型能理解的条件通常放在ComfyUI/models/text_encoders。VAE用于把潜在空间解码成视频帧放在ComfyUI/models/vae。其他参考节点模型如果 z-image 节点需要额外权重通常放在节点说明里指定的自定义目录。比较常见的错误是只下载了主模型启动后报“找不到文本编码器”或“找不到 VAE”。遇到这类问题优先检查文件名是否和加载器里的名称一致目录是否放对。模型文件下载完成后一般需要刷新 ComfyUI 或重启服务才能被识别。2.4 z-image 节点安装缺节点和缺依赖是两回事加载网上分享的工作流时最常遇到一句话“请安装缺失的包以使用此工作流。”这句话很容易误导人。它的真实意思是ComfyUI 检测到当前环境里缺少某个自定义节点或者节点已经存在但缺少 Python 依赖包。两种情况处理方式不同。节点缺失时可以用 ComfyUI Manager 查找并安装对应自定义节点。如果找不到就需要手动把节点仓库的代码放到ComfyUI/custom_nodes目录下然后重启 ComfyUI。依赖缺失时节点存在但无法导入ComfyUI 命令行窗口会显示类似ModuleNotFoundError: xxx的信息。这时候要进入 ComfyUI 对应的 Python 环境执行pip install xxx。整合包一般自带专门的命令行入口源码方式就直接用虚拟环境的 pip。我的建议是安装节点后不要只看 Web 界面有没有出现节点还要看启动日志有没有红色报错。先确认节点被正常加载再继续跑工作流能省很多时间。3. 工作流核心区块拆解从参考图到视频输出的每一条连线3.1 一条工作流大概分成几个区块z-image wan2.2 的工作流节点数量一般不会太少但逻辑结构可以拆成四块模型加载区加载 wan2.2 主模型、文本编码器、VAE。参考图处理区读取人物参考图进入 z-image 节点输出参考条件。视频生成区提示词、参考条件、首帧或视频输入进入采样器生成视频潜在表示。解码与保存区VAE 解码视频预览并保存到输出目录。新手拿到工作流后不用急着看每个节点的具体代码先按这个分区顺序找连线。哪一块断线基本就是哪一块的问题。3.2 z-image 节点它到底在控制什么z-image 节点在工作流里充当“角色特征注入器”。节点通常接收参考图然后把参考图编码成一种条件特征再传给视频生成流程。这样生成的每一帧都会受到参考图约束而不只是开头第一帧。具体到节点参数不同版本可能不一样。常见控制项包括参考强度、参考范围、启用开关等。参考强度越高生成结果越贴参考图但运动幅度可能变小强度太低人物形象容易漂移。建议先用默认强度跑一遍再小范围调整。这里要特别说明一点z-image 不是简单把某张参考图贴到每一帧上它控制的是整体角色外观而不是单独某个五官。参考图如果本身是侧脸、半身、遮挡严重生成结果同样不会稳定。3.3 视频生成参数分辨率、帧数、步数和 CFGwan2.2 的视频生成由采样器完成常见的设置项包括分辨率决定视频画面的清晰度分辨率越高显存占用越大。总帧数决定视频长度。帧数越多越容易出现角色漂移和显存溢出。采样步数步数越高细节通常越好但耗时会明显增加。CFG提示词引导强度过高会让画面过度锐利过低会内容发散。种子固定种子可以复现同一段结果方便对比参数差异。这里给的是通用判断逻辑不是固定推荐值。不同工作流会有自己的预设最好先用原作者分享的参数跑再按你的显卡逐步调整。不要一上来就开高分辨率和长视频先小分辨率、短帧数验证流程。3.4 提示词和负面提示词别把所有任务都丢给 z-image即使有 z-image 做参考提示词依然重要。参考图控制“角色长什么样”提示词控制“角色在做什么、镜头怎么动、场景是什么”。两者缺一不可。正面提示词建议包含以下信息人物主体一个女孩、一个战士、一个机器人。动作状态行走、回头、跳舞。镜头语言近景、全身、侧面跟随。风格限定电影感、动漫、写实。场景氛围街道、雨天、黄昏。负面提示词可以写常见画面问题比如“变形的手、多手指、模糊、闪烁、文字水印、多余肢体”。不要写太复杂的提示词。视频生成模型对超长文本的理解能力有限关键信息越靠前越容易被采纳。4. 先跑通一条视频从加载工作流到检查首帧一致性4.1 加载工作流后先检查这三样东西把下载的工作流 JSON 文件直接拖进 ComfyUI 页面会自动生成节点图。但不要急着点“运行”先检查三件事节点是否全部存在有没有红色缺失节点。模型加载器里的文件名是否和本地实际文件一致。输入图片路径是否有效参考图有没有正确加载出来。如果模型文件名不匹配可以在加载器下拉列表里重新选择。如果输入节点显示图片为空需要重新上传或拖入参考图。这些问题不解决后面跑再多都是白费。4.2 用一张正面参考图起步第一次跑的时候建议用一张干净的正面人物图。所谓“干净”指的是面部清晰没有大面积遮挡。背景简单人物占据主体。光线正常没有强烈阴影。比例完整至少包含头部和肩部。为什么强调正面图因为 z-image 要把角色特征作为参考条件正面图包含的信息最完整。侧面图、俯拍图、全身小图都会让模型更难提取身份特征最终一致性也会变差。输入参考图后再填好提示词。第一次测试不要追求复杂动作就写“角色向前走”“镜头跟随正面”这类基础描述。先看人物的脸能不能保持住再考虑动作幅度。4.3 最小视频参数低分辨率、短帧数先验证不要一上来就按最高画质跑。可以把分辨率先降到较低档位帧数也先调少比如几十帧以内。这样有两个好处显存压力小不容易中途报错。生成速度快方便快速判断“这版的人物到底像不像”。如果短视频跑出来角色一致性可以接受再逐步提高分辨率和帧数。如果短视频就漂移明显先不要急着加长而是检查参考图、提示词和 z-image 强度。4.4 判断一次生成是否成功不要只看第一帧很多人在生成结束后只看第一帧觉得像就认为成功。这个判断方法不够稳。视频一致性要看整段运动过程至少要看这些位置第一帧人物是否还原参考图。中段脸型、服装有没有突然变化。后段角色是否还能保持同一个身份。动态瞬间转头、走路、镜头切换时是否会崩。还要看运动是否自然。如果角色像“纸片人”一样完全不动说明参考强度可能过高如果动作很猛但脸已经不像说明参考强度不够或者提示词起了反作用。5. 视频转绘和人物一致性调整参数、判断标准与常见误区5.1 转绘输入整段视频处理还是逐段处理视频转绘是这套工作流更进阶的用法。输入不再是单张图而是一段已有视频目标是让 wan2.2 把视频重绘成另一种风格同时保持人物身份统一。实际操作上可以先在 ComfyUI 里加载视频转帧节点把视频拆成连续帧再配合 z-image 参考图重新生成。也可以根据工作流设计直接输入视频文件作为条件。两种方式各有取舍整段视频输入节点少流程简单但长视频容易爆显存。分段转绘把长视频切成多个片段逐段生成再拼接。更稳但需要处理片段衔接。我个人更建议先做分段转绘。分段的好处不只是显存压力小还能单独排查每一段的一致性问题。如果一段崩了只需要重跑那段不用整段重新生成。5.2 关键参数参考强度、分段长度、帧率分段转绘时几个参数直接影响一致性参考强度强度越高越贴参考图但运动可能受限转绘出来的动态可能偏弱。分段长度每段越长生成速度越慢漂移概率越高。建议先从短段开始比如几十秒以内的一个片段。帧率转绘结果需要和原始视频帧率匹配。如果原始视频是 30fps转绘后也尽量保持 30fps否则画面流畅度会受影响。种子策略多个分段如果每段都用随机种子同一角色在相邻段落可能不一致。有的工作流会让每段固定种子或随机相差不大需要根据工作流设计来定。这些参数没有绝对最优只能通过对照测试找到平衡点。测试时最好一次只改一个变量不要同时改强度、帧数和长度否则出了问题很难定位。5.3 判断转绘效果三个指标比“好看”更重要视频转绘的效果不能只看单帧漂不漂亮建议按三个指标检查身份一致性不同镜头、不同时刻下角色是否都像“同一个人”。帧间稳定性连续帧之间画面的明暗、纹理、轮廓是否平滑有没有闪烁。动作还原度原始视频里的动作、节奏、镜头运动是否被保留下来。这三个指标里帧间稳定性最容易被忽略。很多工作流单帧效果很好拼接成视频后却出现明显闪烁原因就是逐帧生成时缺少时间一致性约束。遇到闪烁优先确认参考条件是否在整个时间序列都生效再看分段拼接处是否重叠足够多。5.4 常见误区不是参数越大越好也不是视频越长越好误区一是“参考强度开到最大人物就一定稳”。实际上强度过高会让模型过度参考单个画面动作稍微一大就会出现扭曲或抖动。一致性是要靠参考图、提示词和模型共同完成的不是一个参数能兜底。误区二是“一次性生成几分钟长视频”。当前本地视频生成模型更适合短片段生成。长视频应该有规划地分段、拼接、检查而不是指望一次采样跑完。误区三是“参考图越多越稳”。多张参考图可以提供多个角度信息但如果这些参考图风格不统一、人物角度差异太大反而会让模型困惑。先用一张高质量正面图稳了再叠加其他角度的参考图。6. 报错排查清单缺失节点、显存不足、输出全黑和人物漂移6.1 遇到问题先按顺序查不要盲目改参数跑这套工作流时报错和异常输出是常态。我的排查顺序通常是先看现象是直接报错还是生成出来了但效果不对。再看输入参考图格式、路径、分辨率、提示词是否正常。再看环境模型文件是否齐全、节点依赖是否安装、显存是否充足。再看参数工作流有没有被改成不适合当前显卡的数值。最后才怀疑模型本身版本是否匹配、节点是否兼容。很多人报错后第一反应是去改采样器参数其实很多问题在输入和环境阶段就已经注定了。6.2 “请安装缺失的包要安装缺失的节点”这类提示怎么处理报错信息本身会提示是节点缺失还是 Python 包缺失。如果是缺失自定义节点用 ComfyUI Manager 安装或手动放到custom_nodes后重启。如果是缺失 Python 包在 ComfyUI 的 Python 环境里安装提示的包名。如果已经安装过节点仍然报错检查节点版本和 ComfyUI 版本是否兼容可能是新版 ComfyUI 改了接口。处理完记得重启 ComfyUI并查看启动日志里有没有新的报错。不要以为 Web 界面上没有红色节点就代表万事大吉。6.3 显存不足先降分辨率再减帧数显存不足是本地视频生成里最常见的硬问题。报错可能是 CUDA out of memory也可能直接导致服务崩溃。处理顺序降低视频分辨率这是最直接有效的方法。减少总帧数长视频会极大拉高显存占用。减小批量大小有些工作流会一次处理多帧。关闭其他占用显存的程序和浏览器多余标签页。使用低显存启动参数让 ComfyUI 更省显存。如果这些都做了还是爆显存说明当前显卡确实不适合跑这个规模只能进一步降低参数或者换更高显存的环境。6.4 输出全黑、人物漂移、画面闪烁怎么办输出全黑通常不是 z-image 的问题而是 VAE 解码阶段出了故障或者输入参考图为全黑、工作流中模型输出范围不对。先检查 VAE 是否加载再换一张正常参考图测试。人物漂移优先检查参考图质量和 z-image 强度。如果参考图没问题试着把强度往上调一点同时缩短视频长度。如果漂移只出现在分段拼接处可以增加分段之间的重叠帧数让模型有更多上下文。画面闪烁则要检查时间一致性相关设置。有些工作流会用到帧叠加、光流、交叉帧注意力等节点确认这些节点是否正常启用。如果没有这些节点闪烁问题可能需要后期处理来缓解。6.5 我的最终建议先稳定单条再设计批量流程不管你是想跑一条角色视频还是做批量视频转绘我都建议先把单条流程跑稳。单条流程稳定后再做批量工作流重点规划输出目录、文件命名、失败重试和显存释放。批量任务如果忽略这些很可能跑一半就卡死而且很难定位是哪条输入出的问题。输出目录方面为每个任务单独建文件夹。文件命名里加上时间、角色名、参数版本这样出了问题能追溯。失败重试方面设计工作流时尽量让单条任务独立不要因为一条失败就中断整个队列。显存释放方面批量处理时留意 ComfyUI 的内存占用跑完一段时间后清理缓存或重启服务。回到这套 z-image wan2.2 工作流本身它的上限值得研究但真正落地时最值得盯住的还是输入参考图和生成参数。参考图干净、环境完整、参数克制效果不会太差反过来即便节点再全输入一个模糊、遮挡严重的参考图也很难做到“人物一致性”。如果你准备开始试先把基础 ComfyUI 环境跑稳再按单条、分段、批量这个顺序推进。