05 ComfyUI + SVD 系列（三）：最小图生视频工作流拆解——节点含义、输入输出、参数作用与核心实验

ComfyUI + SVD 系列（三）：最小图生视频工作流拆解------节点含义、输入输出、参数作用与核心实验

1. 写在前面

上一篇已经把 ComfyUI + SVD 的环境装好了，也已经成功跑通了一个最小的单图生成视频工作流。

但如果只是"照着图把节点连起来"，其实还不算真正学会。

对新手来说，更关键的问题通常是：

• 这个节点到底是干什么的？
• 它为什么有这些输入口？
• 为什么它会输出这些东西？
• 为什么这个输出一定要接到下一个节点？
• 参数改了以后，到底会发生什么？
• 为什么最后看起来主要是主体在动，而不是整个场景都在动？

这篇文章就专门解决这些问题。

这次不再只是讲"怎么做"，而是要进一步讲清楚：

这套最小 SVD 图生视频工作流，为什么要这么搭。

同时实验了一个失败的视频生成，想想为什么会这样

视频地址：直接看B站视频地址

---

2. 先看当前已经跑通的工作流

当前这套最小工作流使用的输入图片是：

generated_image_08.png

使用的模型是：

svd_xt.safetensors

工作流中的核心节点包括：

• LoadImage
• ImageOnlyCheckpointLoader
• SVD_img2vid_Conditioning
• KSampler
• VAEDecode
• SaveImage

从整体上看，这条链路做的事情并不复杂：

1. 先把输入图片读进来
2. 再把 SVD 模型加载进来
3. 把"图片 + 视频参数"整理成可生成视频的条件
4. 交给采样器执行生成
5. 把 latent 结果解码成图片
6. 最后保存成图片序列

如果用最简单的话来讲，它就是：

输入一张图，输出 24 张连续帧图片。

---

3. 当前工作流的核心参数

在理解节点之前，先把当前已经跑通的基线参数列出来。

因为后面你不管做实验，还是理解现象，都要回到这一组参数上。

3.1 输入图片

当前输入图片为：

generated_image_08.png

3.2 模型

当前加载的模型为：

svd_xt.safetensors

3.3 SVD 条件节点参数

SVD_img2vid_Conditioning 当前参数为 ：

• width = 768
• height = 1024
• video_frames = 24
• motion_bucket_id = 127
• fps = 6
• augmentation_level = 0

3.4 KSampler 参数

KSampler 当前参数为 ：

• seed = 966310185011160
• steps = 20
• cfg = 2.5
• sampler_name = euler
• scheduler = simple
• denoise = 1

3.5 输出参数

输出通过 SaveImage 节点保存，前缀为：

ComfyUI

也就是说，最终会得到类似这样的文件：

ComfyUI_00001_.png
ComfyUI_00002_.png
...
ComfyUI_00024_.png

---

4. 每个节点到底是干什么的：从输入、输出和职责三个角度理解

这一节是全文最重要的部分。

因为如果这一节理解了，后面你就不只是"照着图搭工作流"，而是开始真正理解：

• 节点在整条链路里的位置
• 输入为什么要接这里
• 输出为什么要送到那里

---

4.1 LoadImage：把输入图片读进工作流

这个节点的作用最简单，但必不可少。

它的输入是什么？

它没有外部输入口。

因为它本身就是用来"读取文件"的，你只需要在节点内部选一张图片就行。

当前节点里读取的是：

generated_image_08.png

它的输出是什么？

它会输出两个结果 ：

• IMAGE
• MASK

在你当前这条最小工作流里，真正用到的是：

• IMAGE

也就是"已经读进工作流的一张图片"。

为什么要有这个输出？

因为后面的 SVD 图生视频流程，必须先知道：

这次要基于哪一张图来生成视频。

如果没有这个输出，后面的条件节点就没有"初始图像"。

为什么这个输出要接到 SVD_img2vid_Conditioning？

因为你现在做的是 单图生成视频 。

所以这张图必须送到：

• SVD_img2vid_Conditioning.init_image

它的作用就是：

告诉模型，后面的视频帧应该围绕这张图来生成。

---

4.2 ImageOnlyCheckpointLoader：把 SVD 模型加载进来

这个节点是模型入口。

它的职责不是读图片，而是把图生视频模型准备好。

它的输入是什么？

它也没有外部输入口。

你只需要在节点里选择一个模型文件。

当前加载的是：

svd_xt.safetensors

它的输出是什么？

它会输出三个关键对象 ：

• MODEL
• CLIP_VISION
• VAE

这里很多新手第一次看到会比较懵，觉得：

• 为什么一个节点会输出这么多东西？
• 这些输出分别用来干嘛？

可以先这么理解：

MODEL

这是真正负责生成视频帧 的主模型。

后面的 KSampler 要用它来执行采样 。

CLIP_VISION

这是视觉条件信息 。

它帮助模型理解图片里"是什么内容"，所以会送给 SVD_img2vid_Conditioning 。

VAE

这是图像和 latent 之间转换需要用到的组件 。

后面条件构造和解码都要用它 。

为什么要有这三个输出？

因为后面的节点做的事情不一样：

• KSampler 需要主模型 MODEL
• SVD_img2vid_Conditioning 需要视觉信息 CLIP_VISION 和 VAE
• VAEDecode 也需要 VAE

所以这个节点的作用不是"简单读一个模型文件"，而是：

把模型拆成后面各节点需要的几部分。

---

4.3 SVD_img2vid_Conditioning：把图片和视频参数整理成生成条件

这是这条最小工作流里最关键的节点之一。

可以用一句话来理解它：

它负责把"输入图片 + 模型信息 + 视频参数"整理成采样器能真正使用的条件。

它的输入是什么？

它接收三个输入 ：

• clip_vision
• init_image
• vae

分别来自：

• ImageOnlyCheckpointLoader.CLIP_VISION
• LoadImage.IMAGE
• ImageOnlyCheckpointLoader.VAE

为什么需要这三个输入？

init_image

因为这是图生视频，不是纯文本生成。

所以必须先告诉模型：
后面的视频是基于哪一张图来生成。

clip_vision

因为模型不只是看像素，它还需要更抽象的视觉理解信息。

这就是为什么要把 CLIP_VISION 喂进来 。

vae

因为后续的视频生成是围绕 latent 表示展开的，vae 在这个转换过程中要参与 。

它的输出是什么？

它会输出三个结果 ：

• positive
• negative
• latent

positive

可以先把它理解成：

告诉采样器：应该朝什么方向生成。

negative

可以理解成：

告诉采样器：尽量避开什么方向。

latent

可以理解成：

采样器真正开始工作的起点。

为什么要有这三个输出？

因为后面的 KSampler 不是拿到图片就能直接开工。

它需要：

• 应该遵循的条件（positive）
• 应该避免的条件（negative）
• 起始 latent（latent）

所以这个节点的作用就是：

把前面的图片和模型信息，变成采样器真正能用的"生成条件包"。

当前这个节点里设置了哪些参数？

当前参数是 ：

• width = 768
• height = 1024
• video_frames = 24
• motion_bucket_id = 127
• fps = 6
• augmentation_level = 0

这些参数分别控制：

• 输出分辨率
• 输出总帧数
• 播放速度
• 动态强弱
• 输入图保真和变化之间的平衡

---

4.4 KSampler：真正开始生成的地方

如果说前面的节点都在做准备工作，

那 KSampler 就是：

正式开始生成视频帧 latent 的地方。

它的输入是什么？

它接收四个输入 ：

• model
• positive
• negative
• latent_image

分别来自：

• ImageOnlyCheckpointLoader.MODEL
• SVD_img2vid_Conditioning.positive
• SVD_img2vid_Conditioning.negative
• SVD_img2vid_Conditioning.latent

为什么它需要这么多输入？

因为采样器不能"凭空生成"，它必须同时知道：

1）用哪个模型生成

也就是：

• model

2）朝什么方向生成

也就是：

• positive

3）尽量避开什么

也就是：

• negative

4）从哪个 latent 起步

也就是：

• latent_image

少任何一个，采样都没法完整进行。

它的输出是什么？

它输出的是：

• LATENT

注意，这里输出的还不是图片，而是生成好的 latent 结果。

为什么输出的不是图片？

因为在扩散模型里，采样器处理的是 latent 表示。

你可以把它理解成：

视频帧的核心内容已经算出来了，但还没翻译成肉眼能直接看的图片。

当前这个节点里设置了哪些参数？

当前参数如下 ：

• seed = 966310185011160
• steps = 20
• cfg = 2.5
• sampler_name = euler
• scheduler = simple
• denoise = 1

这些参数主要影响：

• 随机性
• 生成耗时
• 约束强度
• 采样策略

---

4.5 VAEDecode：把 latent 还原成真正图片

这一节是很多新手第一次最不理解的地方：

为什么 KSampler 后面还要接一个 VAEDecode？

原因很简单：

因为 KSampler 输出的是 latent，不是图片。

它的输入是什么？

它接收两个输入 ：

• samples
• vae

其中：

• samples 来自 KSampler
• vae 来自 ImageOnlyCheckpointLoader

为什么还要再喂一个 vae？

因为 latent 不是普通图像，它必须通过 VAE 才能被解码回真实图片 。

它的输出是什么？

它输出的是：

• images

也就是说，到这一步，你才真正拿到了能看的图片帧。

为什么要有这个输出？

因为后面的 SaveImage 节点只能保存图像，不能保存 latent。

所以 VAEDecode 的职责就是：

把模型内部结果翻译成真正的图片。

---

4.6 SaveImage：把图片帧真正保存下来

这是整条工作流的最后一步。

它的输入是什么？

它接收：

• images

这个输入来自：

• VAEDecode.images

它的输出是什么？

它没有继续给别的节点输出。

因为它已经是终点了。

它真正的"输出"是：

磁盘上的 PNG 文件。

为什么要有这个节点？

因为如果没有它，前面即使生成成功了，也不会真正落成文件。

也就是说：

• 你在内存里完成了一次推理
• 但结果没有保存下来

当前输出是什么样？

当前前缀是：

ComfyUI

所以最终会生成类似：

ComfyUI_00001_.png
ComfyUI_00002_.png
...
ComfyUI_00024_.png

---

5. 为什么当前结果看起来主要是主体在动

这个问题特别重要，因为你已经实际观察到了这个现象：

• 输入图像里主体是动物
• 输出结果里明显是主体在动
• 背景变化不明显

这个现象其实很正常，而且和当前工作流配置是吻合的。

5.1 当前工作流没有做局部运动控制

你现在的最小工作流只有基础 6 个节点 ，并没有加入：

• 遮罩
• 局部控制
• 景深控制
• 镜头路径控制

所以模型不是"指定让某个地方动"，而是：基于整张图生成一段最合理的短时序变化。

5.2 主体是整张图里最显眼的区域

当前输入图里，动物就是画面中心，主体特别明确。

模型通常会优先让最容易形成"生命感"的区域动起来，比如：

• 头部
• 嘴巴
• 身体轮廓
• 姿态轻微摆动

所以你第一眼会觉得：主要是主体在动。

5.3 当前参数更偏向"主体轻动态、背景稳定"

当前关键参数是 ：

• motion_bucket_id = 127
• augmentation_level = 0

这组参数更偏向：

主体轻微动起来，但背景尽量不要乱。

所以背景很多时候不是完全不变，而是变化很弱，比如：

• 光影轻微变化
• 边缘细节轻微重绘
• 很弱的"呼吸感"

如果不逐帧盯着背景固定区域看，很容易忽略。

---

6. 新手最值得先做的三个实验

这一节建议一定保留。

因为对小白来说，最重要的不是一次看懂所有参数，而是：

先用少量关键实验建立感觉。

实验 1：修改 video_frames

当前基线：

video_frames = 24

建议试三组：

• 14
• 24
• 32

观察什么？

• 视频是不是更长了
• 生成耗时是不是明显变长了
• 后半段是否更容易不稳

本次设置为48,生成的图片就开始飘了

这组实验能学会什么？

你会真正理解：

帧数控制的是视频长度和生成成本。

---

实验 2：修改 fps

当前基线：

fps = 6

建议试三组：

• 4
• 6
• 8

观察什么？

• 播放是不是更慢或更快
• 视频节奏是否自然
• 当前素材最适合哪一个 fps

这组实验能学会什么？

你会真正理解：

fps 控制的是播放节奏，而不是生成内容多少。

---

实验 3：修改 motion_bucket_id

当前基线：

motion_bucket_id = 127

建议试四组：

• 64
• 96
• 127
• 180

观察什么？

• 主体是不是更明显在动
• 背景是不是也更容易变化
• 是否更容易漂移或失真

这组实验能学会什么？

你会真正理解：

动态强度增强，不一定等于效果更好；很多时候稳定的轻动态更有价值。

综合实验

motion_bucket_id = 63
video_frames = 48
fps = 8

视频地址：直接看B站视频地址

---

7. 这一篇真正要学会什么

这一篇最重要的，不是死记节点名字。

真正要学会的是下面这些最基础的判断：

• LoadImage：把输入图送进工作流
• ImageOnlyCheckpointLoader：把模型拆成后面要用的几个部分
• SVD_img2vid_Conditioning：把图像和参数整理成视频生成条件
• KSampler：真正开始生成
• VAEDecode：把 latent 还原成图片
• SaveImage：把结果保存到磁盘

只要这些逻辑真正明白了，后面再去做：

• 改参数
• 保存工作流
• 导出 API JSON
• 用 Python 调 ComfyUI

都会顺很多。

---

8. 本文小结

当前这套最小 SVD 图生视频工作流使用：

• 输入图片 generated_image_08.png
• 模型 svd_xt.safetensors

核心节点包括 ：

• LoadImage
• ImageOnlyCheckpointLoader
• SVD_img2vid_Conditioning
• KSampler
• VAEDecode
• SaveImage

其中：

• LoadImage 负责读图
• ImageOnlyCheckpointLoader 负责读模型并输出 MODEL / CLIP_VISION / VAE
• SVD_img2vid_Conditioning 负责把图片和视频参数组织成生成条件
• KSampler 负责采样生成 latent
• VAEDecode 负责把 latent 解码成图片
• SaveImage 负责把图片保存到磁盘

同时，通过对现象的分析也可以看出：

在当前参数下，结果更偏向"主体轻动态、背景尽量稳定"，所以很多时候看起来主要是主体在动。