> ## Documentation Index > Fetch the complete documentation index at: https://dripart-docs-custom-nodes-sdk-v2-frontend.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # WanInfiniteTalkToVideo - ComfyUI Built-in Node Documentation > WanInfiniteTalkToVideo 根据音频输入生成视频序列。 WanInfiniteTalkToVideo 根据音频输入生成视频序列。它使用视频扩散模型，以从一个或两个说话人提取的音频特征为条件，生成说话人头部视频的潜在表示。该节点可以生成新序列，或使用先前帧作为运动上下文来扩展现有序列。 ## 输入 ### 通用输入 | 参数 | 描述 | 数据类型 | 必填 | 范围 | | ---------- | -------------------------------------------------------------------------- | ---------------------- | -- | ---------------------------------------- | | `模式` | 音频输入模式。`single_speaker` 使用一个音频输入。`two_speakers` 启用“双说话人输入”部分中列出的额外音频输入和遮罩。 | DYNAMIC\_COMBO | 是 | `"single_speaker"`
`"two_speakers"` | | `模型` | 基础视频扩散模型。 | MODEL | 是 | - | | `模型补丁` | 包含音频投影层的模型补丁。 | MODEL\_PATCH | 是 | - | | `正向提示` | 用于引导生成的正向条件。 | CONDITIONING | 是 | - | | `负向提示` | 用于引导生成的负向条件。 | CONDITIONING | 是 | - | | `vae` | 用于在图像和潜在空间之间进行编码的 VAE。 | VAE | 是 | - | | `宽度` | 输出视频的宽度（像素）。必须能被 16 整除。（默认值：832） | INT | 是 | 16 - MAX\_RESOLUTION（步长 16） | | `高度` | 输出视频的高度（像素）。必须能被 16 整除。（默认值：480） | INT | 是 | 16 - MAX\_RESOLUTION（步长 16） | | `长度` | 要生成的帧数。（默认值：81） | INT | 是 | 1 - MAX\_RESOLUTION（步长 4） | | `clip视觉输出` | 用于额外条件的可选 CLIP vision 输出。 | CLIP\_VISION\_OUTPUT | 否 | - | | `起始图像` | 用于初始化视频序列的可选起始图像。 | IMAGE | 否 | - | | `音频编码器输出1` | 包含第一个说话人特征的主音频编码器输出。 | AUDIO\_ENCODER\_OUTPUT | 是 | - | | `运动帧数` | 用作运动上下文的先前帧数。（默认值：9） | INT | 是 | 1 - 33 | | `音频缩放` | 应用于音频条件的缩放因子。（默认值：1.0） | FLOAT | 是 | -10.0 - 10.0 | | `前置帧` | 用于扩展的可选先前视频帧。最后 `motion_frame_count` 帧将用作运动上下文。 | IMAGE | 否 | - | ### 双说话人输入 当 `mode` 设置为 `"two_speakers"` 时，将显示此部分中的输入。 | 参数 | 描述 | 数据类型 | 必填 | 范围 | | ------------------------ | ------------------------ | ---------------------- | -- | -- | | `audio_encoder_output_2` | 包含第二个说话人特征的第二个音频编码器输出。 | AUDIO\_ENCODER\_OUTPUT | 否 | - | | `mask_1` | 第一个说话人的遮罩，如果使用两个音频输入则必填。 | MASK | 否 | - | | `mask_2` | 第二个说话人的遮罩，如果使用两个音频输入则必填。 | MASK | 否 | - | **参数约束：** * 当 `mode` 设置为 `"two_speakers"` 时，对于第二个说话人设置，`audio_encoder_output_2`、`mask_1` 和 `mask_2` 为必填项。 * 如果提供了 `audio_encoder_output_2`，则还必须提供 `mask_1` 和 `mask_2`。 * 如果同时提供了 `mask_1` 和 `mask_2`，则还必须提供 `audio_encoder_output_2`。 * 如果提供了 `previous_frames`，则其帧数必须至少达到 `motion_frame_count` 指定的数量。 ## 输出 | 输出名称 | 描述 | 数据类型 | | -------- | ---------------------------------------------------------------------------- | ------------ | | `模型` | 已应用音频条件的修补模型。 | MODEL | | `正向提示` | 正向条件，可能已通过额外上下文（如起始图像或 CLIP vision 输出）进行修改。 | CONDITIONING | | `负向提示` | 负向条件，可能已通过额外上下文进行修改。 | CONDITIONING | | `latent` | 在潜在空间中生成的视频序列。 | LATENT | | `裁剪图像` | 扩展序列时，应从运动上下文开头裁剪的帧数。当提供了 `previous_frames` 时，等于 `motion_frame_count`，否则为 0。 | INT | > 本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ [在 GitHub 上编辑](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/WanInfiniteTalkToVideo/zh.md) *** **Source fingerprint (SHA-256):** `b7359490c1de86d9c82122bc227295b3b7f8a3493f629365ae0f22f9f34d9a66`