# وان تصویر به ویدیو

گره WanImageToVideo شرطی‌سازی و نمایش‌های نهفته را برای تولید ویدیو آماده می‌کند. یک فضای نهفته خالی برای ویدیو ایجاد می‌کند و می‌تواند به‌صورت اختیاری یک تصویر شروع و خروجی CLIP vision را برای هدایت تولید بگنجاند. هر دو ورودی شرطی‌سازی مثبت و منفی با تصویر و داده‌های vision ارائه‌شده به‌روزرسانی می‌شوند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `مثبت` | ورودی شرطی‌سازی مثبت که برای هدایت تولید استفاده می‌شود | CONDITIONING | بله | - |
| `منفی` | ورودی شرطی‌سازی منفی که برای هدایت تولید استفاده می‌شود | CONDITIONING | بله | - |
| `vae` | مدل VAE برای رمزگذاری تصاویر به فضای نهفته | VAE | بله | - |
| `عرض` | عرض ویدیوی تولیدشده (پیش‌فرض: 832، گام: 16) | INT | بله | 16 تا MAX_RESOLUTION |
| `ارتفاع` | ارتفاع ویدیوی تولیدشده (پیش‌فرض: 480، گام: 16) | INT | بله | 16 تا MAX_RESOLUTION |
| `طول` | تعداد فریم‌های ویدیو (پیش‌فرض: 81، گام: 4) | INT | بله | 1 تا MAX_RESOLUTION |
| `اندازه بچ` | تعداد ویدیوهایی که در یک دسته تولید می‌شوند (پیش‌فرض: 1) | INT | بله | 1 تا 4096 |
| `خروجی clip vision` | خروجی اختیاری CLIP vision که به‌عنوان شرطی‌سازی اضافی به هر دو ورودی مثبت و منفی افزوده می‌شود | CLIP_VISION_OUTPUT | خیر | - |
| `تصویر شروع` | تصویر شروع اختیاری که برای مقداردهی اولیه ویدیو استفاده می‌شود. وقتی ارائه شود، به `width` و `height` مشخص‌شده تغییر اندازه می‌یابد و در ابتدای دنباله فریم‌ها قرار می‌گیرد؛ هر فریمی فراتر از `length` نادیده گرفته می‌شود. فریم‌های باقی‌مانده با مقادیر خاکستری خنثی (0.5) پر می‌شوند، مگر اینکه `ref_pad_image` ارائه شود. | IMAGE | خیر | - |
| `ref_pad_image` | تصویر مرجع اختیاری که نخستین فریم آن جایگزین پرکردن خاکستری خنثی در دنباله فریم‌ها می‌شود. به `width` و `height` مشخص‌شده تغییر اندازه می‌یابد و فقط نخستین تصویر بچ استفاده می‌شود. تنها زمانی اثر دارد که `start_image` نیز ارائه شده باشد. | IMAGE | خیر | - |

**توجه:** وقتی `start_image` ارائه می‌شود، دنباله فریم‌ها با VAE رمزگذاری می‌شود و یک ماسک روی شرطی‌سازی اعمال می‌گردد. ماسک برای فریم‌های پوشش‌داده‌شده توسط تصویر شروع روی 0 و برای فریم‌های باقی‌مانده روی 1 تنظیم می‌شود، بنابراین تولید از تصویر ارائه‌شده ادامه می‌یابد. در هنگام رمزگذاری فقط سه کانال رنگی اول (RGB) تصویر استفاده می‌شوند. هر دو شرطی‌سازی مثبت و منفی، تصویر latent الحاق‌شده، ماسک و (در صورت ارائه) خروجی CLIP vision یکسان را دریافت می‌کنند. وقتی `ref_pad_image` همراه با `start_image` ارائه شود، نخستین فریم آن به `width` و `height` تغییر اندازه می‌یابد و پیش از قرار گرفتن تصویر شروع روی آن، در کانال‌های RGB فریم‌های پرکردن نوشته می‌شود؛ بنابراین پرکردن به‌جای خاکستری یکنواخت، تصویر مرجع را حمل می‌کند. این پرکردن ضد انحراف به سبک SVI است که در مدل‌هایی مانند ID-V2V استفاده می‌شود.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `positive` | شرطی‌سازی مثبت، به‌روزرسانی‌شده با تصویر و داده‌های vision | CONDITIONING |
| `negative` | شرطی‌سازی منفی، به‌روزرسانی‌شده با تصویر و داده‌های vision | CONDITIONING |
| `latent` | تنسور latent خالی آماده برای تولید ویدیو، با شکل [batch_size, 16, ((length-1)//4)+1, height//8, width//8] | LATENT |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/WanImageToVideo/fa.md)

---
**Source fingerprint (SHA-256):** `3000c1c816d2c123fc5bc46ea1f193c52c0f81a2f8c4a9110d8a4fa909185aea`
