# WanInfiniteTalkToVideo

WanInfiniteTalkToVideo توالی‌های ویدیویی را از ورودی صوتی تولید می‌کند. این گره از یک مدل انتشار ویدیو استفاده می‌کند که با ویژگی‌های صوتی استخراج‌شده از یک یا دو گوینده شرطی شده است تا بازنمایی نهفته‌ای از یک ویدیوی سرِ سخنگو تولید کند. این گره می‌تواند یک توالی جدید تولید کند یا با استفاده از فریم‌های قبلی برای زمینه حرکتی، توالی موجود را گسترش دهد.

## ورودی‌ها

### ورودی‌های مشترک

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `حالت` | حالت ورودی صوتی. `single_speaker` از یک ورودی صوتی استفاده می‌کند. `two_speakers` ورودی صوتی اضافی و ماسک‌های فهرست‌شده در بخش «ورودی‌های دو گوینده» را فعال می‌کند. | DYNAMIC_COMBO | بله | `"single_speaker"`<br>`"two_speakers"` |
| `مدل` | مدل پایه انتشار ویدیو. | MODEL | بله | - |
| `patch مدل` | وصله مدل حاوی لایه‌های پروجکشن صوتی. | MODEL_PATCH | بله | - |
| `مثبت` | شرطی‌سازی مثبت برای هدایت تولید. | CONDITIONING | بله | - |
| `منفی` | شرطی‌سازی منفی برای هدایت تولید. | CONDITIONING | بله | - |
| `vae` | VAE مورد استفاده برای رمزگذاری تصاویر به فضای نهفته و از آن. | VAE | بله | - |
| `عرض` | عرض ویدیوی خروجی بر حسب پیکسل. باید بر ۱۶ بخش‌پذیر باشد. (پیش‌فرض: 832) | INT | بله | 16 - MAX_RESOLUTION (گام: 16) |
| `ارتفاع` | ارتفاع ویدیوی خروجی بر حسب پیکسل. باید بر ۱۶ بخش‌پذیر باشد. (پیش‌فرض: 480) | INT | بله | 16 - MAX_RESOLUTION (گام: 16) |
| `طول` | تعداد فریم‌های مورد تولید. (پیش‌فرض: 81) | INT | بله | 1 - MAX_RESOLUTION (گام: 4) |
| `خروجی بینایی clip` | خروجی بینایی CLIP اختیاری برای شرطی‌سازی اضافی. | CLIP_VISION_OUTPUT | خیر | - |
| `تصویر شروع` | تصویر شروع اختیاری برای مقداردهی اولیه توالی ویدیویی. | IMAGE | خیر | - |
| `خروجی رمزگذار صوتی ۱` | خروجی اصلی رمزگذار صوتی حاوی ویژگی‌های گوینده اول. | AUDIO_ENCODER_OUTPUT | بله | - |
| `تعداد فریم‌های حرکتی` | تعداد فریم‌های قبلی برای استفاده به عنوان زمینه حرکتی. (پیش‌فرض: 9) | INT | بله | 1 - 33 |
| `مقیاس صوتی` | ضریب مقیاسی که بر شرطی‌سازی صوتی اعمال می‌شود. (پیش‌فرض: 1.0) | FLOAT | بله | -10.0 - 10.0 |
| `فریم‌های قبلی` | فریم‌های ویدیویی قبلی اختیاری برای گسترش از آن‌ها. آخرین `motion_frame_count` فریم به عنوان زمینه حرکتی استفاده می‌شود. | IMAGE | خیر | - |

### ورودی‌های دو گوینده

ورودی‌های این بخش زمانی نمایش داده می‌شوند که `mode` روی `"two_speakers"` تنظیم شده باشد.

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `audio_encoder_output_2` | خروجی دوم رمزگذار صوتی حاوی ویژگی‌های گوینده دوم. | AUDIO_ENCODER_OUTPUT | خیر | - |
| `mask_1` | ماسک گوینده اول، در صورت استفاده از دو ورودی صوتی الزامی است. | MASK | خیر | - |
| `mask_2` | ماسک گوینده دوم، در صورت استفاده از دو ورودی صوتی الزامی است. | MASK | خیر | - |

**محدودیت‌های پارامتر:**

- وقتی `mode` روی `"two_speakers"` تنظیم شده باشد، `audio_encoder_output_2`، `mask_1` و `mask_2` برای راه‌اندازی گوینده دوم الزامی هستند.
- اگر `audio_encoder_output_2` ارائه شود، هر دو `mask_1` و `mask_2` نیز باید ارائه شوند.
- اگر هر دو `mask_1` و `mask_2` ارائه شوند، `audio_encoder_output_2` نیز باید ارائه شود.
- اگر `previous_frames` ارائه شود، باید حداقل به تعداد مشخص‌شده توسط `motion_frame_count` فریم داشته باشد.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مدل` | مدل وصله‌شده با شرطی‌سازی صوتی اعمال‌شده. | MODEL |
| `مثبت` | شرطی‌سازی مثبت، که احتمالاً با زمینه اضافی مانند تصویر شروع یا خروجی بینایی CLIP اصلاح شده است. | CONDITIONING |
| `منفی` | شرطی‌سازی منفی، که احتمالاً با زمینه اضافی اصلاح شده است. | CONDITIONING |
| `latent` | توالی ویدیویی تولیدشده در فضای نهفته. | LATENT |
| `تصویر برش‌خورده` | تعداد فریم‌هایی از ابتدای زمینه حرکتی که هنگام گسترش یک توالی باید بریده شوند. زمانی که `previous_frames` ارائه شود برابر با `motion_frame_count` است، در غیر این صورت ۰. | INT |

> 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/WanInfiniteTalkToVideo/fa.md)

---
**Source fingerprint (SHA-256):** `b7359490c1de86d9c82122bc227295b3b7f8a3493f629365ae0f22f9f34d9a66`
