# 萬聲圖像轉影片

WanSoundImageToVideo 節點會為 Wan 聲音轉影片生成準備條件與空的 latent 影片張量。它可選擇性地納入音訊編碼、參考影像、控制影片與動作參考，以引導生成的影片。

## 輸入

| 參數 | 描述 | 資料類型 | 必填 | 範圍 |
| --- | --- | --- | --- | --- |
| `正面提示` | 正向條件提示詞，用於引導生成影片中應出現的內容 | CONDITIONING | 是 | - |
| `負面提示` | 負向條件提示詞，用於指定生成影片中應避免的內容 | CONDITIONING | 是 | - |
| `VAE` | 用於將參考影像、動作參考與控制影片影格編碼為 latent 表示的 VAE 模型 | VAE | 是 | - |
| `寬度` | 輸出影片的寬度，單位為像素（預設：832，步長：16） | INT | 是 | 16 至 MAX_RESOLUTION |
| `高度` | 輸出影片的高度，單位為像素（預設：480，步長：16） | INT | 是 | 16 至 MAX_RESOLUTION |
| `長度` | 生成影片的影格數（預設：77，步長：4） | INT | 是 | 1 至 MAX_RESOLUTION |
| `批次大小` | 同時生成的影片數量（預設：1） | INT | 是 | 1 至 4096 |
| `音訊編碼器輸出` | 可選的音訊編碼，可根據聲音特徵影響影片生成。提供時，音訊特徵會被內插並用於調節影片生成。 | AUDIO_ENCODER_OUTPUT | 否 | - |
| `參考圖片` | 可選的參考影像，為影片內容提供視覺引導。該影像會被放大以符合指定的寬度與高度，然後編碼為 latent 表示。僅使用輸入中的第一張影像作為參考。 | IMAGE | 否 | - |
| `控制影片` | 可選的控制影片，用於引導生成影片的動作與結構。該影片會被放大並編碼，然後用於調節輸出。僅使用前 `length` 個影格。 | IMAGE | 否 | - |
| `參考動作` | 可選的動作參考，為影片中的移動模式提供引導。若輸入超過 73 個影格，僅使用最後 73 個。若提供的影格少於 73 個，則會以中性影格填充序列。 | IMAGE | 否 | - |

注意：所有可選輸入均可獨立使用或一起使用。此節點會根據已連接的可選輸入，修改提供的 `positive` 與 `negative` 條件。

## 輸出

| 輸出名稱 | 描述 | 資料類型 |
| --- | --- | --- |
| `positive` | 經處理的正向條件，已針對影片生成進行修改；當提供對應的可選輸入時，會包含音訊嵌入、參考 latent、動作參考與控制影片條件 | CONDITIONING |
| `negative` | 經處理的負向條件，已針對影片生成進行修改；當提供對應的可選輸入時，會包含音訊嵌入（設為零）、參考 latent、動作參考與控制影片條件 | CONDITIONING |
| `latent` | 空的 latent 影片張量，用作生成的起始點。latent 張量的形狀為 `[batch_size, 16, latent_t, height/8, width/8]`，其中 `latent_t` 計算為 `((length - 1) // 4) + 1`。 | LATENT |

> 本文檔由 AI 生成。如果您發現任何錯誤或有改進建議，歡迎貢獻！ [在 GitHub 上編輯](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/WanSoundImageToVideo/zh-TW.md)

---
**Source fingerprint (SHA-256):** `b1148cd00d8999dd6842e3c2fb13655fda8f20d5befed975a6d1652688b2807c`
