# وان‌ساند ایمیج تو ویدیو اکستند

گره WanSoundImageToVideoExtend یک لاتنت ویدیویی موجود را با تولید فریم‌های اضافی گسترش می‌دهد و به‌صورت اختیاری با صدا، یک تصویر مرجع، و یک ویدیوی کنترلی هدایت می‌شود. این گره یک لاتنت ویدیویی شروع را دریافت می‌کند و یک دنباله ویدیویی طولانی‌تر تولید می‌کند؛ از شرط‌گذاری و نشانه‌های صوتی ارائه‌شده برای تأثیرگذاری بر محتوای جدید استفاده می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `مثبت` | پرامپت‌های شرط‌گذاری مثبت که راهنمای محتوایی هستند که ویدیو باید شامل آن‌ها باشد | CONDITIONING | بله | - |
| `منفی` | پرامپت‌های شرط‌گذاری منفی که مشخص می‌کنند ویدیو باید از چه چیزهایی اجتناب کند | CONDITIONING | بله | - |
| `vae` | خودرمزگذار متغیر که برای رمزگذاری تصویر مرجع و ویدیوی کنترلی به فضای لاتنت استفاده می‌شود | VAE | بله | - |
| `طول` | تعداد کل فریم‌هایی که برای دنباله ویدیویی تولید می‌شود (پیش‌فرض: 77، گام: 4) | INT | بله | 1 تا MAX_RESOLUTION |
| `ویدیو latent` | لاتنت ویدیویی اولیه که به‌عنوان نقطه شروع برای گسترش عمل می‌کند. عرض، ارتفاع، اندازه دسته، و افست فریم خروجی از این لاتنت استخراج می‌شوند. ۱۹ فریم آخر آن به‌عنوان شرط‌گذاری حرکت مرجع استفاده می‌شوند. | LATENT | بله | - |
| `خروجی انکودر صوتی` | امبدینگ‌های صوتی اختیاری که می‌توانند بر اساس ویژگی‌های صدا بر تولید ویدیو تأثیر بگذارند. وقتی ارائه شود، صدا درون‌یابی شده و به یک گروه امبدینگ صوتی تبدیل می‌شود که به شرط‌گذاری اضافه می‌شود. | AUDIOENCODEROUTPUT | خیر | - |
| `تصویر مرجع` | تصویر مرجع اختیاری که راهنمای بصری برای تولید ویدیو فراهم می‌کند. تصویر برای مطابقت با ابعاد هدف بزرگ‌نمایی شده و به یک لاتنت رمزگذاری می‌شود که سپس به هر دو شرط‌گذاری مثبت و منفی اضافه می‌شود. فقط اولین تصویر در دسته استفاده می‌شود. | IMAGE | خیر | - |
| `کنترل ویدیو` | ویدیوی کنترلی اختیاری که حرکت و ساختار ویدیوی تولیدشده را هدایت می‌کند. ویدیو بزرگ‌نمایی شده، رمزگذاری می‌شود و به هر دو شرط‌گذاری مثبت و منفی اضافه می‌شود. ویدیوی کنترلی به `length` مشخص‌شده برش داده می‌شود. | IMAGE | خیر | - |

توجه: لاتنت خروجی با ابعاد هدف و با مقادیر صفر مقداردهی اولیه می‌شود. لاتنت ورودی `video_latent` در این خروجی کپی نمی‌شود؛ در عوض، ۱۹ فریم آخر آن به‌عنوان حرکت مرجع استفاده می‌شوند.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مثبت` | شرط‌گذاری مثبت پردازش‌شده با زمینه ویدیویی اعمال‌شده، شامل امبدینگ‌های صوتی، لاتنت‌های مرجع، حرکت مرجع، و ویدیوی کنترلی در صورت ارائه | CONDITIONING |
| `منفی` | شرط‌گذاری منفی پردازش‌شده با زمینه ویدیویی اعمال‌شده، شامل امبدینگ‌های صوتی (صفر شده)، لاتنت‌های مرجع، حرکت مرجع، و ویدیوی کنترلی در صورت ارائه | CONDITIONING |
| `latent` | نمایش لاتنت ویدیویی از دنباله گسترش‌یافته، که با ابعاد استخراج‌شده از ورودی `video_latent` و `length` هدف و با مقادیر صفر مقداردهی اولیه شده است | 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/WanSoundImageToVideoExtend/fa.md)

---
**Source fingerprint (SHA-256):** `32b58aaba566f346a0388ba804fc92e7ad426bf2e9e7039e5fdb0bf6a746e972`
