# اعمال Wan Uni3C ControlNet

## Overview

این گره یک ControlNet Uni3C را به مدل پخش ویدئوی Wan اعمال می‌کند و از یک ویدئوی راهنمای رندر شده (مانند رندرهای ابر نقطه‌ای تاب‌خورده) برای تأثیرگذاری بر خروجی مدل استفاده می‌کند. این گره سیگنال‌های کنترلی را در لایه‌های بلوک خاصی تزریق می‌کند و هدایت مبتنی بر مسیر دوربین را در طول تولید ویدئو امکان‌پذیر می‌سازد.

## Inputs

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
|-----------|-------------|-----------|----------|-------|
| `مدل` | مدل پخش Wan که باید وصله شود. | MODEL | بله | – |
| `patch مدل` | یک وصله ControlNet Uni3C (باید نمونه‌ای از `comfy.ldm.wan.uni3c.WanUni3CControlnet` باشد). | MODEL_PATCH | بله | – |
| `vae` | VAE که برای رمزگذاری ویدئوی راهنما به لیتنت‌ها استفاده می‌شود. | VAE | بله | – |
| `رندر ویدیو` | ویدئوی راهنمای رندر شده از مسیر دوربین، که معمولاً رندرهای ابر نقطه‌ای تاب‌خورده از تصویر ورودی است. | IMAGE | بله | – |
| `شدت` | قدرت سیگنال کنترلی اعمال‌شده. | FLOAT | بله | 10.0- تا 10.0 (پیش‌فرض: 1.0) |
| `درصد شروع` | درصد فرایند نویززدایی که کنترل در آن شروع می‌شود. | FLOAT | بله | 0.0 تا 1.0 (پیش‌فرض: 0.0) |
| `درصد پایان` | درصد فرایند نویززدایی که کنترل در آن پایان می‌یابد. | FLOAT | بله | 0.0 تا 1.0 (پیش‌فرض: 1.0) |

**نکات:**
- `model_patch` باید یک ControlNet Uni3C باشد؛ در غیر این صورت گره خطا می‌دهد.
- Uni3C ControlNet فقط با مدل‌های Wan کار می‌کند؛ اگر مدل مبتنی بر Wan نباشد خطا ایجاد می‌شود.
- بُعد داخلی ControlNet باید با بُعد مدل Wan مطابقت داشته باشد؛ اگر متفاوت باشند خطا ایجاد می‌شود.
- تصویر ورودی `render_video` باید در قالب RGB باشد (فقط ۳ کانال اول استفاده می‌شود).
- این گره آزمایشی است.

## Outputs

| نام خروجی | توضیحات | نوع داده |
|-------------|-------------|-----------|
| `MODEL` | مدل Wan وصله‌شده با ControlNet Uni3C اعمال‌شده. | MODEL |

> 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/WanUni3CControlnetApply/fa.md)

---
**Source fingerprint (SHA-256):** `f69253f06aba9208778f713ad36e9995f53a15d2e61243b853b9ac9131637371`
