内置节点参考
SyncTalkingImageNode - ComfyUI Built-in Node Documentation
Complete documentation for the SyncTalkingImageNode node in ComfyUI. Learn its inputs, outputs, parameters and usage.
使用 sync.so 的 sync-3 模型，将静态人像动画化为由语音音频驱动的说话视频。输出时长与音频时长一致，费用随输出时长增加而增加。
输入
| 参数 | 描述 | 数据类型 | 是否必需 | 范围 |
|---|---|---|---|---|
图像 |
一张面部清晰可见的图片，最高支持 4K（4096x2160）分辨率。 | IMAGE | 是 | 仅需一张图片 |
音频 |
驱动说话视频的语音音频；输出时长与之匹配。可在此处链接任意 TTS 节点，以通过文本驱动动画。 | AUDIO | 是 | 最大时长：600 秒 |
提示词 |
可选提示词，用于指导人像如何生动呈现，例如"让主体微笑并看向镜头"。留空则生成自然的说话动作。（默认值：""） | STRING | 否 | 多行文本 |
种子 |
种子控制节点是否应重新运行；无论种子如何，结果均具有非确定性。（默认值：0） | INT | 否 | 0 到 2147483647 |
模型 |
sync.so 生成模型。图片输入仅支持 sync-3。 | COMBO | 是 | "sync-3" |
speaker_selection |
当画面中出现多人时，选择对哪张面部进行动画化。default：让模型自行决定。coordinates：定位图片中像素坐标 (speaker_x, speaker_y) 处的面部。图片不支持自动检测。（默认值："default"） |
COMBO | 否 | "default" |
"coordinates" |
||||
speaker_x |
说话者面部的 X 轴像素坐标。仅在 speaker_selection 设置为 'coordinates' 时使用。（默认值：0） |
INT | 否 | 0 到 4096 |
speaker_y |
说话者面部的 Y 轴像素坐标。仅在 speaker_selection 设置为 'coordinates' 时使用。（默认值：0） |
INT | 否 | 0 到 4096 |
auto_downscale |
若图片超过 4K（4096x2160）输入限制，自动降低分辨率；说话者坐标会相应缩放。禁用时，超尺寸图片将引发错误。（默认值：True） | BOOLEAN | 否 | True |
| False |
注意： speaker_x 和 speaker_y 参数仅在 speaker_selection 设置为 "coordinates" 时使用。启用 auto_downscale 时，说话者坐标会自动缩放以匹配降低后的图片尺寸。
输出
| 输出名称 | 描述 | 数据类型 |
|---|---|---|
video |
生成的说话视频，其中动画化的人像与输入音频同步。 | VIDEO |
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑
Source fingerprint (SHA-256): 21f722cdcc5ff017949887ed2252854feebb9b913034dc6a6c3ce196ad089468
官方原文
本页来自 Comfy-Org 官方中文文档的固定版本，并转换为 xueai 静态页面。内容以官方持续更新的页面为准。