【ComfyUI】Wan2.2 Animate + SeedVC 全身动作迁移歌声复刻

今天带大家演示一个整合 SeedVC 歌声克隆与 Wan2.2 Animate 全身动作迁移的 ComfyUI 工作流。通过参考图像、姿态图、音频输入与文本提示，将角色的外貌、肢体动作和语音情绪在同一条工作链路中统一生成。

整个流程以 VAE、WanVideo 主模型、CLIP Vision 编码器等核心模型为基础，再结合多类节点完成图像抽取、姿态识别、文本与图像特征编码、动作驱动合成，最终输出稳定的视频内容。这套工作流的重点是让使用者能在理解模型作用与节点协作方式的前提下，更直观掌握整条视频生成逻辑。

工作流介绍

这套工作流围绕“角色形象提取、姿态映射、文本和图像语义融合、视频拼接输出”四大部分展开。核心模型包括 Wan2.2 系列的 VAE 与 Video Model、CLIP Vision 编码器和文本编码模型，它们负责处理输入图像、姿态图、动作参考与提示词，并将这些信息转化为能够驱动视频生成的高维特征。模型之间通过多个功能节点串联，例如图像缩放节点、姿态检测与绘制节点、图像与文本编码节点，以及最终的视频合成节点。这些节点既承担单一步骤处理，也让不同模型的输出可以无缝接入后续环节，从而构成一个清晰、高效、稳定的生成链路。

核心模型

在这套工作流中，核心模型承担图像解码、视觉特征抽取、文本语义编码与视频生成的主要工作。Wan2.2 的视频生成主模型与 VAE 负责最终画面的清晰度与动态表现，而 CLIP Vision 则负责从参考图与人物形象中提取视觉语义 embedding。文本编码模型用于解析提示词，让动作、场景与角色细节能准确传递到视频生成阶段。多模型协作的结果，是让角色的外观、动作节奏、姿态逻辑都能以高一致性呈现。