Stable Video Infinity ComfyUI 工作流实战：从 1 张图到 8 分钟无限视频【免费下载链接】Stable-Video-Infinity[ICLR 26 Oral] Stable Video Infinity: Infinite-Length Video Generation with Error Recycling项目地址: https://gitcode.com/GitHub_Trending/st/Stable-Video-InfinityStable Video Infinity（SVI）是一个拿下 ICLR 2026 Oral 的无限长度视频生成框架，核心能力是：从一张图出发（或图加音频、图加骨骼），自回归地生成任意长度的视频，画面和风格还能稳住。本文以单场景延展 SVI-Shot 为主线，讲清楚 ComfyUI 工作流怎么装、参数怎么调，适合想做出第一支长视频的你。🚀 快速上手：从 0 到第一次出片环境与硬件：官方测试环境是 A100 80G、CUDA 12.0、Python 3.10、PyTorch 2.5。实际跑通 8GB 显存的卡多数情况下也可以，16GB 以上更从容。克隆仓库并安装依赖：git clone https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity cd Stable-Video-Infinity conda create -n svi python=3.10 && conda activate svi pip install -e . pip install flash_attn==2.8.0.post2 conda install -c conda-forge ffmpeg librosa libiconv下载两类权重：基础模型 Wan2.1-I2V-14B-480P，加上 SVI 的 LoRA。huggingface-cli download Wan-AI/Wan2.1-I2V-14B-480P --local-dir ./weights/Wan2.1-I2V-14B-480P huggingface-cli download vita-video-gen/svi-model --local-dir ./weights/Stable-Video-Infinity --include "version-1.0/*"把工作流装入 ComfyUI：仓库的comfyui_workflow_svi_1.0/目录就是官方工作流。把它拷进 ComfyUI 的 custom_nodes 目录，重启后把目录里的 JSON 拖进画布，就能看到完整节点链：加载模型 → 输入图片 → 片段延展 → 解码输出。有两点务必注意：SVI LoRA 不能直接套原版 Wan 2.1 工作流，padding 设置不一样，请用官方这份；每个片段用不同的 seed，否则生成的内容会重复。🎬 第一支视频：参数怎么调最小可运行流程就四步：加载模型：在模型加载节点里加载 Wan2.1-I2V-14B-480P，再挂上 svi-shot.safetensors 这个 LoRA。导入图片：用 Load Image 节点导入首帧。仓库 data/toy_test/ 目录下有现成的示例图，随手挑一张。调参：对照下表给默认值，别一次改太多。生成：点 Queue Prompt。建议先生成 2~3 个片段（10~15 秒）验证稳定，再拉长。参数推荐值说明视频长度10~30 秒起步每 5 秒一个片段自动延展，单片段 81 帧帧率24~30fps24fps 是稳妥选择运动强度0.5~1.0越大越剧烈，也越容易漂移文本 CFG（cfg_scale_text）5.0出现重影、跟随差时提到 7参考帧（num_motion_frames）Shot 用 1，Film 用 5与训练配置保持一致参考填充（ref_pad_num）-1单场景模式；0 会放宽约束，但有遗忘概率如果暂时不想碰 ComfyUI，也可以直接跑 bash scripts/test/svi_shot.sh，用官方示例数据和提示词出片；gradio_demo.sh 则提供一个网页版界面。进阶控制文本引导：给每个片段写不同的剧本SVI-Shot 用一条提示词就能延展开；官方工作流还支持每 5 秒片段各写一条提示词（streaming prompt），让剧情连续推进。推荐设置：提示词写得长一些、细一些。训练数据是 LLM 生成的长文风格，一句短语容易运动不足。在提示词里写明运镜，比如 dolly-in、tilt-down、orbit。仓库示例数据的写法可以直接抄。姿态与动作：用骨骼视频控制要精确控制人物动作，走 SVI-Dance 这条线：输入是"人物图 + 骨骼动画视频"。参考舞蹈视频可以用仓库自带的 dwpose 模块抽骨骼，脚本在utils/run_align_pose.py。推荐设置：cfg_scale_text 给 2.0，num_steps 给 50。文本权重越低，动作越由骨骼主导。典型场景实战官方放出过一支 14 分钟长视频的成片示例（SVI-2.0 与 SVI-Talk 组合生成），效果可以作参考上限：对话视频：SVI-Talk素材：1 张人物图 + 1 段音频（wav）。仓库里 obama.png 配 obama_5min.wav 就能直接跑。预处理：先执行scripts/data_preprocess/prepare_video_audio.py提取音频特征。生成：跑 bash scripts/test/svi_talk.sh，示例生成 50 个片段，是一支几分钟的说话视频。可预期效果：长时间口型与表情保持连贯，官方 10 分钟测试无漂移。舞蹈视频：SVI-Dance素材：人物图 + 姿态视频，示例数据在 data/toy_test/dance/ 下。生成：跑 bash scripts/test/svi_dance.sh，示例 10 个片段，约 50 秒连续舞蹈。顺带一提：SVI-Tom 能用单张图生成 8 分钟 Tom & Jerry 风格动画长片，与 Film 工作流通用，参考帧用 1。官方还在推 Wan 2.2 Animate SVI，舞蹈质量预期更高。原理速览先给直觉：普通自回归延展是拿模型自己的上一步输出去生成下一步，误差逐段累积，越生成越"跑偏"。SVI 的 Error Recycling 做法，是训练时把模型自己的误差喂回去：注入：把历史生成误差混进干净输入，模拟真实的误差累积轨迹；收集：用单步双向积分近似预测，残差即误差；入库：误差按时间步分类存进"误差银行"，训练时随机重采样。模型由此学会主动识别并修正自己的误差，延展从盲目外推变成自我纠错。这套机制不增加推理开销，且兼容文本、音频、骨骼三类条件。因果性上它是混合体：片段间因果延展，片段内双向注意力，类似导演反复审看一个片段、再接上下一个。⚙️ 排障与性能症状：卡顿、显存不够 → 降回 480p、减少每批帧数；低显存卡可用量化加蒸馏 LoRA，采样步数适当加回来补质量；还能开启 VAE tiling（enable_vae_tiling）。症状：颜色漂移 → 最有效的办法是用少量同风格视频微调；静态场景下 VAE 反复编解码也会积累误差。症状：运动不足 → 检查输入图是否被缩放到训练分辨率 480×832 附近；图太宽会被限宽缩放，丢失运动，可调整 --max_width。症状：重影、提示词跟随差 → 把 --cfg_scale_text 从 5.0 提到 7。症状：漂移或遗忘 → 单场景用 Shot 模式（--ref_pad_num -1，官方 20 分钟测试无漂移）；Film 模式在主体出画时有遗忘概率，这是该模式的特性，不算故障。性能优化都归在上面第一条：优先 480p、控制片段数、开量化与 tiling，超长视频可分段生成再拼接。跑通之后你会发现，SVI 不改变你 ComfyUI 的操作习惯，真正的变量只有权重和提示词。想继续深入，看这几处：docs/FAQ.md 里有参数细节和各类症状的成因；docs/DevLog.md 记录了误差回收的工程细节；想训自己的 LoRA，从 train_svi.py 和 scripts/train/ 下的脚本入手；data/toy_test/ 与 data/toy_train/ 里备好了示例数据和玩具训练集，回归验证时直接用。【免费下载链接】Stable-Video-Infinity[ICLR 26 Oral] Stable Video Infinity: Infinite-Length Video Generation with Error Recycling项目地址: https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Stable Video Infinity ComfyUI 工作流实战：从 1 张图到 8 分钟无限视频【免费下载链接】Stable-Video-Infinity[ICLR 26 Oral] Stable Video Infinity: Infinite-Length Video Generation with Error Recycling项目地址: https://gitcode.com/GitHub_Trending/st/Stable-Video-InfinityStable Video Infinity（SVI）是一个拿下 ICLR 2026 Oral 的无限长度视频生成框架，核心能力是：从一张图出发（或图加音频、图加骨骼），自回归地生成任意长度的视频，画面和风格还能稳住。本文以单场景延展 SVI-Shot 为主线，讲清楚 ComfyUI 工作流怎么装、参数怎么调，适合想做出第一支长视频的你。🚀 快速上手：从 0 到第一次出片环境与硬件：官方测试环境是 A100 80G、CUDA 12.0、Python 3.10、PyTorch 2.5。实际跑通 8GB 显存的卡多数情况下也可以，16GB 以上更从容。克隆仓库并安装依赖：git clone https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity cd Stable-Video-Infinity conda create -n svi python=3.10 && conda activate svi pip install -e . pip install flash_attn==2.8.0.post2 conda install -c conda-forge ffmpeg librosa libiconv下载两类权重：基础模型 Wan2.1-I2V-14B-480P，加上 SVI 的 LoRA。huggingface-cli download Wan-AI/Wan2.1-I2V-14B-480P --local-dir ./weights/Wan2.1-I2V-14B-480P huggingface-cli download vita-video-gen/svi-model --local-dir ./weights/Stable-Video-Infinity --include "version-1.0/*"把工作流装入 ComfyUI：仓库的comfyui_workflow_svi_1.0/目录就是官方工作流。把它拷进 ComfyUI 的 custom_nodes 目录，重启后把目录里的 JSON 拖进画布，就能看到完整节点链：加载模型 → 输入图片 → 片段延展 → 解码输出。有两点务必注意：SVI LoRA 不能直接套原版 Wan 2.1 工作流，padding 设置不一样，请用官方这份；每个片段用不同的 seed，否则生成的内容会重复。🎬 第一支视频：参数怎么调最小可运行流程就四步：加载模型：在模型加载节点里加载 Wan2.1-I2V-14B-480P，再挂上 svi-shot.safetensors 这个 LoRA。导入图片：用 Load Image 节点导入首帧。仓库 data/toy_test/ 目录下有现成的示例图，随手挑一张。调参：对照下表给默认值，别一次改太多。生成：点 Queue Prompt。建议先生成 2~3 个片段（10~15 秒）验证稳定，再拉长。参数推荐值说明视频长度10~30 秒起步每 5 秒一个片段自动延展，单片段 81 帧帧率24~30fps24fps 是稳妥选择运动强度0.5~1.0越大越剧烈，也越容易漂移文本 CFG（cfg_scale_text）5.0出现重影、跟随差时提到 7参考帧（num_motion_frames）Shot 用 1，Film 用 5与训练配置保持一致参考填充（ref_pad_num）-1单场景模式；0 会放宽约束，但有遗忘概率如果暂时不想碰 ComfyUI，也可以直接跑 bash scripts/test/svi_shot.sh，用官方示例数据和提示词出片；gradio_demo.sh 则提供一个网页版界面。进阶控制文本引导：给每个片段写不同的剧本SVI-Shot 用一条提示词就能延展开；官方工作流还支持每 5 秒片段各写一条提示词（streaming prompt），让剧情连续推进。推荐设置：提示词写得长一些、细一些。训练数据是 LLM 生成的长文风格，一句短语容易运动不足。在提示词里写明运镜，比如 dolly-in、tilt-down、orbit。仓库示例数据的写法可以直接抄。姿态与动作：用骨骼视频控制要精确控制人物动作，走 SVI-Dance 这条线：输入是"人物图 + 骨骼动画视频"。参考舞蹈视频可以用仓库自带的 dwpose 模块抽骨骼，脚本在utils/run_align_pose.py。推荐设置：cfg_scale_text 给 2.0，num_steps 给 50。文本权重越低，动作越由骨骼主导。典型场景实战官方放出过一支 14 分钟长视频的成片示例（SVI-2.0 与 SVI-Talk 组合生成），效果可以作参考上限：对话视频：SVI-Talk素材：1 张人物图 + 1 段音频（wav）。仓库里 obama.png 配 obama_5min.wav 就能直接跑。预处理：先执行scripts/data_preprocess/prepare_video_audio.py提取音频特征。生成：跑 bash scripts/test/svi_talk.sh，示例生成 50 个片段，是一支几分钟的说话视频。可预期效果：长时间口型与表情保持连贯，官方 10 分钟测试无漂移。舞蹈视频：SVI-Dance素材：人物图 + 姿态视频，示例数据在 data/toy_test/dance/ 下。生成：跑 bash scripts/test/svi_dance.sh，示例 10 个片段，约 50 秒连续舞蹈。顺带一提：SVI-Tom 能用单张图生成 8 分钟 Tom & Jerry 风格动画长片，与 Film 工作流通用，参考帧用 1。官方还在推 Wan 2.2 Animate SVI，舞蹈质量预期更高。原理速览先给直觉：普通自回归延展是拿模型自己的上一步输出去生成下一步，误差逐段累积，越生成越"跑偏"。SVI 的 Error Recycling 做法，是训练时把模型自己的误差喂回去：注入：把历史生成误差混进干净输入，模拟真实的误差累积轨迹；收集：用单步双向积分近似预测，残差即误差；入库：误差按时间步分类存进"误差银行"，训练时随机重采样。模型由此学会主动识别并修正自己的误差，延展从盲目外推变成自我纠错。这套机制不增加推理开销，且兼容文本、音频、骨骼三类条件。因果性上它是混合体：片段间因果延展，片段内双向注意力，类似导演反复审看一个片段、再接上下一个。⚙️ 排障与性能症状：卡顿、显存不够 → 降回 480p、减少每批帧数；低显存卡可用量化加蒸馏 LoRA，采样步数适当加回来补质量；还能开启 VAE tiling（enable_vae_tiling）。症状：颜色漂移 → 最有效的办法是用少量同风格视频微调；静态场景下 VAE 反复编解码也会积累误差。症状：运动不足 → 检查输入图是否被缩放到训练分辨率 480×832 附近；图太宽会被限宽缩放，丢失运动，可调整 --max_width。症状：重影、提示词跟随差 → 把 --cfg_scale_text 从 5.0 提到 7。症状：漂移或遗忘 → 单场景用 Shot 模式（--ref_pad_num -1，官方 20 分钟测试无漂移）；Film 模式在主体出画时有遗忘概率，这是该模式的特性，不算故障。性能优化都归在上面第一条：优先 480p、控制片段数、开量化与 tiling，超长视频可分段生成再拼接。跑通之后你会发现，SVI 不改变你 ComfyUI 的操作习惯，真正的变量只有权重和提示词。想继续深入，看这几处：docs/FAQ.md 里有参数细节和各类症状的成因；docs/DevLog.md 记录了误差回收的工程细节；想训自己的 LoRA，从 train_svi.py 和 scripts/train/ 下的脚本入手；data/toy_test/ 与 data/toy_train/ 里备好了示例数据和玩具训练集，回归验证时直接用。【免费下载链接】Stable-Video-Infinity[ICLR 26 Oral] Stable Video Infinity: Infinite-Length Video Generation with Error Recycling项目地址: https://gitcode.com/GitHub_Trending/st/Stable-Video-Infinity创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考