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 InfinitySVI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 python3.10 conda activate svi pip install -e . pip install flash_attn2.8.0.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 CFGcfg_scale_text5.0出现重影、跟随差时提到 7参考帧num_motion_framesShot 用 1Film 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 2.0num_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 tilingenable_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
