ERNIE-Image

ERNIE-Image × Wan 2.6 图生视频完整工作流：从静态图像到 1080P 动画的 ComfyUI 全链路

Jun 25, 2026

ERNIE-Image × Wan 2.6 图生视频完整工作流：从静态图像到 1080P 动画的 ComfyUI 全链路

从 ERNIE-Image 的高质量静态图像出发，通过 Wan 2.6、LTX 2.3 等最新视频模型，在 ComfyUI 中构建完整的 "文生图 → 图生视频" 自动化管线。

从 Stable Diffusion 到 FLUX.2，开源图像生成经历了多次范式升级。但一个始终未解的问题是：如何让静态图像动起来？

2026 年 6 月，Wan 2.6、LTX 2.3、Seedance 2.0 等视频生成模型已经成熟到可以支持 1080P 输出，ERNIE-Image 作为 8B 参数的开源文生图旗舰，恰好提供了最理想的静态图像起点。

本文将展示如何将这些技术串联成完整的 ComfyUI 工作流，让 AI 创作的静态图像变成流畅的动态视频。

为什么选择 ERNIE-Image 作为起点

ERNIE-Image 在图像到视频场景中有三个核心优势：

高质量静态图像：8B DiT 架构在字符一致性、场景细节和光照表现上位列开源模型前列。

精准的指令遵循：ERNIE-Image 的 3B Prompt Enhancer 和强大的指令跟随能力，确保生成的静态图像与你的创意描述高度一致。

多风格覆盖：从写实摄影到动漫插画，ERNIE-Image 的风格多样性为不同类型的视频内容提供了丰富的起点。

2026 年 6 月视频模型生态全景

模型 参数 核心优势 VRAM 需求 适用场景
Wan 2.6 14B MoE 运动质量、1080P 原生支持 24GB+ 通用 I2V、电影运动
LTX 2.3 2.6B 速度最快、量化友好 8GB+ 快速迭代、低配硬件
Seedance 2.0 未知 多镜头一致性、音频同步 24GB+ 多镜头电影、广告
Kling 3.0 闭源 4K 输出、角色一致性 API 角色驱动叙事、长视频

Wan 2.6 是开源领域的最佳选择——MoE 架构在保持运动质量的同时控制推理成本，ComfyUI 官方节点已原生支持。

基础工作流：ERNIE-Image → Wan 2.6 I2V

环境准备

# 1. 安装 ComfyUI
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

2. 下载 ERNIE-Image 模型


从 https://huggingface.co/Comfy-Org/ERNIE-Image


放置到 models/diffusion_models/


3. 下载 Wan 2.6 模型


从 https://huggingface.co/Wan-AI


放置到 models/unet/ 或 models/diffusion_models/

工作流节点链

[CLIP Text Encode] → [ERNIE-Image Sampler] → [Save Image]
                                                        ↓
[Load Image] ← [生成的静态图像]
     ↓
[Wan2.6 ImageToVideo] → [Save Video]

ERNIE-Image 图像生成配置

{
  "model": "ernie-image-base.safetensors",
  "vae": "flux2_vae.safetensors",
  "clip": "clip_l.safetensors",
  "scheduler": "dpmpp_2s_ancestral",
  "steps": 8,
  "cfg": 5.0,
  "width": 1024,
  "height": 768,
  "use_pe": true
}

关键提示：生成用于视频转化的静态图像时，建议使用 1024×768 分辨率（16:9），这既是 ERNIE-Image 的舒适区，也是 Wan 2.6 的最佳输入尺寸。

Wan 2.6 I2V 配置

{
  "model": "wan2.6_i2v_fp8.safetensors",
  "vae": "wan_vae.safetensors",
  "motion_bucket_id": 128,
  "frames": 81,
  "fps": 24,
  "resolution": "1024x576",
  "guidance_scale": 6.0,
  "steps": 30
}

参数调优指南：

  • motion_bucket_id：控制运动强度（64=轻微，128=中等，256=强烈）
  • frames：81 帧 ≈ 3.4 秒 @24fps
  • resolution：Wan 2.6 支持最高 1080P，但 1024×576 在 24GB 显存上最稳定

进阶工作流 A：ERNIE-Image → Wan 2.6 → 1080P 升级

Wan 2.6 原生支持 1080P 输出，不再需要 Topaz Video AI 后处理：

[ERNIE-Image 生成 1024x768]
     ↓
[Wan 2.6 I2V @1024x576, 81 frames]
     ↓
[WAN 2x Upscaler VAE] → 2560x1280 输出
     ↓
[Save Video @1080P]

使用 WAN 2x Upscaler VAE 节点可以将 1024×576 的视频放大到 2560×1280（2.5K），保持运动一致性和画面质量。

进阶工作流 B：多模型对比选择

低显存方案（8-12GB）

[ERNIE-Image Turbo NVFP4 @4.78GB]
     ↓
[LTX 2.3 I2V @量化版]
     ↓
[Save Video @720P]

LTX 2.3 是目前最轻量级的 I2V 模型，支持 FP8 量化后可在 8GB 显存运行。缺点是运动质量不如 Wan 2.6，但速度优势明显。

平衡方案（16-24GB）

[ERNIE-Image FP8 @14GB]
     ↓
[Wan 2.6 I2V FP8 @20GB]
     ↓
[Save Video @1080P]

FP8 版本的 ERNIE-Image 和 Wan 2.6 在 24GB 显卡（如 RTX 4090、RTX 5070 Ti）上可以串联运行。

旗舰方案（48GB+）

[ERNIE-Image BF16 @29GB]
     ↓
[Wan 2.6 FP16 I2V @48GB]
     ↓
[WAN 2x Upscaler VAE]
     ↓
[Save Video @4K]

双卡 A100 或 RTX 6000 Ada 配置可以跑全精度管线。

批量生产管线

结合 EI-093 的多提示词批量生成工作流，可以构建完整的批量图生视频管线：

[Prompt Multi Batch (100 个不同 prompt)]
     ↓
[ERNIE-Image 批量生成静态图像]
     ↓
[Wan 2.6 I2V 批量转视频]
     ↓
[批量输出 100 段短视频]

实际案例：电商产品展示视频批量生成——用 ERNIE-Image 生成 100 个产品在不同场景的静态图，再通过 Wan 2.6 批量转化为展示视频。

硬件需求汇总

配置 VRAM 可运行方案 输出质量
RTX 4060 Ti 16GB 16GB ERNIE-Image FP8 + LTX 2.3 量化 720P
RTX 4070 Ti 16GB 16GB ERNIE-Image FP8 + Wan 2.6 FP8（降分辨率） 720P-1080P
RTX 4090 24GB 24GB ERNIE-Image FP8 + Wan 2.6 FP8 1080P
RTX 5090 32GB 32GB ERNIE-Image FP8 + Wan 2.6 FP16 1080P-4K
A100 80GB 80GB ERNIE-Image BF16 + Wan 2.6 FP16 4K

常见问题排查

问题 1：Wan 2.6 节点找不到模型文件

  • 检查模型文件名是否与节点 README 中指定的完全一致
  • 确认文件放置在 models/unet/ 或 models/diffusion_models/ 目录

问题 2：生成视频帧数太少

  • 增加 frames 参数（81=3.4秒，161=6.7秒）
  • 降低分辨率以减少显存占用

问题 3：运动不自然

  • 调整 motion_bucket_id（64=轻微，128=中等）
  • 确保 ERNIE-Image 生成的静态图像质量足够高（运动质量受输入图像质量影响）

问题 4：显存不足

  • 使用 FP8 量化版本
  • 降低输出分辨率和帧数
  • 在 Wan 2.6 节点前添加 Clear Cache 节点释放 ERNIE-Image 占用的显存

总结

ERNIE-Image 与 Wan 2.6 的组合，让开源社区第一次拥有了完整的 "文本 → 静态图像 → 动态视频" 管线。8B 参数的 ERNIE-Image 提供高质量的静态起点，14B MoE 的 Wan 2.6 负责赋予画面生命力。

与 EI-056 中介绍的 LTX 2.3 / Wan 2.2 方案相比，Wan 2.6 带来了三个实质性升级：原生 1080P 支持、更流畅的运动质量、更好的 ComfyUI 官方节点集成。对于内容创作者来说，这意味着可以在一台 24GB 显存的消费级显卡上，完成从创意到成片的全流程。

ERNIE-Image Team