comfyUI-MuseTalk的参数设置

news2025/1/23 10:37:52

comfyUI-MuseTalk的参数设置

一、ComfyUI-VideoHelperSuite

二、comfyUI-MuseV合成的参考视频

2.1、什么时候会用到MuseV？

2.2、MuseV特别消耗系统内存

2.2.1、测试图片序列的像素比

2.2.2、影响运动范围和生成结果的参数

三、comfyUI-MuseTalk参考视频的参数

3.1、造成爆内存的可能情形

3.2、正确的设置，不会造成爆内存

3.2.1、原始参考视频的要求

3.2.1.1、参考视频短边的帧像素比

3.2.1.2、视频像素比、帧率及视频长度对参考视频动作的影响的基本原理

3.2.1.3、museV文生参考视频及拍摄真人视频对参考视频动作的影响程度

四、本期关联技术博文

一、ComfyUI-VideoHelperSuite

这个一个与视频工作流相关的I/O节点。

GitHub - Kosinkadink/ComfyUI-VideoHelperSuite: Nodes related to video workflows

它可以：

加载视频

将视频文件转换为一系列图像

加载图像序列

从子文件夹加载所有图像文件。选项与加载视频类似。

视频合并

将一系列图像组合成输出视频
如果提供了可选的音频输入，它也将被组合到输出视频中。

加载音频

提供一种加载独立音频文件的方法。

存在许多用于管理潜伏数据的实用节点。每个节点都有一个用于处理图像的等效节点。

拆分批次

将潜在变量分为两组。第一组split_index潜在变量进入输出 A，其余组进入输出 B。如果split_index输入的潜在变量少于第一组潜在变量，则所有潜在变量均会传递至输出 A，而输出 B 为空。

合并批次

将两组潜在变量合并为一个输出。输出的顺序是 A 中的潜在变量，然后是 B 中的潜在变量。
如果输入组的大小不同，则节点会在合并之前提供重新调整潜在变量的选项。

选择每 N 个

每个输入中的第一个select_every_nth被传递，其余的被丢弃

获取计数
重复批次
视频预览

加载视频（上传）、加载视频（路径）、加载图像（上传）、加载图像（路径）和视频合并提供动画预览。带有预览的节点在右键单击时提供附加功能。

二、comfyUI-MuseV合成的参考视频

2.1、什么时候会用到MuseV？

当你并非实际拍摄的参考动作视频，而是拍照；或拍摄的参考动作图片需要用其它的视频人物动作来做动作替换；或拍摄的参考动作视频需要更换背景和场景后再次进行处理。

2.2、MuseV特别消耗系统内存

MuseV非常吃系统内存，需要特别配置好运行参数进行调优推理。

2.2.1、测试图片序列的像素比

短边：480 512 640 720 1080 1080 448（test_data_width）
长边：720 768 960 1080 1620 1920 704（test_data_height）

2.2.2、影响运动范围和生成结果的参数

video_guidance_scale：类似于 text2image，控制 cond 和不控制uncond 之间，影响较大，默认为 3.5。详见2.2所述。
use_condition_image：是否使用给定的第一帧进行视频生成, 默认 True。
redraw_condition_image：是否重新绘制给定的第一帧图像。
video_negative_prompt：配置文件中全 negative_prompt 的缩写。默认为 V2。

三、comfyUI-MuseTalk参考视频的参数

image_load_cap（frame_load_cap帧的读取上限）：将返回的最大图像数量。这也可以被认为是最大批次大小。
skip_first_images：要跳过多少张图像。通过将此数字增加 image_load_cap，您可以轻松地将一长串图像分成多个批次。
select_every_nth：允许在每个返回的帧之间跳过一些图像。
crf：描述输出视频的质量。数字越低，视频质量越高，文件大小越大，而数字越高，视频质量越低，文件大小越小。缩放比例因编解码器而异，但视觉无损输出通常在 20 左右，默认值=19。
frame_rate：每秒显示多少输入帧。更高的帧速率意味着输出视频播放速度更快且持续时间更短。对于 AnimateDiff，此值通常应保持为 8，或当启用了 Load Video 节点的 force_rate的话，两者应当相等；最终的音视频输出帧率，也应当匹配。

3.1、造成爆内存的可能情形

3.2、正确的设置，不会造成爆内存

3.2.1、原始参考视频的要求

3.2.1.1、参考视频短边的帧像素比

常见的帧像素比例：

短边：480 512 640 720 1080 1080 448（test_data_width）
长边：720 768 960 1080 1620 1920 704（test_data_height）

这些都是符合要求的：

帧率越大，动作越连贯；帧率越小，动作越迟缓；总帧数和帧率决定了当前配音的时长，是否被截断后输出，它影响到最终合成输入的音视频长度。

3.2.1.2、视频像素比、帧率及视频长度对参考视频动作的影响的基本原理

由于参考视频在拆解视频的每一帧后，需要对其“唇形”，这个过程需要使用系统内存对内存流进行处理，内存流的的对齐是连续的，即：当总视频长度对应的所有帧都必须正确的处理完毕后，将它们在内存中进行流的合并。如果操作系统的内存不够，将会导致错误。

那么，那些因素是影响参考视频”对齐“及“合并”的内存流大小的呢？

一是符合上述像素比的视频的短边的像素值s-px，s-px越大就越消耗内存；二是为了保证动作的连贯性和完整性，“参考视频”需要保证足够的时长，该视频的原始帧率会导致输出到缓存中的帧图片的数量的多少，即总批次数batch-sizes（这里简称bss）；三就是可以强制设置输出帧率，并设置分批次batch-size（这里简称bs），用以调整将较长时长（这里简称vl）的参考视频切分成多个批次（这里简称bl）进行处理，bl = vl / bs ，处理完毕后再进行合并。在二和三中，无论哪种方式，所需的内存都不能超过系统内存的可用数。

最后，参考视频的帧率ref-fps，经验值，英伟达显存等于16G的显卡芯片，1帧 <= ref-fps <= 12帧；总帧数除以帧数，应当能够整除；一般帧率数值为1、2、4、8、12。因此生成的参考视频或拍摄的参考视频，最好用剪映或秒剪进行前期处理，最好秒数为整数。

3.2.1.3、museV文生参考视频及拍摄真人视频对参考视频动作的影响程度

museV文生参考视频，既要处理脸部表情，又要处理随机动作，还要处理唇形对齐，所以按照3.2.1.2中所述的基本原理，它对系统内存的要求更加苛刻；而如果连续动作的参考视频是实拍的，就可以利用bl，每个批次处理1个较短的连续动作（一般 1秒 <= bl <= 4秒，比较适合），再给每个bl进行AI训练推理的配音；最终，将多段视频，在剪映或秒剪中进行视频剪辑的后期处理即可。否则，你将付出的是更大的显卡芯片cuda和系统内存的高昂开销。