下载原始 Skill 文件

bash

curl https://ai.ospreyai.cn/docs/raw/skills/comfyui-fun-inpaint-video-generation.md -o comfyui-fun-inpaint-video-generation.md

对话式接入

本 Skill 文件可被 AI 助手（Claude Code、Cursor、ChatGPT 等）学习，通过自然语言对话完成首尾帧视频生成。

在 AI 对话中发送以下指令即可：

学习：https://ai.ospreyai.cn/docs/raw/skills/comfyui-fun-inpaint-video-generation.md，保存为本地的技能 skills

更多接入方式和使用示例详见 API 文档 — AI 助手对话式接入。

ComfyUI Wan 2.2 Fun Inpaint 首尾帧视频生成

Overview

通过公网网关 https://ai.ospreyai.cn 使用 ComfyUI 将 首帧 + 尾帧两张图片 生成一段过渡视频。

使用 Wan 2.2 Fun Inpaint + LightX2V 4 步加速 工作流，核心节点 WanFunInpaintToVideo 接收首帧（start_image）和尾帧（end_image），自动补间生成从起始画面到结束画面的平滑过渡动画（640×640, 16fps, 81帧, ~5 秒）。

核心特性：

首尾帧控制：精确从 start_image 过渡到 end_image
Fun Inpaint 模型：Wan 2.2 专为 inpaint 场景优化的扩散模型，比标准 I2V 更适合首尾帧补间
双 UNET 采样：高噪声 + 低噪声模型分阶段采样（步骤 0→2 + 2→4），画质更稳定
LightX2V 4 步加速：LoRA 加速仅需 4 步采样，生成速度快
采样偏移 shift=8：比标准 I2V（shift=5）更高的偏移值，适合首尾帧长距离过渡

与其他视频生成 Skill 的对比：

Skill	核心节点	输入	输出	适用场景
视频生成	WanImageToVideo	1 张起始图	~5s 视频	从单图生成动态视频
6 关键帧视频	WanFirstLastFrameToVideo ×5	6 张关键帧	~5s 视频	多关键帧过渡
本 Skill	WanFunInpaintToVideo	首帧 + 尾帧	~5s 视频	两张图之间的精确过渡

所有 API 均需 Bearer Token 鉴权（Authorization: Bearer sk-xxx）。

Quick Start

bash

export GW="https://ai.ospreyai.cn"
export API_KEY="sk-your-api-key"

# 1. 上传首帧和尾帧图片
curl -s -H "Authorization: Bearer $API_KEY" -X POST "$GW/api/v1/upload" \
  -F "image=@start.png" -F "overwrite=true"
curl -s -H "Authorization: Bearer $API_KEY" -X POST "$GW/api/v1/upload" \
  -F "image=@end.png" -F "overwrite=true"

# 2. 提交 Fun Inpaint 视频工作流（完整 JSON 见下方 Route A）
curl -s -H "Authorization: Bearer $API_KEY" -X POST "$GW/api/v1/ai/video/generate" \
  -H "Content-Type: application/json" \
  -d '{"prompt":{...}}'

# 3. 查询任务状态
curl -s -H "Authorization: Bearer $API_KEY" "$GW/api/v1/ai/tasks/{prompt_id}"

# 4. 下载 MP4 视频
curl -s -H "Authorization: Bearer $API_KEY" \
  "$GW/api/v1/ai/image/view/?filename=output.mp4&subfolder=video&type=output" \
  -o output.mp4

Task Routing

场景	动作
首次生成首尾帧视频	→ Route A: Upload & Generate
需要查看任务是否完成	→ Route B: Check Status
需要获取或下载 MP4	→ Route C: Download
需要调优提示词、帧数或尺寸	→ Route D: Tune Parameters
需要排查服务、节点、模型或文件问题	→ Route E: Troubleshoot

Route A: Upload & Generate

服务信息

网关地址: https://ai.ospreyai.cn
上传接口: POST /api/v1/upload
提交接口: POST /api/v1/ai/video/generate
鉴权方式: Authorization: Bearer sk-xxx

基本流程

上传首帧（start）和尾帧（end）两张图片到 ComfyUI
提交 Fun Inpaint 视频工作流
工作流包含 17 个节点：
- 2 × LoadImage — 加载首帧和尾帧图片
- WanFunInpaintToVideo — 首尾帧转视频核心节点
- CreateVideo — 创建视频，设置帧率
- SaveVideo — 保存视频为 MP4
- 其他 13 个节点 — CLIP/VAE/UNet 加载、LoRA 加速、双 KSamplerAdvanced 采样等

Step 1: 上传首帧和尾帧图片

bash

# 上传首帧图片
curl -s -H "Authorization: Bearer $API_KEY" -X POST "$GW/api/v1/upload" \
  -F "image=@/path/to/start.png" \
  -F "overwrite=true"

# 上传尾帧图片
curl -s -H "Authorization: Bearer $API_KEY" -X POST "$GW/api/v1/upload" \
  -F "image=@/path/to/end.png" \
  -F "overwrite=true"

响应（每次上传）：

json

{"name": "start.png", "subfolder": "", "type": "input"}

记住两个返回的 name 值，工作流中 LoadImage 节点需要使用。

最大文件大小: 50MB。推荐使用 PNG 格式，两张图片尺寸应一致（建议 640×640）。

Step 2: 提交 Fun Inpaint 视频工作流

bash

curl -s -H "Authorization: Bearer $API_KEY" -X POST "$GW/api/v1/ai/video/generate" \
  -H "Content-Type: application/json" \
  -d '{
    "prompt": {
      "90": {"inputs": {"clip_name": "umt5_xxl_fp8_e4m3fn_scaled.safetensors", "type": "wan", "device": "default"}, "class_type": "CLIPLoader"},
      "91": {"inputs": {"text": "色调艳丽，过曝，静态，细节模糊不清，字幕，风格，作品，画作，画面，静止，整体发灰，最差质量，低质量，JPEG压缩残留，丑陋的，残缺的，多余的手指，画得不好的手部，画得不好的脸部，畸形的，毁容的，形态畸变的肢体，手指融合，静止不动的画面，杂乱的背景，三条腿，背景人很多，倒着走", "clip": ["90", 0]}, "class_type": "CLIPTextEncode"},
      "92": {"inputs": {"vae_name": "wan_2.1_vae.safetensors"}, "class_type": "VAELoader"},
      "93": {"inputs": {"shift": 8, "model": ["116", 0]}, "class_type": "ModelSamplingSD3"},
      "94": {"inputs": {"shift": 8, "model": ["117", 0]}, "class_type": "ModelSamplingSD3"},
      "95": {"inputs": {"add_noise": "disable", "noise_seed": 0, "steps": 4, "cfg": 1, "sampler_name": "euler", "scheduler": "simple", "start_at_step": 2, "end_at_step": 4, "return_with_leftover_noise": "disable", "model": ["94", 0], "positive": ["111", 0], "negative": ["111", 1], "latent_image": ["96", 0]}, "class_type": "KSamplerAdvanced"},
      "96": {"inputs": {"add_noise": "enable", "noise_seed": 42, "steps": 4, "cfg": 1, "sampler_name": "euler", "scheduler": "simple", "start_at_step": 0, "end_at_step": 2, "return_with_leftover_noise": "enable", "model": ["93", 0], "positive": ["111", 0], "negative": ["111", 1], "latent_image": ["111", 2]}, "class_type": "KSamplerAdvanced"},
      "97": {"inputs": {"samples": ["95", 0], "vae": ["92", 0]}, "class_type": "VAEDecode"},
      "99": {"inputs": {"text": "你的正向提示词（英文动作描述）", "clip": ["90", 0]}, "class_type": "CLIPTextEncode"},
      "100": {"inputs": {"fps": 16, "images": ["97", 0]}, "class_type": "CreateVideo"},
      "101": {"inputs": {"unet_name": "wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors", "weight_dtype": "default"}, "class_type": "UNETLoader"},
      "102": {"inputs": {"unet_name": "wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors", "weight_dtype": "default"}, "class_type": "UNETLoader"},
      "110": {"inputs": {"image": "你的首帧图片.png"}, "class_type": "LoadImage"},
      "111": {"inputs": {"width": 640, "height": 640, "length": 81, "batch_size": 1, "positive": ["99", 0], "negative": ["91", 0], "vae": ["92", 0], "start_image": ["110", 0], "end_image": ["112", 0]}, "class_type": "WanFunInpaintToVideo"},
      "112": {"inputs": {"image": "你的尾帧图片.png"}, "class_type": "LoadImage"},
      "116": {"inputs": {"lora_name": "wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors", "strength_model": 1, "model": ["101", 0]}, "class_type": "LoraLoaderModelOnly"},
      "117": {"inputs": {"lora_name": "wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors", "strength_model": 1, "model": ["102", 0]}, "class_type": "LoraLoaderModelOnly"},
      "158": {"inputs": {"filename_prefix": "video/fun_inpaint", "format": "auto", "codec": "auto", "video": ["100", 0]}, "class_type": "SaveVideo"}
    }
  }'

响应：

json

{"prompt_id": "e1f2a3b4-...", "number": 150, "node_errors": {}}

node_errors 为空对象 {} 表示工作流校验通过。如有错误会在此列出。

使用前需修改：

节点	字段	修改为
99	text	你的正向提示词（英文动作描述）
110	image	首帧图片上传返回的 `name` 值
112	image	尾帧图片上传返回的 `name` 值
158	filename_prefix	输出文件名前缀，如 `"video/my_fun_inpaint"`

节点说明

节点 ID	class_type	功能
90	CLIPLoader	加载 Wan 的 CLIP 模型（文本编码器）
91	CLIPTextEncode	负向提示词编码（中文质量排除词）
92	VAELoader	加载 VAE 模型
93	ModelSamplingSD3	高噪声模型采样偏移调整（shift=8）
94	ModelSamplingSD3	低噪声模型采样偏移调整（shift=8）
95	KSamplerAdvanced	后半段采样（去噪，步骤 2→4，低噪声模型）
96	KSamplerAdvanced	前半段采样（加噪，步骤 0→2，高噪声模型）
97	VAEDecode	VAE 解码 latent → 像素帧
99	CLIPTextEncode	正向提示词编码（英文动作描述）
100	CreateVideo	创建视频，设置帧率
101	UNETLoader	加载高噪声 UNet 模型
102	UNETLoader	加载低噪声 UNet 模型
110	LoadImage	加载首帧图片
111	WanFunInpaintToVideo	首尾帧转视频核心节点
112	LoadImage	加载尾帧图片
116	LoraLoaderModelOnly	加载高噪声 LoRA（4 步加速）
117	LoraLoaderModelOnly	加载低噪声 LoRA（4 步加速）
158	SaveVideo	保存视频为 MP4

工作流连接图

LoadImage(110) ──→ WanFunInpaintToVideo(111) ──→ KSamplerHigh(96) ──→ KSamplerLow(95) ──→ VAEDecode(97) ──→ CreateVideo(100) ──→ SaveVideo(158)
LoadImage(112) ──→ │                          │                    │
                    │                          │                    │
CLIPLoader(90) ──→ CLIPTextEncode_Pos(99) ────┤                    │
               └→ CLIPTextEncode_Neg(91) ──────┤                    │
VAELoader(92) ──→ WanFunInpaintToVideo(111)    │                    │
VAELoader(92) ──→ VAEDecode(97)                                      │

UNETLoader(101) → LoRA_High(116) → ModelSamplingSD3(93, shift=8) ──→ KSamplerHigh(96)
UNETLoader(102) → LoRA_Low(117)  → ModelSamplingSD3(94, shift=8) ──→ KSamplerLow(95)

采样流程（两阶段）：

WanFunInpaintToVideo(111) 输出 latent
         │
         ↓
KSamplerAdvanced(96)                    KSamplerAdvanced(95)
├─ add_noise: enable                    ├─ add_noise: disable
├─ model: 高噪声 (shift=8)              ├─ model: 低噪声 (shift=8)
├─ steps: 4                             ├─ steps: 4
├─ start_at_step: 0 → end_at_step: 2    ├─ start_at_step: 2 → end_at_step: 4
├─ return_with_leftover_noise: enable   ├─ return_with_leftover_noise: disable
└─ 输出: 部分去噪的 latent ──────────→  └─ 输出: 完全去噪的 latent ──→ VAEDecode

关键参数

节点	字段	说明	示例值
110	image	首帧图片文件名（需先上传）	`"start.png"`
112	image	尾帧图片文件名（需先上传）	`"end.png"`
99	text	正向提示词（英文动作描述）	`"A cat waking up and stretching"`
111	width / height	视频尺寸	640 × 640
111	length	视频帧数（81帧≈5秒@16fps）	81
100	fps	帧率	16
96	noise_seed	随机种子（不同值生成不同视频）	42
93/94	shift	采样偏移（Fun Inpaint 默认 8）	8
158	filename_prefix	输出文件名前缀	`"video/fun_inpaint"`

输出视频参数

分辨率: 640 × 640
帧数: 81 帧
帧率: 16 fps
时长: 约 5 秒
格式: MP4
输出路径: subfolder=video, type=output

Route B: Check Status

查询队列

bash

curl -s -H "Authorization: Bearer $API_KEY" "$GW/api/v1/ai/queue"

响应：

json

{
  "queue_running": [[150, "e1f2a3b4-...", {...}]],
  "queue_pending": []
}

queue_running 不为空 → 任务正在执行
queue_pending 不为空 → 任务排队等待

查询任务状态

bash

curl -s -H "Authorization: Bearer $API_KEY" "$GW/api/v1/ai/tasks/{prompt_id}"

进行中：

json

{
  "e1f2a3b4-...": {
    "status": {"status_str": "success", "completed": false},
    "outputs": {}
  }
}

已完成：

json

{
  "e1f2a3b4-...": {
    "status": {"status_str": "success", "completed": true},
    "outputs": {
      "158": {
        "images": [{"filename": "fun_inpaint_00001_.mp4", "subfolder": "video", "type": "output"}],
        "animated": [true]
      }
    }
  }
}

视频生成通常需要 30 秒至 2 分钟（取决于 GPU 和队列情况）。

Route C: Download

下载前先从任务状态中获取输出文件信息（filename, subfolder, type），然后通过查看接口下载。

bash

# 下载 MP4 视频（注意 subfolder=video）
curl -s -H "Authorization: Bearer $API_KEY" \
  "$GW/api/v1/ai/image/view/?filename=fun_inpaint_00001_.mp4&subfolder=video&type=output" \
  -o output.mp4

关键点：

视频输出的 subfolder 为 video（不是空字符串）
视频输出的 type 为 output
下载的是 MP4 格式，可直接播放

Python 调用示例

python

import requests
import time

GW = "https://ai.ospreyai.cn"
API_KEY = "sk-your-api-key"
headers = {"Authorization": f"Bearer {API_KEY}"}

# 1. 上传首帧和尾帧图片
def upload_image(path):
    with open(path, "rb") as f:
        resp = requests.post(f"{GW}/api/v1/upload", headers=headers,
                             files={"image": f}, data={"overwrite": "true"})
        name = resp.json()["name"]
        print(f"Uploaded: {name}")
        return name

start_name = upload_image("start.png")
end_name = upload_image("end.png")

# 2. 提交 Fun Inpaint 视频工作流
prompt = {
    "prompt": {
        "90": {"inputs": {"clip_name": "umt5_xxl_fp8_e4m3fn_scaled.safetensors", "type": "wan", "device": "default"}, "class_type": "CLIPLoader"},
        "91": {"inputs": {"text": "色调艳丽，过曝，静态，细节模糊不清，字幕，风格，作品，画作，画面，静止，整体发灰，最差质量，低质量，JPEG压缩残留，丑陋的，残缺的，多余的手指，画得不好的手部，画得不好的脸部，畸形的，毁容的，形态畸变的肢体，手指融合，静止不动的画面，杂乱的背景，三条腿，背景人很多，倒着走", "clip": ["90", 0]}, "class_type": "CLIPTextEncode"},
        "92": {"inputs": {"vae_name": "wan_2.1_vae.safetensors"}, "class_type": "VAELoader"},
        "93": {"inputs": {"shift": 8, "model": ["116", 0]}, "class_type": "ModelSamplingSD3"},
        "94": {"inputs": {"shift": 8, "model": ["117", 0]}, "class_type": "ModelSamplingSD3"},
        "95": {"inputs": {"add_noise": "disable", "noise_seed": 0, "steps": 4, "cfg": 1, "sampler_name": "euler", "scheduler": "simple", "start_at_step": 2, "end_at_step": 4, "return_with_leftover_noise": "disable", "model": ["94", 0], "positive": ["111", 0], "negative": ["111", 1], "latent_image": ["96", 0]}, "class_type": "KSamplerAdvanced"},
        "96": {"inputs": {"add_noise": "enable", "noise_seed": 42, "steps": 4, "cfg": 1, "sampler_name": "euler", "scheduler": "simple", "start_at_step": 0, "end_at_step": 2, "return_with_leftover_noise": "enable", "model": ["93", 0], "positive": ["111", 0], "negative": ["111", 1], "latent_image": ["111", 2]}, "class_type": "KSamplerAdvanced"},
        "97": {"inputs": {"samples": ["95", 0], "vae": ["92", 0]}, "class_type": "VAEDecode"},
        "99": {"inputs": {"text": "A cat waking up, stretching, and looking around", "clip": ["90", 0]}, "class_type": "CLIPTextEncode"},
        "100": {"inputs": {"fps": 16, "images": ["97", 0]}, "class_type": "CreateVideo"},
        "101": {"inputs": {"unet_name": "wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors", "weight_dtype": "default"}, "class_type": "UNETLoader"},
        "102": {"inputs": {"unet_name": "wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors", "weight_dtype": "default"}, "class_type": "UNETLoader"},
        "110": {"inputs": {"image": start_name}, "class_type": "LoadImage"},
        "111": {"inputs": {"width": 640, "height": 640, "length": 81, "batch_size": 1, "positive": ["99", 0], "negative": ["91", 0], "vae": ["92", 0], "start_image": ["110", 0], "end_image": ["112", 0]}, "class_type": "WanFunInpaintToVideo"},
        "112": {"inputs": {"image": end_name}, "class_type": "LoadImage"},
        "116": {"inputs": {"lora_name": "wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors", "strength_model": 1, "model": ["101", 0]}, "class_type": "LoraLoaderModelOnly"},
        "117": {"inputs": {"lora_name": "wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors", "strength_model": 1, "model": ["102", 0]}, "class_type": "LoraLoaderModelOnly"},
        "158": {"inputs": {"filename_prefix": "video/fun_inpaint", "format": "auto", "codec": "auto", "video": ["100", 0]}, "class_type": "SaveVideo"}
    }
}
resp = requests.post(f"{GW}/api/v1/ai/video/generate", headers=headers, json=prompt)
prompt_id = resp.json()["prompt_id"]
print(f"Task submitted: {prompt_id}")

# 3. 轮询任务状态
while True:
    resp = requests.get(f"{GW}/api/v1/ai/tasks/{prompt_id}", headers=headers)
    data = resp.json()
    task = data.get(prompt_id, {})
    status = task.get("status", {})
    if status.get("completed"):
        print("Task completed!")
        break
    print(f"Status: {status.get('status_str', 'unknown')}...")
    time.sleep(5)

# 4. 下载视频
outputs = task.get("outputs", {}).get("158", {})
video_info = outputs.get("images", [{}])[0]
resp = requests.get(f"{GW}/api/v1/ai/image/view/", headers=headers,
                    params={"filename": video_info["filename"],
                            "subfolder": video_info.get("subfolder", ""),
                            "type": video_info.get("type", "output")})
with open("fun_inpaint_output.mp4", "wb") as f:
    f.write(resp.content)
print(f"Downloaded: fun_inpaint_output.mp4 ({len(resp.content)} bytes)")

Route D: Tune Parameters

参数	节点	建议
首帧图片	110	推荐 PNG，清晰度越高越好
尾帧图片	112	推荐 PNG，尺寸应与首帧一致
正向提示词	99 text	英文动作描述效果更稳定，如 `"A butterfly emerging from cocoon and spreading wings"`
负向提示词	91 text	默认可保持，避免修改
视频尺寸	111 width/height	默认 640×640；支持 832×480 等，需为 16 的倍数
视频帧数	111 length	默认 81（≈5s@16fps）；41≈2.5s, 161≈10s
帧率	100 fps	默认 16；视频时长 = length / fps
随机种子	96 noise_seed	不同值生成不同视频；相同种子 + 相同参数可复现
采样步数	95/96 steps	LightX2V 加速模式下固定 4 步，不建议修改
采样偏移	93/94 shift	默认 8；Fun Inpaint 专用值，增大更锐利，减小更平滑

与标准 I2V 工作流的参数差异

参数	标准 I2V (WanImageToVideo)	Fun Inpaint (WanFunInpaintToVideo)
核心节点	WanImageToVideo	WanFunInpaintToVideo
输入图片	仅 start_image	start_image + end_image
采样偏移 shift	5	8
模型文件	相同（wan2.2_i2v_high/low_noise_14B）	相同
LoRA 加速	相同（lightx2v_4steps）	相同
输出	单张图驱动的自由运动	首尾帧约束下的精确过渡

Fun Inpaint vs FirstLastFrameToVideo

特性	Fun Inpaint (本 Skill)	FLF2V (6 关键帧 Skill)
输入帧数	2 帧（首+尾）	6 帧（5 段首尾）
段数	1 段	5 段
每段帧数	81 帧	25 帧/段
输出帧率	16 fps	24 fps
输出分辨率	640×640	720×720
采样偏移	shift=8	shift=5
生成时间	30s-2min	1-5min
适用场景	两张图之间的长过渡	多关键帧串联

Route E: Troubleshoot

问题	排查方法
上传图片失败	检查文件大小（≤50MB）、格式（推荐 PNG）、Bearer Token 是否有效
工作流提交报 `value_not_in_list`	模型文件名不正确，检查 UNet/CLIP/VAE/LoRA 名称是否与服务器一致
工作流提交报 `return_type_mismatch`	节点间连接类型不匹配，检查节点输出→输入的链接是否正确
任务长时间未完成	检查 `/api/v1/ai/queue` 是否有排队任务；GPU 可能忙碌
下载视频返回空	检查 `subfolder` 是否为 `video`（不是空字符串）
首尾帧过渡不自然	检查首尾帧图片风格/构图是否一致，差异过大会导致中间帧质量下降
视频动态不足	正向提示词添加更多动作描述；增大 length 值增加帧数
401 鉴权失败	检查 Bearer Token 是否有效：`curl -H "Authorization: Bearer sk-xxx" $GW/api/v1/ai/queue`
429 请求被限流	AI 接口 10次/分/IP，稍后重试

内网直连 vs 公网网关

	内网直连	公网网关
地址	`192.168.1.236:8188`	`ai.ospreyai.cn`
鉴权	无	`Authorization: Bearer sk-xxx`
上传路径	`/upload/image`	`/api/v1/upload`
提交路径	`/prompt`	`/api/v1/ai/video/generate`
任务查询	`/history/{id}`	`/api/v1/ai/tasks/{id}`
队列查询	`/queue`	`/api/v1/ai/queue`
下载路径	`/view?filename=...`	`/api/v1/ai/image/view/?filename=...&subfolder=video&type=output`
限流	无	10次/分/IP

所需模型文件

类型	文件名	存放目录
Text Encoder	umt5_xxl_fp8_e4m3fn_scaled.safetensors	models/text_encoders/
VAE	wan_2.1_vae.safetensors	models/vae/
Diffusion (高噪声)	wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors	models/diffusion_models/
Diffusion (低噪声)	wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors	models/diffusion_models/
LoRA (高噪声加速)	wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors	models/loras/
LoRA (低噪声加速)	wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors	models/loras/

Verification Checklist

[ ] 首帧图片上传成功，返回 name 值
[ ] 尾帧图片上传成功，返回 name 值
[ ] 工作流提交成功，node_errors 为空
[ ] 任务在 /api/v1/ai/queue 中执行完成
[ ] 任务状态 completed: true，outputs 包含节点 158 的 MP4 文件信息
[ ] 成功下载 MP4 文件（注意 subfolder=video）
[ ] 视频可正常播放，首尾帧过渡自然
[ ] 视频分辨率为 640×640，帧率 16fps

对话式接入 ​

ComfyUI Wan 2.2 Fun Inpaint 首尾帧视频生成 ​

Overview ​

Quick Start ​

Task Routing ​

Route A: Upload & Generate ​

服务信息 ​

基本流程 ​

Step 1: 上传首帧和尾帧图片 ​

Step 2: 提交 Fun Inpaint 视频工作流 ​

节点说明 ​

工作流连接图 ​

关键参数 ​

输出视频参数 ​

Route B: Check Status ​

查询队列 ​

查询任务状态 ​

Route C: Download ​

Python 调用示例 ​

Route D: Tune Parameters ​

与标准 I2V 工作流的参数差异 ​

Fun Inpaint vs FirstLastFrameToVideo ​

Route E: Troubleshoot ​

内网直连 vs 公网网关 ​

所需模型文件 ​

Verification Checklist ​

对话式接入

ComfyUI Wan 2.2 Fun Inpaint 首尾帧视频生成

Overview

Quick Start

Task Routing

Route A: Upload & Generate

服务信息

基本流程

Step 1: 上传首帧和尾帧图片

Step 2: 提交 Fun Inpaint 视频工作流

节点说明

工作流连接图

关键参数

输出视频参数

Route B: Check Status

查询队列

查询任务状态

Route C: Download

Python 调用示例

Route D: Tune Parameters

与标准 I2V 工作流的参数差异

Fun Inpaint vs FirstLastFrameToVideo

Route E: Troubleshoot

内网直连 vs 公网网关

所需模型文件

Verification Checklist