ComfyUI+Wan2.1本地批量生成电商视频素材实战指南

电商团队做短视频素材，最头疼的往往不是创意，而是产出速度和成本。找个棚拍一组产品视频要大几千，还要配合模特的档期；用在线视频生成工具，排队、限时长、带水印，商用授权还要逐条确认。后来我把整条链路搬到本地：ComfyUI搭节点流，配上Wan2.1视频模型，产品小样一到手，先拍两张照片，再写几段提示词，几条5秒的短视频素材就能批量出稿。这套流程我已经用来做详情页视频、主图视频和口播背景素材了，今天抽时间整理出来，从模型选型、节点连接到两套可直接复用的提示词模板，尽量写成一篇能照着抄的实战记录。

1. 为什么这条流程能落地：Wan2.1的选型逻辑与产出边界

1.1 在线工具和本地模型，我最后选了本地

最初也考虑过可灵、Runway、Pika这类在线视频生成工具。出片质量确实不错，但电商场景有几个硬伤：一是账号体系有次数限制，团队几个人分着用很不够；二是生成结果有没有商业授权风险，尤其品牌方会问版权归属；三是接口排队，高峰时一条素材要等很久，赶活动的时候急死人。本地跑ComfyUI配合Wan2.1之后，这些问题变成了显卡预算和运行时间的取舍，素材全在本地硬盘，想生成多少条就生成多少条，商业内容也不涉及第三方平台条款。

Wan2.1吸引我的另一点是中文语义理解。电商商品描述里有大量“磨砂质感”“暖光氛围”“奶油风背景”这类偏中文审美的词汇，用它写提示词，基本不用先翻译成英文再校正。它还能生成带中文文字的图像和视频，比如包装盒上的品牌名、促销标签上的“新品”二字，国外模型在中文文字上经常写得像乱码，这一点对电商来说太关键了。

不过要明确一个边界：Wan2.1单条视频生成大概5秒钟，不是一上来就能出15秒或30秒成片。所以实际工作流的核心不是“生成一条就交稿”，而是“批量生成多条5秒素材，再在剪辑软件里拼接”，这个思路贯穿后面所有模板。

1.2 1.3B和14B怎么选，低配置不是劝退理由

Wan2.1目前常被拿来用的T2V（文生视频）版本有1.3B和14B两个主力。1.3B参数少，画质偏“玩具感”，但速度快、显存占用低，用来出草稿、做分镜预览完全够用。14B细节强得多，商品材质、人物皮肤质感都在靠谱范围内，只是对显卡要求上了一个台阶。

我自己的显卡是2070S 8G，属于“低配置极限调试”的典型场景。8G显存硬跑14B原版几乎没戏，但用GGUF量化之后的Q4、Q5文件，再把模型加载方式调成CPU offload，480P分辨率也能跑，就是耗时偏长。如果只是找构图、试运镜方向，我会先用1.3B跑草稿，定稿后再用14B出正式素材，这样效率能高不少。

提示：千万不要被“14B”“FP8”“16GB显存”这些词劝退。社区的量化方案已经很成熟，8G卡跑Wan2.1不是玄学，只是要接受“慢一点、分辨率降一点”的代价。0.35.0之后的ComfyUI版本对Wan模型的兼容也明显变好，部署层面不需要太多魔改。

2. 环境与模型：从整合包到GGUF量化文件放置

2.1 部署方式：整合包还是手动部署

对于没接触过ComfyUI的新手，我建议直接找一个打包好的整合包，装好后自带常用插件和启动器，省去Python环境、依赖冲突这些恶心问题。社区里流传的“秋叶整合包”“纯净版”都属于这类，区别只是预置内容和更新策略，本质都是ComfyUI本体加插件加启动器。绘世启动器能管理多版本，切模型、看日志都方便，很适合新手。唯一要注意的是整合包版本需要够新，太老的版本对Wan2.1的节点支持不全。

如果你已经会手动部署，直接用官方Windows便携包加Git拉插件也一样。手动部署的优势是版本干净、升级可控，排查问题的时候不用猜包里的配置被改过什么。两种方式我都试过，最终留下来的是“整合包加手动补丁”，主框架用社区包，新插件单独放入custom_nodes目录管理，这样既有开箱即用的便利，又保留了自己动手排查的余地。

2.2 模型三件套：文本编码器、扩散模型和VAE

Wan2.1不像SD那样一个checkpoint大文件搞定，它在ComfyUI里被拆成三个加载节点，分别对应三类模型文件：

• 文本编码器：umt5-xxl，负责把中文/英文提示词编码成模型能理解的向量，放在ComfyUI目录下的models/text_encoders/。
• 扩散模型主体：也就是真正的“Wan2.1-T2V-14B”，原版可能是FP16或FP8的safetensors文件，GGUF量化版本则以.gguf结尾，放在models/diffusion_models/。
• VAE：负责把潜空间数据解码成像素图像，文件是wan_2.1_vae.safetensors，放在models/vae/。

文件名细节容易踩坑。比如14B模型，原版FP16单个文件就接近30GB，FP8大约16GB，一般下载保存都不方便。GGUF量化按精度分为Q2、Q4、Q5、Q6、Q8等，Q4大概9GB，Q6大概12GB，Q8会回到16GB左右。文件越大细节保留越多，但显存占用和读取速度也跟着上去。做电商正式素材我建议Q8或FP8打底，Q4只适合草稿阶段看看构图思路。

还有一点：GGUF文件必须通过ComfyUI-GGUF插件加载，对应加载节点是UnetLoaderGGUF，不要用普通的DiffusionModelLoader去强行读GGUF，会直接报错。

2.3 不同显卡的推荐组合

我按常见显卡档位整理了一张速查表，避免大家在模型版本上来回试错：

这里的“offload”指的是ComfyUI加载模型时把一部分层放到内存而不是显存，属于牺牲速度换容量的做法。如果跑的时候报“CUDA out of memory”，就优先开offload、把分辨率降到480P，再考虑换更低的量化档位。这三个动作按顺序执行，基本能覆盖大多数爆显存场景。

3. 节点流逐段拆解：从提示词到成片的完整链路

3.1 七个节点的标准连线

在ComfyUI里，一条Wan2.1-T2V工作流本质上就是七个核心节点的连接：

1. UnetLoaderGGUF：加载量化后的14B扩散模型。
2. CLIPLoader：加载umt5-xxl文本编码器。
3. VAELoader：加载Wan2.1专用VAE。
4. WanVideoTextEncode：把正向提示词和反向提示词编码成条件向量。
5. WanVideoEmptyLatent：初始化一段空白视频潜空间，相当于告诉模型“输出视频的分辨率、时长是多少”。
6. KSampler：执行采样，出图的核心步骤。
7. VAEDecode + VideoSave：把潜空间解码成图像帧，再合并保存为mp4视频文件。

连线方式不复杂，需要注意的点只有一个：模型加载的三条线分别去往各自节点——UnetLoaderGGUF的MODEL输出接KSampler的model输入，CLIPLoader的CLIP输出接WanVideoTextEncode的clip输入，VAELoader的VAE输出接VAEDecode的vae输入。只要这三个加载节点接错位置，后面基本全乱。

3.2 提示词节点：中文直接写，括号控制权重

WanVideoTextEncode这个节点有positive和negative两个输入框。positive填画面内容，negative填你想排除的坏东西。Wan2.1的中文理解能力在线，所以电商场景的提示词我全程用中文写，不需要额外翻译插件。写的时候遵循一个主线：先交代主体是谁、在什么环境里，再写动作趋势，最后收在镜头和画质上。

权重控制方面延续了ComfyUI的通用语法，用括号加数字表示强调，比如“（磨砂瓶身:1.3）”。但我的实际经验是，Wan2.1对自然语言本身的顺序更敏感，前几个词往往主导画面主体，位置比权重更重要。所以如果某样东西没出现，优先调整语序而不是盲目加权重。

反向提示词的写法跟SD时代不一样，不用堆几十个负面词。Wan2.1本身画面干净程度不错，写“模糊，低分辨率，变形，多余手指，闪烁，水印，杂乱背景”这一行就够用。个别情况下画面里出现多余文字或奇怪logo，再加“文字混乱”或“logo”进去就行。

3.3 采样参数：步数、CFG、采样器和种子

Wan2.1的采样参数不能照搬SDXL的习惯，我试过几次之后固定下来一套比较顺的参数：

• 步数：20到30。20步能出可看的画面，30步细节更饱满，电商正式稿我会用28到30。不要超过40步，收益很小，等待时间却拉长很多。
• CFG：3.5到5。这个是Wan2.1最容易翻车的地方，CFG超过6之后画面会出现明显的过曝、颜色怪异和闪烁。我常年用4.0，偶尔用4.5。
• 采样器与调度器：euler加simple是保守起见不出错的组合；追求更细腻的质感可以换uni_pc，速度差不多，但个别场景下画面更润。
• seed：固定种子号，可以复现同一画面；改动种子，得到的是同一提示词下的另一个随机结果。

之所以强调seed，是因为做电商系列素材时，我通常把主体描述词固定，只改动作和背景，再用同一个seed去跑，出来的几条素材在色调、主体神态上会比较统一，后期拼接不会出现“前一条是冷调、后一条是暖调”的割裂感。反过来，如果希望同一条提示词出几条不同运镜素材，就要把seed改掉。

3.4 帧数和分辨率：5秒素材是怎么算出来的

WanVideoEmptyLatent节点里需要设置width、height和length。length就是总帧数，Wan2.1 T2V默认生成80帧左右，按16fps算刚好是5秒。我通常设length=80，不做更高帧率。16fps对电商短视频来说已经够用，画质流畅度没有明显问题，还能省显存。

分辨率方面，480x720和720x1280是两种常用竖屏尺寸。8G卡跑480P比较从容，16G卡可以直接上720P。480P的素材我会在剪辑软件里做超分到1080P，日常信息流短视频的画质完全能打，不用非在ComfyUI里硬顶高分辨率，那样对显存的需求几乎是平方级上涨。

注意：视频生成对显存的波动很敏感，跑长帧或高分辨率时，不要同时开着大量占显存的软件，很容易在最后解码阶段直接“炸显存”导致整个工作流白跑。我跑素材的时候习惯把用不到的软件都关掉，省心很多。

4. 电商模板直接用：人物口播、商品特写与首帧进阶

4.1 六要素提示词公式

电商短视频的提示词看起来千变万化，拆到底就是六个维度：

• 主体描述：商品或人物的外观、材质、颜色。
• 场景环境：背景、桌面、道具。
• 镜头运动：推近、拉远、环绕、俯拍。
• 动作趋势：旋转、拿起、倒水、看镜头。
• 光影风格：棚拍柔光、窗边自然光、冷调、暖调。
• 画质限定：真实感、超高清、商业产品摄影等。

把这六个维度填好，一条可用的提示词基本就成型了。下面给两套我实际在用的模板，商品描述词打上占位符，直接替换就能跑。

4.2 人物口播模板：给直播间和详情页做动态背景

电商人物口播视频，核心诉求是“人自然、动作清晰、背景干净”。我常用的正向提示词是这样的：

一个二十八岁左右的中国女性，黑色长发扎成低马尾，身穿米白色针织衫，坐在浅灰色纯色背景前，面对镜头自然微笑，眼神看向镜头，右手轻握一款白色护肤精华瓶，缓慢举起并旋转展示瓶身，嘴唇轻微张合做出说话姿态，柔和的棚拍灯光，皮肤质感细腻，背景虚化，浅景深，电影感画面，超高清。

反向提示词：模糊，低分辨率，变形，多余手指，面部扭曲，闪烁，水印，杂乱背景，文字混乱。

这里有个必须提醒的点：Wan2.1生成的视频没有声音，“人在说话”的动作只能靠口型微微张合来暗示，做不到真正对口型的配音。所以我通常不会把生成的口播片段当作正片使用，而是把它用作直播间背景动态素材，或者详情页顶部的氛围视频。真正需要产品讲解口播时，还是建议实拍人脸加后期剪辑配音，AI素材当作辅助背景和封面素材，这样商业风险也小。

4.3 商品特写模板：主图视频和详情页素材

商品特写是电商短视频里最有性价比的场景，因为不需要人物，主体单一，提示词更容易控。我的默认模板：

一款黑色入耳式蓝牙耳机，磨砂外壳，放在浅白色大理石桌面上，产品居中构图，镜头从桌面高度缓缓推进，耳机表面反射出柔和的窗边自然光，背景大面积虚化，冷色调，商业产品摄影风格，超高清细节，质感真实。

要出不同风格时，改几个词就行：背景换深黑色适合高端数码产品，换奶油色背景适合美妆个护；灯光从自然光改成“柔光箱棚拍”会显得更加干净。同一提示词多跑几个seed，选两条运镜最好的，素材库直接扩容。

再补一个带道具的变体思路：如果商品是饮品或小零食，可以把“一只透明玻璃杯”“木质托盘”这类小道具加进场景环境里。道具一多，画面层次感马上就出来了，电商详情页常用的“氛围感摆拍”风格就是这么来的。

4.4 进阶玩法：用商品实拍图做首帧，保证“就是这件商品”

纯文生视频有个天然问题：生成的商品是“模型想象中的商品”，跟实际发货的商品细节不一样。电商主图视频如果挂出来一个和实物包装、颜色都有出入的画面，消费者很容易投诉。我推荐用Wan2.1的I2V（图生视频）模式来解决。

做法是：先用手机拍一张商品图，白底或浅色底都行，简单裁切后导入工作流，用WanVideoImageEncode节点编码这张图作为起始帧，提示词只描述镜头运动和光影变化，比如“镜头缓缓推进，产品保持在画面中心，周围光线均匀，轻微环绕运镜”。这样生成出来的5秒短视频，商品从材质到颜色都和实拍图一致，商品本身不会跑偏，只有镜头在动。这个方案我现在用得最多，详情页主图视频基本都走这条路。

5. 踩坑实录：显存不足、崩脸、闪烁与文字乱码

5.1 显存不足（CUDA out of memory）

爆显存是Wan2.1本地部署遇到最多的报错。我的排查顺序是：先看分辨率，720P改480P，这一条就能解决大部分问题；再看模型加载方式，把offload开启，让一部分层放到内存；最后看量化档位，从Q8降到Q6、Q5。这三个动作做完还没解决，那就要怀疑是不是同时跑着太多其他程序占显存了。

另外有一个很容易忽略的点：ComfyUI里如果有其他工作流遗留的节点或历史加载，切换模型后显存不一定完整释放。遇到连续爆显存，最干脆的方法是重启ComfyUI进程，重开工作流再跑，比反复调参数更省时间。

5.2 人物脸部崩、主体形态怪异

这类问题在量化版本上更常见，核心原因是量化精度损失加上提示词描述不够聚焦。我的处理方案：先把CFG降到4.0，检查采样步数是否在25以上，再衡量是否把模型升到Q6以上档位。如果画面里同时出现多个人物或多个商品，试着把提示词精简到只有一个主体、一个动作，Wan2.1对“多主体自然交互”的支持还在发展阶段，复杂场景很容易画出多余肢体或错位关系。

5.3 画面闪烁或颜色不对劲

画面闪烁大概率是CFG过高。Wan2.1的CFG一旦超过6，亮部和暗部会像呼吸灯一样反复波动，降回4.0基本能解决。其次是VAE文件不匹配，一定要确认加载的是Wan2.1专用VAE，混用其他模型的VAE会直接导致色彩断层和闪烁。颜色不对劲还要检查是不是量化档位过低，比如Q2、Q3档在暗部容易出现色块，正式素材尽量别用太低档。

5.4 商品上的文字乱码

电商素材经常需要产品包装上有品牌名或“新品”“限时优惠”这类中文文字。Wan2.1能生成一些短小的中文词语，但复杂排版、多个文字组合时依然会乱码。我的处理习惯是：需要精确文案的地方全部留给剪辑软件叠加文字图层；提示词里只保留简单的包装标签，比如“瓶身印有‘新品’二字”这种短词。这样既利用了模型的中文能力，又不会在正式商用素材里出现一坨读不通的乱码。

5.5 其他容易被忽略的小坑

视频保存节点依赖ffmpeg，如果VideoSave报错，先检查ComfyUI自带的ffmpeg是否正常，或者单独装一个ffmpeg并加入环境变量。负向提示词里不要写“无文字”这类矛盾的描述，反而容易让模型在画面上强行生成奇怪字符。工作流保存建议直接导出为json备份，节点一多改动频繁，没备份随便调坏一个参数，恢复时要来回对照，很浪费时间。

我在实际操作中还有一个习惯：每个商品建立一个小文件夹，里面放商品实拍图、跑过的seed号、prompt文本和生成视频。下次客户要“跟上次差不多但换个背景”的素材，直接把旧seed翻出来，改背景描述词重新跑，出来的效果往往比其他方案快一倍。这套流程用到现在，最大的感受是“能批量出稿”比“单条精修”重要得多，AI视频素材的快鱼吃慢鱼逻辑，靠的就是把重复劳动压缩成模板化生产。希望这篇记录能帮你少走几个弯路，有更好用的模板也欢迎一起交流。