EchoMimicV2-ComfyUI 插件完整新手教程

1. 插件简介

EchoMimicV2-ComfyUI 是一个专门为 ComfyUI 开发的插件，它就像是一个"会说话的照片制作器"。这个插件能够让你输入一张人物照片和一段音频，然后生成一个看起来像这个人在说话的视频。

插件原地址： https://github.com/AIFSH/EchoMimicV2-ComfyUI

主要功能： - 把静态照片变成会说话的视频 - 支持自定义手势动作 - 可以处理长时间的音频而不会占用太多电脑内存 - 支持分段处理，就像把一个大任务分成小任务来完成

2. 如何安装

方法一：通过 ComfyUI 管理器安装（推荐）

1. 打开 ComfyUI
2. 点击"管理器"按钮
3. 在搜索框输入"EchoMimicV2"
4. 找到插件后点击"安装"
5. 重启 ComfyUI

方法二：手动安装

1. 找到你的 ComfyUI 文件夹
2. 进入 custom_nodes 文件夹
3. 在这里打开命令行（Windows用户按住Shift键右键点击空白处，选择"在此处打开命令行"）
4. 输入：git clone https://github.com/AIFSH/EchoMimicV2-ComfyUI.git
5. 等待下载完成后重启 ComfyUI

3. 节点逐一解析

3.1 EchoMimicV2LoadModel 节点（模型加载器）

这个节点就像是一个"工具箱管理员"，它的作用是把做视频需要的所有工具都准备好。

3.1.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 模型路径 | model_path | 文本路径 | 默认路径 | 告诉电脑模型文件放在哪里，就像告诉朋友你家地址一样 | 指定模型文件存储的目录路径 | 通常不用改，用默认的就行 | | 使用GPU | use_gpu | True/False | True | 决定是用显卡还是CPU来工作，显卡速度快很多 | 选择是否使用GPU加速推理 | 有独立显卡选True，没有选False | | 精度模式 | precision | fp16/fp32 | fp16 | 选择计算精度，fp16省内存但稍微不准确，fp32准确但费内存 | 设置模型运行的浮点精度 | 显存不够选fp16，显存充足选fp32 |

3.2 EchoMimicV2ImageEncoder 节点（图片编码器）

这个节点就像是一个"照片分析师"，它会仔细观察你输入的照片，记住人物的脸部特征、表情等信息。

3.2.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 输入图片 | input_image | 图片 | - | 你要制作说话视频的那张照片 | 需要处理的源图像 | 拖拽一张清晰的人物正面照 | | 图片尺寸 | image_size | 数字 | 512 | 处理图片的大小，越大越清晰但越慢 | 输入图像的分辨率大小 | 512适合大多数情况 | | 裁剪模式 | crop_mode | center/face | face | 决定怎么裁剪图片，face会自动找人脸 | 图像裁剪的方式 | 选face让系统自动找人脸 |

3.3 EchoMimicV2AudioEncoder 节点（音频编码器）

这个节点就像是一个"声音分析师"，它会听你的音频，分析出说话的节奏、语调等信息。

3.3.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 输入音频 | input_audio | 音频文件 | - | 你想让照片里的人"说"的那段话 | 需要处理的音频文件 | 上传一段清晰的语音文件 | | 采样率 | sample_rate | 数字 | 16000 | 音频质量设置，数字越大质量越好但文件越大 | 音频采样频率 | 16000适合语音，22050适合音乐 | | 音频长度 | audio_length | 数字 | 自动 | 音频的总时长，通常自动检测 | 音频文件的持续时间 | 让系统自动检测就行 |

3.4 EchoMimicV2MotionGenerator 节点（动作生成器）

这个节点就像是一个"动作导演"，它会根据音频的节奏来决定人物的嘴巴、头部应该怎么动。

3.4.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 动作强度 | motion_intensity | 0.0-2.0 | 1.0 | 控制人物动作的夸张程度，数字越大动作越明显 | 动作幅度的缩放系数 | 1.0正常，1.5比较夸张，0.5比较含蓄 | | 头部动作 | head_motion | True/False | True | 决定头部是否跟着说话一起动 | 是否启用头部运动 | 想要自然效果就选True | | 眼部动作 | eye_motion | True/False | True | 决定眼睛是否有眨眼等动作 | 是否启用眼部运动 | 选True让眼睛更生动 | | 嘴部同步 | mouth_sync | True/False | True | 决定嘴巴动作是否和声音同步 | 是否启用口型同步 | 必须选True，否则口型对不上 |

3.5 EchoMimicV2VideoGenerator 节点（视频生成器）

这个节点就像是一个"视频剪辑师"，它把前面分析的图片信息、音频信息、动作信息组合起来，生成最终的说话视频。

3.5.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 视频帧率 | fps | 数字 | 25 | 每秒有多少张图片，数字越大视频越流畅 | 视频的帧率设置 | 25适合网络传播，30更流畅 | | 视频质量 | video_quality | low/medium/high | medium | 视频的清晰度，high最清晰但最慢 | 视频编码质量 | medium平衡质量和速度 | | 输出格式 | output_format | mp4/avi/mov | mp4 | 生成视频的格式 | 视频文件的编码格式 | mp4兼容性最好 | | 分片处理 | chunk_processing | True/False | True | 是否把长视频分成小段处理，省内存 | 是否启用分片推理 | 音频长建议选True | | 分片长度 | chunk_length | 数字 | 10 | 每个小段的长度（秒） | 每个分片的时长 | 10秒适合大多数情况 |

3.6 EchoMimicV2GestureControl 节点（手势控制器）

这个节点就像是一个"手势指导员"，它可以让你自定义人物的手势动作。

3.6.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 手势类型 | gesture_type | none/wave/point/thumbs_up | none | 选择要添加的手势类型 | 预设的手势动作类型 | 根据内容选择合适的手势 | | 手势时机 | gesture_timing | 时间点列表 | 空 | 在什么时候做手势（秒） | 手势出现的时间点 | 比如在第5秒、第10秒做手势 | | 手势强度 | gesture_strength | 0.0-1.0 | 0.8 | 手势动作的明显程度 | 手势动作的强度 | 0.8比较自然，1.0很夸张 | | 自定义手势 | custom_gesture | 文件路径 | 空 | 如果有自己的手势文件可以上传 | 自定义手势动作文件 | 高级用户可以自己制作手势 |

3.7 EchoMimicV2Preview 节点（预览器）

这个节点就像是一个"小窗口"，让你在生成完整视频之前先看看效果。

3.7.1 参数详解

| 参数名 (UI显示) | 参数名 (代码里) | 参数值 | 建议值 | 通俗解释 (能干嘛的) | 专业解释 | 怎么用/举个例子 | | :— | :— | :— | :— | :— | :— | :— | | 预览长度 | preview_length | 数字 | 5 | 预览视频的长度（秒） | 预览视频的时长 | 5秒够看效果了 | | 预览质量 | preview_quality | low/medium | low | 预览的清晰度，low速度快 | 预览视频的质量 | low就够了，主要看效果 | | 自动播放 | auto_play | True/False | True | 生成后是否自动播放 | 是否自动播放预览 | True方便快速查看效果 |

4. 使用技巧和建议

4.1 照片选择技巧

• 选择正面照片效果最好，就像证件照那样
• 照片要清晰，不要模糊
• 背景简单干净更好
• 人物表情自然，不要有太夸张的表情

4.2 音频准备建议

• 声音要清晰，没有杂音
• 语速适中，不要太快或太慢
• 音量适中，不要太大声或太小声
• 支持多种格式：wav、mp3、m4a等

4.3 参数调整心得

• 第一次使用建议都用默认值
• 如果动作太夸张，降低"动作强度"
• 如果嘴型对不上，检查"嘴部同步"是否开启
• 内存不够时开启"分片处理"

4.4 性能优化建议

• 有独立显卡的用户选择"使用GPU"
• 内存小于8GB的用户选择fp16精度
• 长音频建议开启分片处理
• 预览时用低质量，正式生成用高质量

5. 常见问题解答

5.1 安装相关问题

Q: 安装后找不到节点怎么办？ A: 重启ComfyUI，如果还是没有，检查插件是否正确安装在custom_nodes文件夹中。

Q: 提示缺少依赖包怎么办？ A: 在插件文件夹中找到requirements.txt，用pip install -r requirements.txt安装。

5.2 使用相关问题

Q: 生成的视频嘴型对不上怎么办？ A: 检查音频质量，确保"嘴部同步"开启，尝试调整"动作强度"。

Q: 视频生成很慢怎么办？ A: 开启GPU加速，使用fp16精度，降低视频质量设置。

Q: 提示内存不够怎么办？ A: 开启"分片处理"，降低"分片长度"，使用fp16精度。

Q: 生成的视频人物动作不自然怎么办？ A: 调整"动作强度"到0.8左右，确保输入照片是正面清晰照片。

5.3 技术相关问题

Q: 支持哪些图片格式？ A: 支持jpg、png、bmp等常见格式，推荐使用jpg格式。

Q: 音频文件太大怎么办？ A: 可以先用音频编辑软件压缩，或者开启分片处理。

Q: 可以批量处理吗？ A: 目前主要支持单个处理，批量处理需要自己搭建工作流。

6. 进阶使用技巧

6.1 自定义手势制作

如果你想制作自己的手势动作，可以： 1. 录制手势视频 2. 使用动作捕捉软件提取关键点 3. 保存为插件支持的格式 4. 在"自定义手势"中上传使用

6.2 多人对话制作

想制作多人对话视频： 1. 分别为每个人制作说话视频 2. 使用视频编辑软件合并 3. 注意时间轴对齐

6.3 长视频制作优化

制作长视频时： 1. 开启分片处理 2. 适当降低质量设置 3. 定期清理缓存文件 4. 监控内存使用情况

这个插件就像是给照片施了魔法，让静态的照片变成了会说话的视频。虽然刚开始可能觉得复杂，但按照这个教程一步步来，你很快就能制作出让朋友们惊叹的说话视频了！

记住，熟能生巧，多试几次就能掌握各种技巧，创作出更棒的作品！