ComfyUI+Sonic实战，三步实现图片开口说话

在 AI 多模态技术爆发的今天，如何让静态图片“开口说话”成为热门课题。Sonic模型通过图像+音频驱动数字人视频生成，在视频质量、唇部同步精度、运动多样性和时间连贯性方面显著提升。

ComfyUI作为节点式工作流工具，能将这一过程简化为可视化操作。两者结合后，开发者在OneThingAI平台上只需 3 步即可实现：

1. 上传人物照片

支持正面 / 侧面高清肖像

2. 输入语音文件

支持 WAV/MP3 等格式

3. 一键生成视频

自动匹配口型与动作

环境搭建与模型准备

1. 云平台部署

登录OneThingAI控制台，选择ComfyUI官方镜像，如配置RTX 4090显卡，实测生成一分钟的视频需要20分钟左右。

2. 模型&节点

下载Sonic模型并安装到对应路径下

• 关键模型说明

unet.pth  |  核心生成网络  |  Sonic仓库

yoloface v5m.pt  |  人脸检测模型  |  LeonJoe13/Sonic 仓库

svd xt 1 1.safetensors  |  动态视频扩散模型  |  hugging face

• Sonic模型地址

模型下载：https://gitcode.com/gh_mirrors/co/ComfyUI_Sonic

节点下截：https://gitcode.com/gh_mirrors/sonic5/Sonic

安装路径：/root/ComfyUI/models/

• Svd模型地址

模型下载：https://huggingface.co/vdo/stable-video-diffusion-img2vid-xt-1-1/blob/main/svd_xt_1_1.safetensors

安装路径：/root/ComfyUI/models/checkpoints/

注：以上可通过ComfyUI镜像中的下载器下载，如下图所示

3. Sonic节点下载步骤

在ComfyUI管理器 → 节点管理 → 搜索Sonic → 下载相关节点 → 下载完成后点击【重启】实例。如下图所示

工作流搭建与参数调整

1.工作流

上传图片和音频即可生成视频。如下图所示：

2. 关键参数详解

duration  |  1-600 秒  |  控制视频总时长

min resolution  |  384-1024  |  调整视频最短边分辨率

motion scale  |  0.5-2.0  |  控制数字人动作幅度

face_padding  |  0-0.3  |  人脸裁剪留白比例

通过ComfyUI与Sonic的结合，我们借助OneThingAI算力云平台可实现从静态图片到动态数字人的全流程自动化。