分享一下清华大学最近开源的CogVideoX-5b-I2V图片生成视频的模型，这个模型可以将一张图像作为背景输入，结合提示词一起生成视频，比文本生成视频具有更强的可控性，根据官方的介绍，采用bf16 精度进行推理，单卡只需要5G显存即可以愉快的玩耍，让我们本地部署一下

• 在线体验：https://huggingface.co/spaces/THUDM/CogVideoX-5B-Space

• Github：https://github.com/THUDM/CogVideo

• 模型权重：https://huggingface.co/THUDM/CogVideoX-5b-I2V

ComfyUI插件安装

目前管理器已经有两款插件支持，我们可以使用KJ大佬的插件

插件地址：kijai/ComfyUI-CogVideoXWrapper (github.com)

模型下载

然后我们需要下载模型，如果你网络通畅运行工作流会自动下载模型，如果你是手动下载就放到一下文件夹内即可

模型CogVideoX-5b-I2V：https://huggingface.co/THUDM/CogVideoX-5b-I2V

模型放置位置：

你需要把全部文件下载至下图的路径中

工作流说明

插件作者已经提供了示例的工作流，我测试使用的是I2V的工作流，也就是图像转视频

工作流需自己修改的地方：

T5模型就是Flux常用的那个Clip模型，下载地址，大家选择fp8的就可以：https://huggingface.co/comfyanonymous/flux_text_encoders/tree/main

目前只支持720* 480 的尺寸，所以有个图像缩放节点。下载模型的精度排的越后精度越高，性能要求更大，我这里测试的是bf16 的精度

github也有对模型和精度进行介绍，大家也可以参考一下

视频效果

网站不能上传视频，所以这边就放点Gif，Gif画质会有很大压缩，所以大家主要看看运动的效果，实际ComfyUI生成的画质会好得多

更多示例大家可以去github首页看官方发布的参考视频，效果都挺不错的