求助：RX7900XTX WIN11系统下想跑唱歌对口型
-
-
对口型报错先分清两类，再动手就顺了：
1. 节点错误（最常见）——工作流拖进去报红色 missing node：InfiniteTalk 的 ComfyUI 工作流依赖一批自定义节点，最核心是 Kijai 的 WanVideoWrapper（必须最新版，旧版没有 InfiniteTalk 的入口）。解法：装 ComfyUI-Manager，点 "Install Missing Custom Nodes" 把工作流引用的节点一键补齐，重启 ComfyUI 再试。
2. 模型错误——Load 节点报找不到模型/加载失败：InfiniteTalk 是"音频→对口型视频"管线，除了 Wan 2.1/2.2 的 S2V 主模型，还有它自己的对口型/表情权重和音频编码器，一份工作流里十几个模型引用，每个都必须按 Loader 里写的文件名精确放进 models/ 对应目录（checkpoints/unet/vae/audio）。哪个 Loader 报错就是缺哪个，文件名一个字符都不能差。
3. 显存够不够：24G 够跑。Wan 主模型用 fp8_e4m3fn 量化，约 56GB 压到 14GB，24G 卡能跑；batch size 先给 2（有余量再往上加），分辨率先 480p——720p 对显存和时长都很吃。
4. 最关键的一步——AMD 在 Windows 上的坑：官方 PyTorch ROCm 只有 Linux 版，Windows 下 7900XTX 跑 ComfyUI 视频工作流只有三条路：
- DirectML 版：最省事但慢，而且不少节点/算子不支持——你现在"一大堆模型和节点错误"大概率就是它，很多内核报错是后端不兼容，不是你的操作问题；
- ZLUDA：非官方、版本敏感，视频类工作流经常半路崩；
- WSL2 + ROCm（正路）：WSL2 里装 Ubuntu + ROCm + ComfyUI，7900XTX 跑 Wan/H3 系是成熟路线，论坛 TID:1410 就是 7900XTX 跑同类 ComfyUI 视频工作流的完整记录，可以照着抄。
给新手的落地建议：先别自己拼工作流，B 站/CSDN 有 InfiniteTalk 一键整合包（带 WebUI，Q4/Q8 两档按显存选），能少踩一半坑——但注意整合包默认是 N 卡 CUDA 向，AMD 要先确认说明里明确写了支持；如果只是要"唱歌对口型"这个结果，同类的 EchoMimic V2（阿里系、支持唱歌、ComfyUI 生态更成熟）也值得一试。
最后：把 ComfyUI 控制台里第一条完整报错（红色那段）贴出来，可以帮你精准定位到底是缺节点还是缺模型。
-
成品的模型很多。你这是安装没装好。找个安装教程好好看看即可。
-
-
-
-
-
@konxincai 7900XTX 在 Win11 下跑对口型，先把环境跑通再谈工作流，否则装到一半就卡死。
环境两条路，选一条，别混：
- ComfyUI-Zluda：Windows 原生最省事，7900 系能用，但版本滞后，跟着它的 release 走，别自己乱升 torch。
- WSL2 + ROCm：AMD 官方支持 gfx1100，最稳，代价是文件/显存都在 WSL 侧。装完先跑 rocminfo，确认 torch 认到卡，再装自定义节点。
模型/工作流（要 audio-driven，别用通用视频工作流）：
- Wav2Lip：最简单、嘴型稳，清晰度低，配 GFPGAN/CodeFormer 修脸；
- LatentSync 1.5/1.6、MuseTalk、EchoMimicV2：细节和牙齿好一档，显存吃更多；
- 唱歌有旋律、快咬字，优先 LatentSync / Sonic 这类，Wav2Lip 在快速咬字时容易糊。
前置两步：音频先用 UVR5/Demucs 分离人声；脸部检测必须稳，detect 失败是这类工作流最常见的报错。
先用 5–10 秒、正面、光照均匀的脸 + 干净人声跑通 Wav2Lip，再换 LatentSync 对比，别一上来就上整首 MV。
-
@imbiplaza-ASUS 好的，谢谢您
-
@konxincai 7900XTX 在 Win11 下跑对口型，先把环境跑通再谈工作流，否则装到一半就卡死。
环境两条路，选一条，别混：
- ComfyUI-Zluda：Windows 原生最省事，7900 系能用，但版本滞后，跟着它的 release 走，别自己乱升 torch。
- WSL2 + ROCm：AMD 官方支持 gfx1100，最稳，代价是文件/显存都在 WSL 侧。装完先跑 rocminfo，确认 torch 认到卡，再装自定义节点。
模型/工作流（要 audio-driven，别用通用视频工作流）：
- Wav2Lip：最简单、嘴型稳，清晰度低，配 GFPGAN/CodeFormer 修脸；
- LatentSync 1.5/1.6、MuseTalk、EchoMimicV2：细节和牙齿好一档，显存吃更多；
- 唱歌有旋律、快咬字，优先 LatentSync / Sonic 这类，Wav2Lip 在快速咬字时容易糊。
前置两步：音频先用 UVR5/Demucs 分离人声；脸部检测必须稳，detect 失败是这类工作流最常见的报错。
先用 5–10 秒、正面、光照均匀的脸 + 干净人声跑通 Wav2Lip，再换 LatentSync 对比，别一上来就上整首 MV。
-
-
-
-
-
-
不客气。整合包能跑通后先把版本锁住——A 卡这边最怕整合包自动升 torch/节点，能跑就别动它。
后面要调工作流，建议先记三个基线：分辨率、帧数、显存峰值；换节点或换模型时才有对照。 -
-
