# ComfyUI: Korean 내장 노드 (Built-in Nodes) 노드 Model Conditioning

## Conditioning

- [AudioEncoderEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/AudioEncoderEncode.md): AudioEncoderEncode 노드는 오디오 인코더 모델을 사용하여 오디오를 인코딩된 표현으로 변환합니다. 오디오 인코더와 오디오 입력을 받은 다음, 오디오에서 파형과 샘플 레이트를 추출하여 인코더에 전달함으로써 인코딩된 출력을 생성합니다.
- [CLIPSetLastLayer - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipSetLastLayer.md): CLIP Set Last Layer는 CLIP 모델의 처리 깊이를 제어하기 위한 ComfyUI의 핵심 노드입니다. 사용자는 CLIP 텍스트 인코더가 처리를 중단하는 위치를 정밀하게 제어할 수 있으며, 이는 텍스트 이해의 깊이와 생성된 이미지의 스타일 모두에 영향을 줍니다. 원본 CLIP 모델은 변경되지 않습니다. 노드
- [CLIPTextEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncode.md): CLIP 모델을 사용하여 텍스트 프롬프트를 임베딩으로 인코딩합니다. 이 임베딩은 디퓨전 모델이 특정 이미지를 생성하도록 유도하는 데 사용할 수 있습니다.
- [CLIPTextEncodeControlnet - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CLIPTextEncodeControlnet.md): CLIP Text Encode (Controlnet) 노드는 CLIP 모델로 텍스트 프롬프트를 인코딩하고, 그 결과로 생성된 텍스트 인코딩을 기존 컨디셔닝 데이터에 추가합니다. 이 노드는 텍스트 임베딩을 각 컨디셔닝 항목 내부에 controlnet 크로스 어텐션 매개변수로 저장하므로, 반환되는 컨디셔닝은 해당 추가 con
- [CLIPVisionEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipVisionEncode.md): CLIP Vision Encode 노드는 ComfyUI의 이미지 인코딩 노드로, CLIP Vision 모델을 통해 입력 이미지를 시각적 특징 벡터로 변환합니다. 이 노드는 이미지와 텍스트 이해를 연결하는 중요한 브릿지 역할을 하며, 다양한 AI 이미지 생성 및 처리 워크플로우에서 널리 사용됩니다.
- [InpaintModelConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/InpaintModelConditioning.md): InpaintModelConditioning 노드는 인페인팅 모델을 위한 컨디셔닝 프로세스를 용이하게 하도록 설계되어, 다양한 컨디셔닝 입력을 통합 및 조작하여 인페인팅 출력을 맞춤화할 수 있도록 합니다. 특정 모델 체크포인트 로드, 스타일 또는 컨트롤 넷 모델 적용부터 컨디셔닝 요소 인코딩 및 결합에 이르기까지 광범위한
- [NormalizeVideoLatentStart - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/NormalizeVideoLatentStart.md): 이 노드는 비디오 레이턴트의 처음 몇 프레임을 이후에 오는 프레임과 더 유사하게 보이도록 조정합니다. 비디오 뒤쪽의 참조 프레임 집합에서 평균과 변동을 계산하고, 동일한 특성을 시작 프레임에 적용합니다. 이는 시작 프레임과 비디오의 나머지 부분 사이의 차이를 줄여 더 매끄럽고 일관된 전환을 만드는 데 도움이 됩니다.
- [PiDConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PiDConditioning.md): latent와 degradesigma 값을 CONDITIONING에 첨부하여 PiD 디코딩 또는 업스케일링에 사용할 수 있게 합니다. 이를 통해 latent가 처리되기 전에 얼마나 열화될지 제어할 수 있습니다.
- [ReferenceLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ReferenceLatent.md): 이 노드는 편집 모델의 가이드 latent를 설정합니다. conditioning 데이터와 선택적 latent 입력을 받은 다음, conditioning을 수정하여 참조 latent 정보를 포함시킵니다. 모델이 이를 지원하는 경우, 여러 Set Reference Latent 노드를 연결하여 여러 참조 이미지를 설정할 수 있
- [ReferenceTimbreAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ReferenceTimbreAudio.md): 이 노드는 "ace step 1.5" 프로세스의 참조 오디오를 설정합니다. conditioning 입력과 선택적으로 오디오의 잠재 표현을 받은 다음, 해당 잠재 데이터를 conditioning에 연결하여 이후 노드에서 참조 오디오 음색 잠재 표현으로 사용할 수 있게 합니다. 이 노드는 실험적(experimental
- [SaveConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SaveConditioning.md): 이 노드는 단일 컨디셔닝을 safetensors 파일로 출력 폴더에 저장합니다. 저장된 파일은 models/embeddings 폴더로 이동할 수 있으며, 나중에 Load Conditioning으로 불러올 수 있습니다. 예를 들어 텍스트 인코더를 건너뛰는 데 사용할 수 있습니다. 이 노드는 컨디셔닝을 변경하지 않고 그대로
- [SeedVR2Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SeedVR2Conditioning.md): SeedVR2 모델과 함께 사용하기 위해 VAE latent로부터 긍정 및 부정 컨디셔닝을 생성합니다. 입력 latent와 모델 구조를 검증하고, latent에 마스크 채널을 추가한 뒤 두 컨디셔닝 출력을 반환합니다.
- [StyleModelApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StyleModelApply.md): 이 노드는 스타일 모델을 주어진 컨디셔닝에 적용하여, CLIP 비전 모델의 출력을 기반으로 스타일을 강화하거나 변경합니다. 스타일 모델의 컨디셔닝을 기존 컨디셔닝에 통합하여, 생성 과정에서 스타일이 자연스럽게 혼합되도록 합니다.
- [T5TokenizerOptions - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/T5TokenizerOptions.md): Documentation for T5TokenizerOptions node.
- [unCLIPConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/unCLIPConditioning.md): 이 노드는 CLIP 비전 출력을 컨디셔닝 과정에 통합하여, 지정된 강도 및 노이즈 증강 매개변수에 따라 이러한 출력의 영향을 조정합니다. 시각적 맥락으로 컨디셔닝을 풍부하게 하여 생성 과정을 향상시킵니다.

### Ace

- [TextEncodeAceStepAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeAceStepAudio.md): TextEncodeAceStepAudio 노드는 태그와 가사를 토큰으로 결합한 다음 조정 가능한 가사 강도로 인코딩하여 오디오 컨디셔닝을 위한 텍스트 입력을 처리합니다.
- [TextEncodeAceStepAudio1.5 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeAceStepAudio1.5.md): TextEncodeAceStepAudio1.5 노드는 AceStepAudio 1.5 모델에서 사용할 텍스트 및 오디오 관련 메타데이터를 준비합니다. 설명 태그, 가사, 음악 매개변수를 입력받은 다음 CLIP 모델을 사용하여 오디오 생성에 적합한 컨디셔닝 형식으로 변환합니다.

### Autoregressive

- [ARVideoI2V - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ARVideoI2V.md): 이 노드는 Causal Forcing 또는 Self-Forcing을 사용하는 AR(Auto-Regressive) 비디오 모델을 위한 이미지-투-비디오 생성 설정을 준비합니다.

### Bernini

- [BerniniConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/BerniniConditioning.md): BerniniConditioning 노드는 Wan2.2-A14B 모델을 위한 비디오 및 이미지 컨디셔닝 데이터를 준비합니다. 제공된 VAE를 사용하여 소스 비디오, 참조 비디오 및 참조 이미지를 인코딩한 후, 이를 컨텍스트 내 토큰으로 컨디셔닝 데이터에 첨부합니다. 작업은 연결된 입력에서 자동으로 유추됩니다.

### Boogu

- [TextEncodeBooguEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeBooguEdit.md): 이 노드는 Boogu를 사용한 이미지 편집을 위한 컨디셔닝을 준비합니다. 참조 이미지를 처리하여 긍정 및 부정 컨디셔닝 출력을 모두 생성합니다. 참조 이미지는 두 번 사용됩니다. 이미지의 비전 토큰은 편집 명령을 증폭하기 위해 긍정 컨디셔닝에만 추가되는 반면, VAE 참조 잠재 변수는 긍정 및 부정 컨디셔닝 모두에 추가되

### Controlnet

- [ControlNetApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetApply.md): ControlNet을 사용하려면 입력 이미지의 전처리가 필요합니다.
- [ControlNetApplyAdvanced - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetApplyAdvanced.md): 이 노드는 이미지와 컨트롤 넷 모델을 기반으로 컨디셔닝 데이터에 고급 컨트롤 넷 변환을 적용합니다. 컨트롤 넷이 생성 콘텐츠에 미치는 영향력을 세밀하게 조정하여 컨디셔닝에 대한 보다 정밀하고 다양한 수정을 가능하게 합니다.
- [ControlNetApplySD3 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetApplySD3.md): 이 노드는 Stable Diffusion 3 컨디셔닝에 ControlNet 가이던스를 적용합니다. 긍정(positive) 및 부정(negative) 컨디셔닝 입력과 ControlNet 모델 및 이미지를 받아 강도와 타이밍 매개변수를 조절하여 제어 가이던스를 적용함으로써 생성 과정에 영향을 줍니다.
- [ControlNetInpaintingAliMamaApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ControlNetInpaintingAliMamaApply.md): ControlNetInpaintingAliMamaApply 노드는 긍정 및 부정 컨디셔닝을 제어 이미지 및 마스크와 결합하여 인페인팅 작업을 위한 ControlNet 컨디셔닝을 적용합니다. 입력 이미지와 마스크를 처리하여 생성 과정을 안내하는 수정된 컨디셔닝을 생성하며, 이미지의 어느 영역을 인페인팅할지 제어할 수 있도록
- [SetUnionControlNetType - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SetUnionControlNetType.md): The SetUnionControlNetType 노드를 사용하면 컨트롤 네트워크가 사용할 컨트롤 유형을 선택할 수 있습니다. 기존 컨트롤 네트워크를 입력받아 선택한 컨트롤 유형이 적용된 수정된 복사본을 생성하며, 원본 컨트롤 네트워크는 변경되지 않습니다. "auto"를 선택하면 저장된 컨트롤 유형이 지워져 유형을 자동으로

### Cosmos

- [CosmosImageToVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CosmosImageToVideoLatent.md): CosmosImageToVideoLatent 노드는 입력 이미지에서 비디오 잠재 표현을 생성합니다. 요청된 너비, 높이 및 프레임 수로 빈 비디오 잠재를 만든 다음 선택적으로 시작 이미지를 시작 프레임에 인코딩하거나 종료 이미지를 종료 프레임에 인코딩합니다. 이미지가 제공되면 인코딩된 프레임이 생성 중에 고정되도록 노이즈
- [CosmosPredict2ImageToVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CosmosPredict2ImageToVideoLatent.md): Cosmos Predict2 이미지-투-비디오 워크플로를 위한 비디오 latent를 생성합니다. 이 노드는 지정된 크기와 길이의 빈 비디오 latent를 생성하거나, 인코딩된 시작 및/또는 종료 이미지를 시퀀스에 삽입하여 생성 중 해당 프레임이 유지되도록 할 수 있습니다. 제공된 이미지는 요청된 width와 heig

### Flux

- [CLIPTextEncodeFlux - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeFlux.md): CLIPTextEncodeFlux는 Flux 아키텍처용으로 설계된 텍스트 인코딩 노드입니다. 서로 다른 인코더인 CLIP-L과 T5XXL을 통해 두 개의 개별 텍스트 입력을 처리하고, 이를 가이던스 스케일과 결합하여 이미지 생성용 통합 컨디셔닝 출력을 생성합니다.
- [FluxDisableGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxDisableGuidance.md): 이 노드는 Flux 및 Flux 유사 모델에서 가이던스 임베드를 완전히 비활성화합니다. 컨디셔닝 데이터를 입력으로 받아 해당 가이던스 값을 None으로 설정하여, 생성 과정에서 가이던스 기반 컨디셔닝을 효과적으로 해제합니다.
- [FluxGuidance - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxGuidance.md): Documentation for FluxGuidance node.
- [FluxKontextImageScale - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxKontextImageScale.md): 이 노드는 입력 이미지의 종횡비를 기준으로 Lanczos 알고리즘을 사용하여 Flux Kontext 모델 학습 중 사용되는 최적 크기로 이미지를 조정합니다. 특히 큰 크기의 이미지를 입력할 때 유용하며, 과도하게 큰 입력은 모델 출력 품질 저하 또는 출력에 여러 객체가 나타나는 문제를 초래할 수 있습니다.
- [FluxKontextMultiReferenceLatentMethod - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/FluxKontextMultiReferenceLatentMethod.md): FluxKontextMultiReferenceLatentMethod 노드는 선택한 참조 레이턴트 방식을 내부에 저장하여 컨디셔닝 데이터를 업데이트합니다. 저장된 방식은 이후 생성 단계에서 참조 레이턴트를 처리할 때 사용됩니다. 이 노드는 실험적(experimental)으로 표시되어 있으며 Flux 컨디셔닝 시스템에 속합니

### Gligen

- [GLIGENTextBoxApply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GLIGENTextBoxApply.md): GLIGENTextBoxApply 노드는 텍스트 기반 컨디셔닝을 생성 모델의 입력에 통합하도록 설계되었습니다. 특히 텍스트 상자 매개변수를 적용하고 CLIP 모델을 사용하여 이를 인코딩합니다. 이 과정은 공간 및 텍스트 정보로 컨디셔닝을 강화하여 보다 정밀하고 맥락을 인식한 생성을 가능하게 합니다.

### Hidream

- [CLIPTextEncodeHiDream - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CLIPTextEncodeHiDream.md): CLIPTextEncodeHiDream 노드는 서로 다른 언어 모델(CLIP-L, CLIP-G, T5-XXL 및 LLaMA)을 사용하여 네 개의 별도 텍스트 입력을 처리하고 이를 단일 컨디셔닝 출력으로 결합합니다. 각 텍스트 입력을 해당 모델로 토큰화하고 스케줄된 인코딩 방식을 사용하여 함께 인코딩함으로써, 여러 언어 모
- [HiDreamO1ReferenceImages - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HiDreamO1ReferenceImages.md): 이 노드는 참조 이미지를 포지티브 컨디셔닝과 네거티브 컨디셔닝 모두에 첨부하여, 다운스트림 노드가 이를 사용해 생성을 안내할 수 있도록 합니다. 참조 이미지는 소켓 번호 순서대로 적용됩니다. 참조 이미지가 연결되지 않은 경우 포지티브 컨디셔닝과 네거티브 컨디셔닝은 변경 없이 그대로 통과합니다.

### Hunyuan 3d

- [Hunyuan3Dv2Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Hunyuan3Dv2Conditioning.md): Hunyuan3Dv2Conditioning 노드는 CLIP 비전 출력을 처리하여 3D 모델용 컨디셔닝 데이터를 생성합니다. 비전 출력에서 마지막 은닉 상태 임베딩을 추출하고 양성 및 음성 컨디셔닝 쌍을 생성합니다. 양성 컨디셔닝은 실제 임베딩을 사용하는 반면, 음성 컨디셔닝은 동일한 형태의 0 값 임베딩을 사용합니다.
- [Hunyuan3Dv2ConditioningMultiView - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Hunyuan3Dv2ConditioningMultiView.md): Hunyuan3Dv2ConditioningMultiView 노드는 최대 4개 뷰(front, left, back, right)의 CLIP vision 출력을 하나의 다중 뷰 컨디셔닝으로 결합합니다. 제공된 각 뷰에는 해당 CLIP vision 임베딩에 위치 인코딩이 추가되며, 결과 임베딩은 연결됩니다. 이 노드는 결합된

### Hunyuan Image

- [CLIPTextEncodeHunyuanDiT - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeHunyuanDit.md): CLIPTextEncodeHunyuanDiT 노드는 텍스트 설명을 HunyuanDiT 모델이 이해할 수 있는 형식으로 변환합니다.

### Hunyuan Video

- [HunyuanImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanImageToVideo.md): The HunyuanImageToVideo 노드는 Hunyuan 비디오 모델을 사용하여 이미지를 비디오 잠재 표현으로 변환합니다. 컨디셔닝 입력과 선택적 시작 이미지를 받아 비디오 생성 모델에서 추가 처리할 수 있는 비디오 잠재 표현을 생성합니다. 이 노드는 시작 이미지가 비디오 생성 과정에 영향을 미치는 방식을 제어하기
- [HunyuanRefinerLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanRefinerLatent.md): HunyuanRefinerLatent 노드는 Hunyuan 비디오 정제 프로세스를 위한 conditioning 및 latent 데이터를 준비합니다. 입력 latent 이미지 데이터를 positive 및 negative conditioning에 모두 첨부하고, 노이즈 증강 값을 적용하며, 추가 처리를 위해 32개 채널을 가
- [HunyuanVideo15ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanVideo15ImageToVideo.md): HunyuanVideo15ImageToVideo 노드는 HunyuanVideo 1.5 모델을 기반으로 비디오 생성을 위한 컨디셔닝 및 잠재 공간 데이터를 준비합니다. 이 노드는 비디오 시퀀스에 대한 초기 잠재 표현을 생성하며, 선택적으로 시작 이미지 또는 CLIP 비전 출력을 통합하여 생성 과정을 안내할 수 있습니다.
- [HunyuanVideo15SuperResolution - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/HunyuanVideo15SuperResolution.md): HunyuanVideo15SuperResolution 노드는 비디오 슈퍼해상도 프로세스를 위한 조건부(conditioning) 데이터를 준비합니다. 비디오의 잠재(latent) 표현과 선택적으로 시작 이미지를 입력받아 노이즈 증강 및 CLIP 비전 데이터와 함께 모델이 더 높은 해상도의 출력을 생성하는 데 사용할 수 있는
- [TextEncodeHunyuanVideo_ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeHunyuanVideo_ImageToVideo.md): TextEncodeHunyuanVideoImageToVideo 노드는 텍스트 프롬프트와 참조 이미지의 시각적 정보를 결합하여 이미지-투-비디오 생성용 컨디셔닝 데이터를 생성합니다.

### Instructpix2pix

- [InstructPixToPixConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/InstructPixToPixConditioning.md): InstructPixToPixConditioning 노드는 긍정 및 부정 텍스트 프롬프트를 이미지 데이터와 결합하여 InstructPix2Pix 이미지 편집을 위한 컨디셔닝 데이터를 준비합니다. 입력 이미지를 VAE를 통해 잠재 표현으로 인코딩하고, 해당 잠재를 긍정 및 부정 컨디셔닝 모두에 연결하며, 이와 일치하는 빈

### Joyimage

- [TextEncodeJoyImageEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeJoyImageEdit.md): 이 노드는 텍스트 프롬프트와 선택적 이미지를 JoyImage 모델과 함께 사용하기 위한 컨디셔닝 데이터로 인코딩합니다.

### Kandinsky

- [CLIPTextEncodeKandinsky5 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CLIPTextEncodeKandinsky5.md): CLIP Text Encode (Kandinsky 5) 노드는 Kandinsky 5 모델과 함께 사용할 텍스트 프롬프트를 준비합니다. 두 개의 개별 텍스트 입력을 받아 제공된 CLIP 모델로 토큰화하고, 이미지 생성 과정을 안내하는 하나의 컨디셔닝 출력으로 결합합니다.
- [Kandinsky5ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Kandinsky5ImageToVideo.md): Kandinsky5ImageToVideo 노드는 Kandinsky 모델을 사용한 비디오 생성에 필요한 conditioning 및 latent 데이터를 준비합니다. 요청된 width, height, length, batchsize에 맞는 빈 비디오 latent를 생성하며, 선택적으로 시작 이미지를 인코딩하여

### Lotus

- [LotusConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LotusConditioning.md): LotusConditioning 노드는 Lotus 모델에 대해 고정된, 미리 계산된 컨디셔닝 임베딩을 제공합니다.

### Ltxv

- [GetICLoRAParameters - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GetICLoRAParameters.md): 이 노드는 LoRA가 로드된 모델에서 메타데이터를 읽어 IC-LoRA 매개변수(예: 참조 다운스케일 계수)를 추출합니다.
- [LTXVAddGeneratedKeyframes - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAddGeneratedKeyframes.md): LTXV Add Generated Keyframes 노드는 비디오 latent에 디테일링 키프레임을 추가합니다. 각 키프레임은 단일 픽셀 프레임 위에 배치된 토큰의 latent 프레임 하나이며, 비디오와 함께 디노이즈되고 디코딩된 출력에는 포함되지 않습니다. 배치는 intervalframes 픽셀마다 슬롯 하나이며,
- [LTXVAddGuide - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAddGuide.md): The LTXVAddGuide node encodes input images or videos through a VAE encoder and adds them as guide keyframes to a latent video sequence.
- [LTXVAddLatentGuide - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVAddLatentGuide.md): LTXV Add Latent Guide 노드는 이미 인코딩된 latent를 가이드로 고정하며, 가이드가 이미지가 아니라 이전 단계에서 나오는 경우에 사용합니다.
- [LTXVConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVConditioning.md): LTXVConditioning 노드는 비디오 생성 모델을 위해 positive 및 negative conditioning 입력 모두에 프레임 레이트 정보를 추가합니다. 기존 conditioning 데이터를 가져와 지정된 프레임 레이트 값을 두 conditioning 세트에 적용하여 비디오 모델 처리에 적합하게 만듭니다.
- [LTXVCropGuides - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVCropGuides.md): LTXVCropGuides 노드는 비디오 생성 워크플로에서 키프레임 가이던스 데이터를 제거합니다. positive 컨디셔닝에 기록된 키프레임 수를 세고, 그 수만큼의 프레임을 잠재 샘플과 노이즈 마스크 끝에서 잘라내며, 두 컨디셔닝 입력 모두에서 키프레임 인덱스와 가이드 어텐션 항목을 지웁니다. 키프레임이 발견되지 않
- [LTXVDurationPredictor - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVDurationPredictor.md): 이 노드는 ModelPatchLoader로 로드한 LTX 2.4 duration head를 사용하여 텍스트 프롬프트의 자연스러운 샷 길이를 예측한 다음, 그 결과를 VAE의 8k+1 프레임 그리드에 맞춥니다. 예측값은 선택한 프레임 레이트와 최소 및 최대 길이 제한을 사용하여 프레임 수로 변환됩니다.
- [LTXVGeneratedKeyframesToGuides - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVGeneratedKeyframesToGuides.md): LTXV Generated Keyframes to Guides 노드는 이전 단계에서 생성된 키프레임을 이후 캔버스에 고정된 이미지 가이드로 고정합니다. 키프레임을 독립 실행형 프레임으로 디코딩하고, 필요하면 크기를 조정하며, 다시 노이즈 제거되지 않도록 노이즈 마스크 0으로 기록합니다. 시간적 업스케일 후에는 기록된 인덱
- [LTXVImgToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVImgToVideo.md): LTXVImgToVideo는 입력 이미지를 비디오 생성 모델용 비디오 잠재 표현으로 변환합니다. 요청된 너비와 높이로 이미지를 리사이즈하고, VAE로 인코딩한 뒤, 인코딩된 프레임을 0으로 채워진 비디오 크기의 잠재 표현 시작 부분에 배치합니다. strength 제어는 비디오 생성 중 원본 이미지 콘텐츠가 얼마나 보존되고
- [LTXVImgToVideoInplace - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVImgToVideoInplace.md): LTXVImgToVideoInplace는 입력 이미지를 잠재 공간으로 인코딩하고, 인코딩된 프레임을 기존 잠재 비디오의 시작 부분에 배치합니다. strength 값은 인코딩된 이미지가 초기 프레임에 얼마나 강하게 조건을 부여하는지 제어하며, bypass가 활성화되면 입력 잠재 변수가 변경 없이 반환됩니다.
- [LTXVReferenceAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVReferenceAudio.md): LTXV Reference Audio는 참조 오디오 클립에서 화자의 음성 정체성을 생성된 오디오로 전이합니다. 참조 오디오를 컨디셔닝에 인코딩하고, 선택적으로 아이덴티티 가이던스로 모델을 패치합니다. 이는 각 단계마다 참조 없이 추가 순방향 패스를 실행하여 화자 정체성 효과를 증폭합니다.
- [LTXVSeparateGeneratedKeyframes - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/LTXVSeparateGeneratedKeyframes.md): Documentation for LTXVSeparateGeneratedKeyframes node.

### Lumina

- [CLIPTextEncodeLumina2 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CLIPTextEncodeLumina2.md): 이 노드는 CLIP 모델을 사용하여 시스템 프롬프트와 사용자 프롬프트를 인코딩하여, 확산 모델이 특정 이미지를 생성하도록 안내하는 데 사용할 수 있는 임베딩으로 변환합니다. 사전 정의된 Lumina 2 시스템 프롬프트를 사용자 정의 텍스트 프롬프트와 결합하고, 이를 CLIP 모델을 통해 처리하여 이미지 생성을 위한 컨디셔

### Mage

- [TextEncodeMageFlowEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeMageFlowEdit.md): Documentation for TextEncodeMageFlowEdit node.

### Ming Image

- [TextEncodeMingImageEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeMingImageEdit.md): Text Encode Ming Image Edit는 텍스트 프롬프트를 Ming 이미지 편집용 컨디셔닝으로 인코딩하며, 선택적으로 참조 이미지를 혼합합니다. 프롬프트와 참조 이미지는 CLIP 모델에 의해 토큰화되며, VAE가 연결된 경우 참조 이미지는 컨디셔닝에 추가되는 잠재 프레임으로도 인코딩됩니다.

### Minimax

- [MiniMaxH3AddGuide - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3AddGuide.md): 이 노드는 이미지, 짧은 클립, 오디오 또는 사운드트랙이 포함된 클립을 MiniMax H3 비디오의 임의 프레임에 앵커링합니다. 선택한 프레임 인덱스의 컨디셔닝에 가이드 키프레임을 추가하며, 이 노드를 여러 개 연결하여 동일한 비디오의 여러 프레임을 앵커링할 수 있습니다.
- [MiniMaxH3ImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3ImageToVideo.md): This node prepares the conditioning and empty latent needed to generate a video with the MiniMax H3 model.
- [MiniMaxH3ReferenceToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxH3ReferenceToVideo.md): MiniMax H3 Reference to Video는 MiniMax H3 reference-to-video 생성에 필요한 텍스트 컨디셔닝과 빈 오디오-비디오 latent를 생성합니다. 프롬프트와 선택적 참조 이미지, 비디오, 오디오 클립을 제공하면, 노드가 이러한 참조를 모델이 생성 중 사용할 수 있는 컨디셔닝으로 인코

### Minimax Music

- [MiniMaxMusic3TextEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/MiniMaxMusic3TextEncode.md): MiniMax Music3 Text Encode는 MiniMax Music3 CLIP 모델을 사용하여 텍스트 캡션과 가사를 음악 생성을 위한 음향 컨디셔닝 시퀀스로 변환합니다. 이 노드는 결과 CONDITIONING 데이터와 함께 입력 최대 지속 시간으로부터 계산된 실제 오디오 지속 시간(초)을 반환합니다.

### Photomaker

- [PhotoMakerEncode - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/PhotoMakerEncode.md): PhotoMakerEncode 노드는 참조 이미지와 텍스트 프롬프트를 결합하여 이미지 생성을 위한 컨디셔닝 데이터를 생성합니다. 텍스트에 "photomaker"라는 단어가 포함된 경우, 노드는 PhotoMaker 모델을 사용하여 프롬프트의 해당 위치에 참조 이미지의 시각적 정체성을 컨디셔닝에 삽입합니다.

### Pixart

- [CLIPTextEncodePixArtAlpha - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CLIPTextEncodePixArtAlpha.md): PixArt Alpha용 텍스트를 인코딩하고 해상도 컨디셔닝을 설정합니다. 이 노드는 텍스트 입력을 처리하고 너비 및 높이 정보를 추가하여 PixArt Alpha 모델 전용 컨디셔닝 데이터를 생성합니다.

### Qwen Image

- [QwenImage21Cache - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/QwenImage21Cache.md): QwenImage21Cache 노드는 Qwen-Image 2.1 모델의 KV 프리픽스 캐시, 즉 캐시된 키와 값이 어디에 저장되고 어느 정밀도로 저장되는지를 구성합니다. 텍스트 및 참조 토큰은 한 번만 계산되어 샘플링 단계 전반에서 재사용되며, 편집 워크플로에서 대부분의 속도 향상이 여기서 발생합니다. 또한 이 노드를 사
- [TextEncodeQwenImage21 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeQwenImage21.md): The TextEncodeQwenImage21 노드는 Qwen-Image 2.1 모델용 프롬프트와 부정 프롬프트를 인코딩하며, 선택적으로 참조 이미지를 첨부합니다. 참조 이미지는 텍스트 인코더에 의해 인식되며, VAE가 연결된 경우 latent로 인코딩되어 시퀀스에 이어 붙여집니다. 따라서 컨디셔닝은 텍스트 지시와 시각적
- [TextEncodeQwenImageEdit - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeQwenImageEdit.md): TextEncodeQwenImageEdit 노드는 텍스트 프롬프트와 선택적 이미지를 이미지 생성 또는 편집을 위한 컨디셔닝 데이터로 변환합니다.
- [TextEncodeQwenImageEditPlus - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeQwenImageEditPlus.md): TextEncodeQwenImageEditPlus 노드는 텍스트 프롬프트와 최대 3개의 선택적 이미지를 처리하여 이미지 생성 또는 편집 작업을 위한 컨디셔닝 데이터를 생성합니다. 이 노드는 먼저 모델에게 입력 이미지의 주요 특징을 설명하고, 그다음 사용자의 텍스트 지시에 따라 해당 이미지를 어떻게 변경해야 하는지 설명하도

### Stable Audio

- [ConditioningStableAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningStableAudio.md): ConditioningStableAudio 노드는 오디오 생성을 위해 positive 및 negative conditioning 입력에 타이밍 정보를 추가합니다. 시작 시간과 총 지속 시간 매개변수를 설정하여 오디오 콘텐츠가 생성되는 시점과 길이를 제어할 수 있게 합니다. 이 노드는 오디오 특화 타이밍 메타데이터를

### Stable Cascade

- [StableCascade_StageB_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableCascade_StageB_Conditioning.md): StableCascadeStageBConditioning 노드는 기존 컨디셔닝 정보를 Stage C에서 생성된 prior 잠재 표현과 결합하여 Stable Cascade Stage B 생성을 위한 컨디셔닝 데이터를 준비합니다. 각 컨디셔닝 항목을 복사하고 Stage C 잠재 샘플을 저장하여, 이후 생성 단계에서 이 p

### Stable Diffusion

- [CLIPTextEncodeSD3 - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/CLIPTextEncodeSD3.md): CLIPTextEncodeSD3는 여러 CLIP 모델을 사용하여 여러 텍스트 프롬프트를 인코딩함으로써 Stable Diffusion 3 모델용 텍스트 입력을 처리합니다. 이 노드는 clipg, clipl, t5xxl의 세 가지 개별 텍스트 입력을 처리하며 빈 텍스트 패딩을 관리하는 옵션을 제공합니다. 또한
- [CLIPTextEncodeSDXL - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeSdxl.md): 이 노드는 SDXL 아키텍처에 특화된 CLIP 모델을 사용하여 텍스트 입력을 인코딩하도록 설계되었습니다. 이중 인코더 시스템(CLIP-L 및 CLIP-G)을 활용하여 텍스트 설명을 처리함으로써 보다 정확한 이미지 생성을 가능하게 합니다.
- [CLIPTextEncodeSDXLRefiner - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ClipTextEncodeSdxlRefiner.md): 이 노드는 SDXL Refiner 모델을 위해 특별히 설계되어, 미적 점수와 차원 정보를 통합하여 텍스트 프롬프트를 조건 정보로 변환함으로써 생성 작업의 조건을 강화하고 최종 정제 효과를 개선합니다. 이는 전문 아트 디렉터처럼 작동하여 창작 의도를 전달할 뿐만 아니라 작품에 정밀한 미적 기준과 사양 요구 사항을 주입합니다

### Stable Diffusion Upscaler

- [SD_4XUpscale_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SD_4XUpscale_Conditioning.md): The SD4XUpscaleConditioning 노드는 디퓨전 모델로 이미지를 업스케일링하기 위한 컨디셔닝 데이터를 준비합니다. 선택한 비율로 입력 이미지를 확대하고, 선택적 노이즈 증강을 추가하며, 업스케일된 크기에 대한 빈 latent와 함께 수정된 positive 및 negative 컨디셔닝을 반환합니다.

### Stable Video 3d

- [SV3D_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SV3D_Conditioning.md): SV3DConditioning은 SV3D 모델을 사용하여 3D 비디오 생성을 위한 컨디셔닝 데이터를 준비합니다. 초기 이미지를 입력받아 CLIP 비전 및 VAE 인코더를 통해 처리하여 긍정 및 부정 컨디셔닝과 잠재 표현을 생성합니다. 이 노드는 지정된 비디오 프레임 수에 따라 다중 프레임 비디오 생성을 위한 카메라 고도

### Stable Zero123

- [StableZero123_Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableZero123_Conditioning.md): StableZero123Conditioning 노드는 입력 이미지와 카메라 각도를 처리하여 3D 모델 생성을 위한 컨디셔닝 데이터와 잠재 표현을 생성합니다.
- [StableZero123_Conditioning_Batched - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/StableZero123_Conditioning_Batched.md): StableZero123ConditioningBatched 노드는 단일 입력 이미지에서 3D 모델을 생성하기 위한 컨디셔닝 데이터를 준비합니다.

### Transform

- [ConditioningConcat - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningConcat.md): ConditioningConcat 노드는 컨디셔닝 벡터를 연결(concatenate)하도록 설계되었으며, 특히 'conditioningfrom' 벡터를 'conditioningto' 벡터에 병합합니다. 이 작업은 두 소스의 컨디셔닝 정보를 하나의 통합된 표현으로 결합해야 하는 시나리오에서 필수적입니다.
- [ConditioningMultiply - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningMultiply.md): 이 노드는 컨디셔닝 값에 지정된 배율을 곱하여 생성 과정에서 컨디셔닝의 영향을 조정할 수 있도록 합니다. 기본 컨디셔닝 텐서와 풀링된 출력 값 모두에 배율을 적용하는 방식으로 작동합니다.
- [ConditioningSetArea - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetArea.md): 이 노드는 컨디셔닝 컨텍스트 내에서 특정 영역을 설정하여 컨디셔닝 정보를 수정하도록 설계되었습니다. 컨디셔닝 요소의 정밀한 공간 조작을 가능하게 하며, 지정된 치수와 강도에 따라 목표 지향적인 조정 및 개선을 수행할 수 있습니다.
- [ConditioningSetAreaPercentage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetAreaPercentage.md): The ConditioningSetAreaPercentage node specializes in adjusting the area of influence for conditioning elements based on percentage values.
- [ConditioningSetAreaPercentageVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetAreaPercentageVideo.md): ConditioningSetAreaPercentageVideo 노드는 비디오 생성을 위한 특정 영역과 시간적 구간을 정의하여 조건부 입력(conditioning) 데이터를 수정합니다. 전체 크기 대비 백분율 값을 사용하여 조건부 입력이 적용되는 영역의 위치, 크기 및 지속 시간을 설정합니다. 이는 비디오 시퀀스의 특정 부
- [ConditioningSetAreaStrength - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetAreaStrength.md): 이 노드는 주어진 컨디셔닝 세트의 강도 속성을 수정하여, 생성 과정에 대한 컨디셔닝의 영향이나 강도를 조정할 수 있도록 설계되었습니다.
- [ConditioningSetMask - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetMask.md): 이 노드는 지정된 강도로 마스크를 특정 영역에 적용하여 생성 모델의 컨디셔닝을 수정하도록 설계되었습니다. 컨디셔닝 내에서 대상 조정이 가능하므로 생성 과정을 보다 정밀하게 제어할 수 있습니다.
- [ConditioningSetTimestepRange - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningSetTimestepRange.md): 이 노드는 특정 시간 단위 범위를 설정하여 컨디셔닝의 시간적 측면을 조정하도록 설계되었습니다. 컨디셔닝 프로세스의 시작점과 종료점을 정밀하게 제어할 수 있어 보다 목표 지향적이고 효율적인 생성을 가능하게 합니다.
- [ConditioningZeroOut - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/ConditioningZeroOut.md): 이 노드는 컨디셔닝 데이터 구조 내의 특정 요소를 0으로 설정하여, 이후 처리 단계에서 해당 요소의 영향을 효과적으로 중화합니다. 컨디셔닝의 내부 표현을 직접 조작해야 하는 고급 컨디셔닝 작업을 위해 설계되었습니다.

### Trellis

- [Pixal3DConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Pixal3DConditioning.md): Pixal3DConditioning 노드는 Trellis2 3D 생성 파이프라인을 위한 이미지 컨디셔닝을 준비합니다.
- [Pixal3DMultiViewConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Pixal3DMultiViewConditioning.md): Pixal3D Multi-View Conditioning 노드는 고정 궤도 카메라 리그로부터 컨디셔닝 데이터를 구성합니다. 즉, 전면, 왼쪽, 후면, 오른쪽 뷰가 90도 간격으로 배치되며, 프레이밍된 그대로 사용됩니다. 객체의 정사각형 뷰를 하나 이상 연결하면 Pixal3D 모델에 맞는 positive 및 negative
- [Trellis2Conditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2Conditioning.md): Trellis2Conditioning은 입력 이미지를 TRELLIS.2 모델용 컨디셔닝 데이터로 변환합니다.
- [Trellis2ShapeStage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2ShapeStage.md): 이 노드는 Trellis2 파이프라인의 첫 번째 형상 생성 샘플링 패스를 설정합니다.
- [Trellis2TextureStage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2TextureStage.md): 이 노드는 Trellis2 생성의 텍스처 단계 샘플링 패스를 설정합니다. 입력 shape latent에서 좌표 레이아웃과 복셀별 shape latent를 읽고, 동일한 좌표 레이아웃에서 32개 채널을 가진 빈 희소 latent를 생성하며, 필요한 텍스처 단계 메타데이터를 컨디셔닝에 첨부합니다.
- [Trellis2UpsampleStage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Trellis2UpsampleStage.md): 이 노드는 512 해상도의 shape latent를 고해상도 희소 좌표로 업스케일하고, 대상 해상도에서 두 번째 shape-stage 샘플링 패스를 준비합니다. 생성 중 모델이 사용할 수 있도록 컨디셔닝에 스테이지별 메타데이터를 첨부합니다.

### Triposplat

- [TripoSplatConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TripoSplatConditioning.md): 이 노드는 입력 이미지를 DINOv3 이미지 인코더와 Flux2 VAE로 인코딩하여 TripoSplat 모델용 긍정 및 부정 컨디셔닝 데이터를 생성합니다. 또한 KSampler의 시작점 역할을 하는 고정 크기 노이즈 타깃(latent와 카메라 데이터)을 생성합니다.
- [TripoSplatPreprocessImage - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TripoSplatPreprocessImage.md): 이 노드는 각 입력 이미지를 검은색 배경의 중앙 정사각형으로 크롭하고 지정된 출력 크기에 도달하도록 패딩을 추가합니다. 이 노드는 TripoSplat 3D 모델용 이미지를 준비하도록 설계되었으며, 일관된 정사각형 프레임을 보장하고 선택적 알파 매트 침식을 통해 테두리 아티팩트를 방지합니다.

### Void

- [VOIDInpaintConditioning - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/VOIDInpaintConditioning.md): VOIDInpaintConditioning 노드는 CogVideoX 모델을 사용한 인페인팅에 필요한 컨디셔닝 데이터를 준비합니다. 소스 비디오와 전처리된 quadmask를 입력으로 받아 VAE를 통해 인코딩하고, 이를 모델이 마스킹된 영역을 채우는 데 사용하는 32채널 컨디셔닝 신호(마스크에서 온 16채널 + 마스킹된 비

### Wan

- [Wan22ImageToVideoLatent - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Wan22ImageToVideoLatent.md): Wan22ImageToVideoLatent는 이미지로부터 비디오 레이턴트 표현을 생성합니다. 지정된 너비, 높이, 프레임 길이 및 배치 크기로 빈 비디오 레이턴트 공간을 생성하며, 선택적으로 시작 이미지 시퀀스를 처음 프레임에 인코딩할 수 있습니다. 시작 이미지가 제공되면 노드는 이를 레이턴트 공간에 인코딩하고, 생성 중
- [WanFirstLastFrameToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanFirstLastFrameToVideo.md): WanFirstLastFrameToVideo 노드는 시작 프레임과 끝 프레임을 텍스트 프롬프트와 결합하여 비디오 생성을 위한 컨디셔닝을 준비합니다. 프레임 이미지를 잠재 공간으로 인코딩하고, 비디오 모델에 어떤 프레임이 이미 알려져 있는지 알려주는 마스크를 생성하며, CLIP 비전 특징이 제공된 경우 이를 첨부합니다. 이
- [WanImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanImageToVideo.md): WanImageToVideo 노드는 비디오 생성을 위한 컨디셔닝 및 잠재 표현을 준비합니다. 비디오를 위한 빈 잠재 공간을 생성하고, 선택적으로 시작 이미지와 CLIP 비전 출력을 포함하여 생성을 유도할 수 있습니다. 제공된 이미지와 비전 데이터로 positive 및 negative 컨디셔닝 입력이 모두 업데이트됩

#### Animate

- [WanAnimate2Cache - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanAnimate2Cache.md): 포즈 비디오의 블록별 활성화를 한 번 캐시하여 매 샘플링 단계마다 재계산할 필요가 없게 하므로 생성 시간이 약 절반으로 줄어듭니다. 대신 추가 메모리가 사용됩니다. bf16에서 81프레임, 480x832 해상도일 때 시스템 RAM 약 12.5GB가 필요하며, 해상도와 비디오 길이에 따라 증가합니다.
- [WanAnimate2ToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanAnimate2ToVideo.md): WanAnimate2ToVideo는 별도의 포즈 비디오에서 표정, 신체 동작, 손 제스처를 전이하여 참조 이미지의 캐릭터를 애니메이션화합니다. 비디오 생성 샘플러가 애니메이션을 만드는 데 사용하는 컨디셔닝 데이터와 시작 잠재 변수를 구축합니다.
- [WanAnimateToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanAnimateToVideo.md): WanAnimateToVideo는 참조 이미지, 포즈, 얼굴, 배경 및 이전 청크의 선택적 모션과 같은 입력을 사용하여 Wan으로 애니메이션 비디오를 생성하기 위한 컨디셔닝 데이터와 초기 잠재 변수를 준비합니다. 또한 videoframeoffset 값을 읽고 업데이트하여 더 긴 비디오를 청크 단위로 생성하는 것을

#### Camera

- [WanCameraEmbedding - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanCameraEmbedding.md): 이 노드는 선택한 카메라 경로에 대해 Plücker 임베딩을 사용하여 카메라 궤적 임베딩을 생성합니다. 패닝, 줌, 회전과 같은 움직임을 시뮬레이션하는 일련의 카메라 포즈를 구성하고, 이를 비디오 생성 파이프라인에서 사용할 수 있는 임베딩 텐서로 변환합니다.
- [WanCameraImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanCameraImageToVideo.md): WanCameraImageToVideo 노드는 이미지로부터 카메라 제어 비디오 생성을 위한 컨디셔닝 및 잠재 데이터를 준비합니다. 이 노드는 긍정 및 부정 컨디셔닝 프롬프트와 함께 시작 이미지, CLIP 비전 출력, 카메라 조건과 같은 선택적 입력을 받아, 업데이트된 컨디셔닝과 비디오 모델이 채울 수 있는 빈 잠재 텐서를

#### Dancer

- [WanDancerEncodeAudio - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanDancerEncodeAudio.md): 이 노드는 오디오 클립을 분석하여 비디오 생성 모델을 안내할 수 있는 특징 집합으로 변환합니다. 템포와 비트를 추정하고, 멜 스펙트로그램, MFCC, 크로마, 온셋 특징을 추출한 다음, 동기화를 위해 계산된 프레임 레이트와 함께 패키징합니다.
- [WanDancerVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanDancerVideo.md): WanDancerVideo 노드는 WanDancer 모델로 비디오를 생성하기 위한 컨디셔닝 데이터와 빈 잠재 텐서를 준비합니다. 선택적 시작 이미지, 마스크, CLIP 비전 임베딩 및 오디오 특징을 포지티브 및 네거티브 컨디셔닝에 첨부하여 생성되는 비디오를 안내할 수 있도록 합니다.

#### Fun Control

- [Wan22FunControlToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/Wan22FunControlToVideo.md): Wan22FunControlToVideo 노드는 Wan 비디오 모델을 사용한 비디오 생성을 위해 컨디셔닝 데이터와 빈 잠재 텐서를 준비합니다. 선택적 참조 이미지와 제어 비디오를 잠재 공간으로 인코딩하고, 이를 긍정 및 부정 컨디셔닝에 연결하며, 요청된 비디오에 맞는 올바른 공간 및 시간 차원을 가진 0으로 채워진 잠재
- [WanFunControlToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanFunControlToVideo.md): 이 노드는 Alibaba Wan Fun Control 모델을 지원하여 비디오 생성을 돕기 위해 추가되었으며, [이 커밋](https://github.com/comfyanonymous/ComfyUI/commit/3661c833bcc41b788a7c9f0e7bc48524f8ee5f82) 이후에 추가되었습니다.

#### Fun Inpaint

- [WanFunInpaintToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanFunInpaintToVideo.md): WanFunInpaintToVideo 노드는 인페인팅 스타일 비디오 생성을 위해 컨디셔닝 및 잠재(latent) 데이터를 준비하며, 선택적인 시작 이미지와 끝 이미지를 사용하여 결과를 안내합니다. 이 노드는 제공된 컨디셔닝, VAE 및 이미지 프레임을 첫 프레임 및 마지막 프레임 비디오 생성에 사용되는 것과 동일한 로직으

#### Humo

- [WanHuMoImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanHuMoImageToVideo.md): WanHuMoImageToVideo 노드는 Wan HuMo 비디오 생성 파이프라인을 위한 컨디셔닝 데이터와 빈 잠재 비디오를 준비합니다. 이 노드는 참조 이미지와 오디오 임베딩을 positive 및 negative 컨디셔닝 입력에 첨부할 수 있으며, 요청된 width, height, length, ba

#### Infinite Talk

- [WanInfiniteTalkToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanInfiniteTalkToVideo.md): WanInfiniteTalkToVideo는 오디오 입력으로부터 비디오 시퀀스를 생성합니다. 하나 또는 두 명의 화자에게서 추출한 오디오 특징을 조건으로 하는 비디오 확산 모델을 사용하여 토킹 헤드 비디오의 잠재 표현을 생성합니다. 이 노드는 새 시퀀스를 생성하거나 이전 프레임을 모션 컨텍스트로 사용하여 기존 시퀀스를 확장

#### Move

- [GenerateTracks - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/GenerateTracks.md): GenerateTracks 노드는 비디오 생성을 위한 여러 개의 평행 이동 경로(트랙)를 생성합니다. 시작 위치에서 끝 위치까지의 기본 경로를 정의한 다음, 이 경로와 평행하게 일정한 간격으로 배치된 트랙 집합을 생성합니다. 경로의 형태(직선 또는 베지어 곡선), 이동 속도, 트랙이 표시되는 프레임을 제어할 수 있습니
- [WanMoveConcatTrack - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveConcatTrack.md): WanMoveConcatTrack 노드는 두 세트의 모션 트래킹 데이터를 하나의 더 긴 시퀀스로 결합합니다. 입력 트랙의 트랙 경로와 가시성 마스크를 각각의 차원을 따라 연결하는 방식으로 동작합니다. 트랙 입력이 하나만 제공되면 해당 데이터를 변경 없이 그대로 전달합니다.
- [WanMoveTracksFromCoords - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveTracksFromCoords.md): WanMoveTracksFromCoords 노드는 JSON 형식의 좌표 문자열로부터 모션 트랙을 생성합니다. 좌표 데이터를 다른 비디오 처리 노드에서 사용할 수 있는 트랙 형식으로 변환하며, 선택적으로 마스크를 적용하여 시간 경과에 따른 트랙의 가시성을 제어할 수 있습니다.
- [WanMoveTrackToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveTrackToVideo.md): WanMoveTrackToVideo 노드는 선택적 모션 트래킹 정보를 통합하여 비디오 생성을 위한 컨디셔닝 및 잠재 공간 데이터를 준비합니다. 시작 이미지 시퀀스를 잠재 표현으로 인코딩하고 객체 트랙의 위치 데이터를 혼합하여 생성된 비디오의 모션을 안내할 수 있습니다. 이 노드는 수정된 positive 및 negative
- [WanMoveVisualizeTracks - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanMoveVisualizeTracks.md): WanMoveVisualizeTracks 노드는 모션 추적 데이터를 이미지 또는 비디오 프레임 시퀀스 위에 오버레이합니다. 추적된 포인트의 이동 경로와 현재 위치를 포함한 시각적 표현을 그려, 모션 데이터를 눈에 띄게 하고 더 쉽게 분석할 수 있도록 합니다.
- [WanTrackToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanTrackToVideo.md): WanTrackToVideo 노드는 트랙 포인트를 처리하고 해당 비디오 프레임을 생성하여 모션 트래킹 데이터를 비디오 시퀀스로 변환합니다. 추적 좌표를 입력으로 받아 비디오 생성에 사용할 수 있는 비디오 컨디셔닝 및 잠재 표현을 생성합니다. 트랙이 제공되지 않으면 표준 이미지-비디오 변환으로 대체됩니다.

#### Phantom Subject

- [WanPhantomSubjectToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanPhantomSubjectToVideo.md): WanPhantomSubjectToVideo 노드는 Wan 비디오 생성을 위한 컨디셔닝 데이터와 latent를 준비합니다. 요청된 width, height, length, batchsize로부터 빈 latent 비디오를 생성하며, 참조 이미지가 제공되면 VAE로 인코딩하고 시간 차원 시각적 가이던스로 컨디

#### Scail

- [SCAIL2ColoredMask - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SCAIL2ColoredMask.md): 이 노드는 SAM3 추적 데이터를 WanSCAILToVideo 노드에서 사용하는 컬러 마스크로 렌더링합니다. 드라이빙 포즈 비디오와 선택적으로 참조 이미지의 추적 데이터를 처리하여, 두 출력 모두에서 추적된 각 사람에게 일관된 색상을 할당합니다.
- [WanSCAILToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanSCAILToVideo.md): WanSCAILToVideo 노드는 SCAIL 및 SCAIL-2 비디오 모델을 사용한 비디오 생성을 위해 컨디셔닝과 빈 잠재 공간을 준비합니다. 참조 이미지, 포즈 비디오, CLIP vision 출력, 색상이 지정된 아이덴티티 마스크, 이전 프레임 청크와 같은 선택적 입력을 처리하여 긍정 및 부정 컨디셔닝에 임베딩합니다.

#### Sound

- [WanSoundImageToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanSoundImageToVideo.md): WanSoundImageToVideo 노드는 Wan 사운드-투-비디오 생성을 위해 컨디셔닝과 빈 잠재 비디오 텐서를 준비합니다. 선택적으로 오디오 인코딩, 참조 이미지, 제어 비디오 및 모션 참조를 통합하여 생성된 비디오를 안내할 수 있습니다.
- [WanSoundImageToVideoExtend - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanSoundImageToVideoExtend.md): WanSoundImageToVideoExtend 노드는 오디오, 참조 이미지 및 제어 비디오에 의해 선택적으로 안내되는 추가 프레임을 생성하여 기존 비디오 잠재 변수를 확장합니다. 시작 비디오 잠재 변수를 입력받아 제공된 컨디셔닝과 오디오 신호를 사용하여 새 콘텐츠에 영향을 주면서 더 긴 비디오 시퀀스를 생성합니다.

#### Vace

- [WanVaceToVideo - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/WanVaceToVideo.md): WanVaceToVideo 노드는 VACE 제어 비디오 생성 모델을 위한 비디오 컨디셔닝 데이터를 준비합니다. 이 노드는 긍정 및 부정 컨디셔닝을 선택적 제어 비디오, 제어 마스크, 참조 이미지와 결합하고, 이를 VAE를 통해 인코딩한 뒤, 업데이트된 컨디셔닝, 빈 잠재 텐서, 트림 값을 출력합니다.

### Yue2

- [SheetSage2AudioToABC - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/SheetSage2AudioToABC.md): 이 노드는 음악에서 보컬 및 악기 멜로디를 ABC 기보법(악보를 기록하기 위한 텍스트 기반 형식)으로 채보합니다. 연결된 오디오를 분석하고 결과 기보를 텍스트로 반환하며, 이는 일치하는 모드를 사용하여 YuE2 Generate Music 노드에 입력할 수 있습니다.
- [YuE2GenerateABC - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/YuE2GenerateABC.md): 이 노드는 YuE2 텍스트 및 가사 모델을 사용하여 스타일 설명과 가사를 기반으로 곡의 ABC 표기법을 생성합니다. 생성된 abc 출력은 YuE2 Generate Music 노드에 연결하여 오디오를 생성할 수 있습니다.
- [YuE2GenerateMusic - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/YuE2GenerateMusic.md): 스타일, 가사, ABC 표기법으로부터 음악 토큰과 음향 컨디셔닝을 생성합니다. 컨디셔닝과 생성된 길이(초)를 반환하며, 이는 Empty YuE2 Latent Audio 노드에 제공해야 합니다. abc 입력을 비워 두면 선택한 mode는 무시되고 off 모드가 자동으로 사용됩니다.

### Z Image

- [TextEncodeZImageOmni - ComfyUI Built-in Node Documentation](https://docs.comfy.org/ko/built-in-nodes/TextEncodeZImageOmni.md): TextEncodeZImageOmni는 텍스트 프롬프트를 최대 3개의 선택적 참조 이미지와 함께 이미지 생성 모델용 컨디셔닝 형식으로 인코딩합니다. 프롬프트는 CLIP 모델로 토큰화 및 인코딩되며, 연결된 각 이미지는 선택적으로 비전 인코더 및/또는 VAE에 의해 처리되어 시각적 참조가 텍스트와 함께 임베딩될 수 있습니다