跳转到主要内容

Documentation Index

Fetch the complete documentation index at: https://docs.comfy.org/llms.txt

Use this file to discover all available pages before exploring further.

Make sure your ComfyUI is updated.Workflows in this guide can be found in the Workflow Templates. If you can’t find them in the template, your ComfyUI may be outdated. (Desktop version’s update will delay sometime)If nodes are missing when loading a workflow, possible reasons:
  1. You are not using the latest ComfyUI version (Nightly version)
  2. Some nodes failed to import at startup
VOID（Video Object Inpainting and Deletion）是 Netflix 开源的一款强大的视频修复模型，基于 CogVideoX 架构。它采用两阶段扩散 pipeline，能够从视频中移除物体并以时间连贯的内容填补空缺。 VOID 不仅能移除物体本身，还能移除物体对场景造成的所有物理交互影响——不仅仅是阴影和反射等次要效果，还包括物体被移除后其他物体的物理运动。例如，如果移除一个拿着吉他的人，VOID 会自动处理人对吉他的影响，让吉他自然掉落。 VOID 在 ComfyUI 中获得原生支持（PR #13403），完整模型权重基于 Apache 2.0 协议 发布。 VOID 模型 - GitHub | 论文 (arXiv) | 🤗 Diffusers Pipeline
处理前（左）— 原始视频中的滑雪者。处理后（右）— 移除滑雪者后的输出结果。VOID 在移除物体的同时保持了自然的运动、光照和画面连贯性。

​
核心优势

  • 交互感知移除 — 不仅移除物体本身，还移除物体对场景造成的所有物理交互（阴影、反射、掉落物体等）
  • 真正的物体移除，而非单帧修补 — 在整个片段中生成连贯的运动和光照
  • 双阶段优化 — Pass 2 提供了更优的时间稳定性（更少的抖动和闪烁），尤其适用于长片段或纹理复杂的背景
限制： 模糊的遮罩、杂乱的运动或占据画面大部分的物体可能仍会产生不理想的结果——提示词无法修正根本的分割错误。

​
VOID 视频修复工作流

​
1. 工作流文件下载

请更新你的 ComfyUI 到最新版本，并通过菜单 工作流 -> 浏览模板 找到 Utility 类别下的 “VOID: Video Inpainting”。

下载 JSON 格式工作流

Download workflow

在 Comfy Cloud 中运行

Open in cloud

​
2. 手动下载模型

所有模型均托管在 Comfy-Org VOID 模型仓库。 扩散模型 — 核心的两阶段修复模型： VAE： 光流模型： SAM3 分割模型： 文本编码器： 
📂 ComfyUI/
├── 📂 models/
│   ├── 📂 checkpoints/
│   │   └── sam3.1_multiplex_fp16.safetensors
│   ├── 📂 text_encoders/
│   │   └── t5xxl_fp16.safetensors
│   ├── 📂 vae/
│   │   └── cogvideox_vae.safetensors
│   ├── 📂 optical_flow/
│   │   └── raft_large_C_T_SKHT_V2-ff5fadd5.safetensors
│   └── 📂 diffusion_models/
│       ├── void_pass2.safetensors
│       └── void_pass1.safetensors

​
3. 使用工作流

输入参数：
  • 源视频 — 通过 Load Video 节点加载视频（放入 ComfyUI input/ 文件夹）
  • 正向提示词（修复填充） — 描述移除物体之后的场景。关注剩余内容和画面效果，而非被移除的物体
    • 示例：empty kitchen counter, daylight, tiles visible
  • 负向提示词 — 可选的防伪影词表，可以留空
  • SAM3 目标提示词 — 简短的要遮罩移除的对象描述。SAM3 通过语义理解为目标物体创建分割遮罩
    • 示例：person in blue jacket、red cup on table
    • SAM3 提示词上限为 32 个 token，多个目标用逗号分隔，用 :N 指定每个提示检测的物体数量：eye:2, window panels:4
提示词分工：
提示词作用
SAM3 目标移除什么（SAM3 通过语义分割创建遮罩）
正向（修复）如何填补空洞
长片段或纹理复杂的背景建议使用 Pass 2（精炼阶段）获得更好的时间稳定性。仅使用 Pass 1 速度更快，但可能出现更多抖动。

了解 Subgraph

本工作流使用了 Subgraph 节点来实现模块化的视频处理。查阅 Subgraph 文档了解如何自定义和扩展工作流。

​
补充说明

  • 遮罩质量至关重要 — 围绕目标物体的清晰紧致的遮罩能产生最佳效果
  • 提示词写作技巧 — 描述移除后场景应自然呈现的样子，而非描述移除本身
  • 负向提示词 仅在你看到反复出现的缺陷时使用（水印、模糊、多余肢体等）
  • 双阶段工作流 — 模板会自动运行 Pass 1 然后 Pass 2；测试时也可以仅运行 Pass 1 以加快迭代