在视频大模型领域，可灵（快手）、即梦（字节）已经对Sora形成了遥遥领先之势。
也许有人问了，腾讯去哪里了？
腾讯搞了个开源的混元视频大模型，其效果一点也不比Sora差。
但为什么名气不大呢？
其实主要是因为开源的视频大模型对机器配置要求过高导致的，像我的12G的3060，跑几秒钟视频要一个小时以上。
大部分爱好者没有那么强悍的显卡。
腾讯在开源频领域的成就，是独一档的。某种意义上讲，不亚于DeepSeek在生成式AI领域的地位。
今天给大家介绍一个腾讯和浙大合作的数字人技术：Sonic。
可以用一张照片+一段视频，生成可以动的数字人。
先放官方示例：
我们可以看到，视频能够很好的匹配口型。
其实在匹配口型方面，腾讯一年前就发布相关开源工具了，这次的Sonic操作更简便。
如今，有人适配了ComfyUI，我把节点做一下介绍。
一、插件地址
https://github.com/smthemex/ComfyUI_Sonic
二、模型安装
1、sonic模型（文末打包下载）及对应路径
— ComfyUI/models/sonic/
|– audio2bucket.pth
|– audio2token.pth
|– unet.pth
|– yoloface_v5m.pt
|– whisper-tiny/
|–config.json
|–model.safetensors
|–preprocessor_config.json
|– RIFE/
|–flownet.pkl
2、svd模型（文末打包下载）及对应路径
— ComfyUI/models/checkpoints
├──svd_xt_1_1.safetensors
三、工作流简介
需要注意的是，该插件需要transformers==4.43.2，如果高于或者低于该版本，有可能会出现无法正常运行的情况。
如果无法正常使用，可修改requirements.txt，将transformers==4.43.2前的“#”去掉，然后重启启动器。
ComfyUI\custom_nodes\ComfyUI_Sonic\requirements.txt
checkpoint加载器，加载svd_xt_1_1.safetensors
加载音频和加载图像，分别上传用来做数字人的声音和图片，图片建议背景干净的大头照。
SONICTLoader节点，加载unet.pth模型。
SONIC_PreData节点，其中frame_num为声音的长度，越长越耗时。
其余参数建议保持默认。
（小于16G显存的就尽量不要生成过长视频了，生成几秒钟意思意思得了。）
网盘下载：
https://pan.quark.cn/s/323447a53ead
（文：路过银河AI）