用途：MultiTalk（MeiGen-AI）根据音频驱动静态人像的唇形与头部动作，运行在 WAN 2.1 14B 图生视频模型上，通过 kijai 的 ComfyUI-WanVideoWrapper 实现。Wav2Vec 语音嵌入条件化 WAN 采样器，使嘴部与表情跟随语音，lightx2v 步数蒸馏 LoRA 将采样步数压到很少。适用于说话头、配音、单人说话头像片段（约 10 秒、480p）。注意它区别于 wan-animate（姿态/动作驱动），这里是音频到唇形同步，不是参考视频动作迁移。
主要能力与节点：核心节点包括 DownloadAndLoadWav2VecModel（首次运行自动下载 Wav2Vec 语音模型）、MultiTalkWav2VecEmbeds（把分离并裁剪后的语音转为嵌入）、MultiTalkModelLoader 与 WanVideoImageToVideoMultiTalk（在 WAN I2V 模型上加载 MultiTalk 头）。音频侧用 AudioSeparation 与 AudioCrop（audio-separation-nodes-comfyui）先分离人声并裁剪片段；图像用 ImageResizeKJv2（KJNodes）缩放，最后 VHS_VideoCombine（VideoHelperSuite）合成 mp4。
模型与用法：需要 WAN 2.1 14B I2V GGUF、MultiTalk 14B fp8、umt5_xxl_fp16、WAN VAE、clip_vision_h 以及 lightx2v 步数蒸馏 LoRA，分别放入对应目录。采样步数通常约 4 到 8，提高步数收益不大且更耗时；显存不足时用 WanVideoBlockSwap 增加换出到 CPU 的块数。480p 10 秒约需 8–12 GB 显存，低显存约 6–8.4 GB，720p 约 11–16 GB。可配合 --use-sage-attention 与相应 --*vram 启动参数，并预留显存给 Wav2Vec 与 VAE 往返。
限制：音频必须做人声分离，否则唇形会跟随错误信号；该图仅支持单人说话，多说话人需多嵌入变体（本包未含）；Wav2Vec 首次运行需下载模型，首次渲染较慢；若唇形驱动不足，检查 MultiTalk 嵌入是否真正接入 WanVideoImageToVideoMultiTalk 且 AudioCrop 后音频非静音。官方文档暂未提供，参数与接线来自可用工作流与实测。