> ## Documentation Index
> Fetch the complete documentation index at: https://dripart-mintlify-b90d3c69.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# VOID：ComfyUI 视频物体移除工作流

> 学习使用 Netflix 的 VOID 视频修复模型在 ComfyUI 中移除视频中的物体

<Tip>
  <Tabs>
    <Tab title="便携版或手动安装用户">
      请确保你的 ComfyUI 已经更新。

      * [ComfyUI 下载](https://www.comfy.org/download)
      * [ComfyUI 更新教程](/zh/installation/update_comfyui)

      本指南里的工作流可以在 ComfyUI 的[工作流模板](/zh/interface/features/template)中找到。如果找不到，可能是 ComfyUI 没有更新。

      如果加载工作流时有节点缺失，可能原因有：

      1. 你用的不是最新开发版（nightly）。
      2. 你用的是稳定版或桌面版（没有包含最新的更新）。
      3. 启动时有些节点导入失败。
    </Tab>

    <Tab title="桌面版或云端用户">
      * 桌面版是基于 ComfyUI 稳定版本构建的，它会在有新的桌面稳定版本发布时自动更新。
      * [Cloud](https://cloud.comfy.org) 会在 ComfyUI 稳定版本发布后更新，我们会同步更新 Cloud。

      所以，如果你发现本教程中有任何核心节点缺失，那是因为对应的节点支持还在开发中没有发布正式的稳定版，请等待下一个稳定版本发布。
    </Tab>
  </Tabs>
</Tip>

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](https://github.com/THUDM/CogVideo) 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](https://github.com/Comfy-Org/ComfyUI/pull/13403)），完整模型权重基于 [Apache 2.0 协议](https://github.com/Netflix/void-model?tab=Apache-2.0-1-ov-file) 发布。

[VOID 模型 - GitHub](https://github.com/Netflix/void-model) | [论文 (arXiv)](https://arxiv.org/abs/2604.02296) | [🤗 Diffusers Pipeline](https://huggingface.co/netflix/void-model)

<div style={{ display: 'flex', gap: 16, flexWrap: 'wrap' }}>
  <video controls width="49%">
    <source src="https://raw.githubusercontent.com/Comfy-Org/workflow_templates/refs/heads/main/input/snowboarder.mp4" type="video/mp4" />
  </video>

  <video controls width="49%">
    <source src="https://raw.githubusercontent.com/Comfy-Org/workflow_templates/refs/heads/main/output/utility_void_video_inpainting.mp4" type="video/mp4" />
  </video>
</div>

**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"。

<Card title="下载 JSON 格式工作流" icon="download" href="https://raw.githubusercontent.com/Comfy-Org/workflow_templates/refs/heads/main/templates/utility_void_video_inpainting.json">
  Download workflow
</Card>

<Card title="在 Comfy Cloud 中运行" icon="cloud" href="https://cloud.comfy.org/?template=utility_void_video_inpainting&utm_source=docs">
  Open in cloud
</Card>

### 2. 手动下载模型

所有模型均托管在 [Comfy-Org VOID 模型仓库](https://huggingface.co/Comfy-Org/void-model)。

**扩散模型** — 核心的两阶段修复模型：

* [void\_pass2.safetensors](https://huggingface.co/Comfy-Org/void-model/resolve/main/diffusion_models/void_pass2.safetensors) — 精炼阶段，时间稳定性更佳
* [void\_pass1.safetensors](https://huggingface.co/Comfy-Org/void-model/resolve/main/diffusion_models/void_pass1.safetensors) — 主要阶段

**VAE：**

* [cogvideox\_vae.safetensors](https://huggingface.co/Comfy-Org/void-model/resolve/main/vae/cogvideox_vae.safetensors)

**光流模型：**

* [raft\_large\_C\_T\_SKHT\_V2-ff5fadd5.safetensors](https://huggingface.co/Comfy-Org/void-model/resolve/main/optical_flow/raft_large_C_T_SKHT_V2-ff5fadd5.safetensors)

**SAM3 分割模型：**

* [sam3.1\_multiplex\_fp16.safetensors](https://huggingface.co/Comfy-Org/sam3.1/resolve/main/checkpoints/sam3.1_multiplex_fp16.safetensors)

**文本编码器：**

* [t5xxl\_fp16.safetensors](https://huggingface.co/comfyanonymous/flux_text_encoders/resolve/main/t5xxl_fp16.safetensors)

```
📂 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。

<Card title="了解 Subgraph" icon="book-open" href="/zh/interface/features/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。
</Card>

## 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