Scontornare con ComfyUI: maschere da un prompt con WeVisOne-VL

Scontornare con ComfyUI finora voleva dire installare un nodo esterno per la rimozione dello sfondo, scaricare il suo modello e accettare un risultato "tutto o niente": il soggetto principale resta, il resto sparisce. Il 9 novembre in ComfyUI è entrato WeVisOne-VL, un modello di Tencent che fa una cosa diversa: gli scrivi a parole cosa vuoi isolare ("la tazza rossa a sinistra", "i capelli della ragazza") e lui restituisce maschera, riquadro e perfino un alpha matte, cioè una maschera con le sfumature di trasparenza sui bordi morbidi (la modifica ufficiale su GitHub).

Ti raccontiamo come la pensiamo noi. Chi fa grafica o motion graphics passa una parte enorme del tempo a scontornare: in Photoshop con la selezione soggetto, in After Effects con il Roto Brush, a mano quando nessuno dei due ci azzecca. Ed è frustrante, soprattutto quando lavori per un cliente e ti serve solo quell'oggetto, non "il soggetto principale" scelto dal software. Lavoriamo con ComfyUI su una normalissima RTX 3060 da 12 GB e un modello di questo tipo, piccolo e con licenza aperta, ci interessa più di tanti generatori nuovi. Non lo abbiamo ancora messo alla prova sul nostro PC: qui trovi cosa è confermato, quale file scegliere e come lo useremmo noi.

Scheda rapida

Cos'è WeVisOne-VL e cosa cambia per scontornare con ComfyUI?

WeVisOne-VL è un modello "visione e linguaggio" (capisce insieme immagini e testo) che trasforma una tua frase in una selezione precisa dell'immagine. È costruito su Qwen3-VL, in due taglie da 2 e 4 miliardi di parametri, con un piccolo decodificatore da 9,6 milioni di parametri che disegna la maschera pixel per pixel (scheda ufficiale Tencent).

La differenza con gli strumenti di rimozione sfondo che usavamo finora è la scelta. Un nodo come RMBG decide da solo cos'è il soggetto; qui sei tu a dirlo. E finora, per ottenere lo stesso risultato in ComfyUI, si mettevano in fila due modelli: uno che trova l'oggetto descritto e SAM (il modello di Meta che disegna le maschere). Tencent dichiara invece "nessun SAM" al momento dell'uso: fa tutto un solo modello (pagina del progetto). Secondo gli autori, poi, supera modelli generalisti e specializzati in oltre 30 test; sono dati loro, test indipendenti non ne abbiamo ancora trovati.

Un dettaglio che conta per chi fa compositing: oltre alla maschera "dura" (bianco o nero) può restituire un alpha matte, quello che serve per scontornare capelli, pellicce e bordi sfocati senza l'effetto ritaglio con le forbici.

Cosa sa fare il nodo WeVisOne-VL Detect?

Il nodo si chiama WeVisOne-VL Detect (lo trovi in image/detection) e ha tre ingressi: il modello, l'immagine e la tua richiesta. In uscita dà maschere, riquadri, punti in formato JSON e la risposta testuale del modello. Il tipo di lavoro lo scegli da un menu:

• segmentation: la maschera (o l'alpha matte) dell'oggetto descritto, la funzione che serve per scontornare;
• detection e referring: i riquadri attorno a uno o più oggetti, utili per ritagliare o per guidare un inpainting (la rigenerazione di una sola zona dell'immagine);
• point e count: indica dove si trovano gli oggetti e quanti sono;
• ocr e ocr_grounding: legge le scritte e dice dove sono, comodo per cancellare o sostituire un'etichetta.

L'opzione individual_masks tiene una maschera separata per ogni oggetto trovato invece di unirle in una sola: se chiedi "le bottiglie" e ce ne sono quattro, puoi lavorarle una alla volta. Due attenzioni pratiche: con detection e point va scritta un'etichetta per riga (una lista separata da virgole viene letta come una frase unica) e la formulazione cambia il risultato, quindi vale la pena provare due o tre modi di chiedere la stessa cosa (ComfyUI Wiki).

Quanta VRAM serve e quale file scegliere con 12 GB?

La memoria video (VRAM) necessaria non è dichiarata, ma i file sono leggeri rispetto ai modelli che generano immagini. Su Hugging Face trovi quattro versioni:

• 4B bf16, circa 9,7 GB: la versione piena, al limite su una scheda da 12 GB se nel workflow c'è altro;
• 4B int8, circa 5,3 GB: la versione compressa (int8 vuol dire che i numeri del modello sono salvati con meno precisione, in cambio di metà dello spazio);
• 2B bf16, circa 4,9 GB;
• 2B int8, circa 2,9 GB: la più leggera, adatta anche a schede da 6–8 GB.

Con una RTX 3060 da 12 GB noi partiremmo dal 4B int8: lascia spazio per caricare nello stesso workflow anche un modello di inpainting. Se vuoi capire quanta memoria serve per il resto della catena, abbiamo raccolto i consigli nella guida alle migliori GPU per l'AI generativa.

Funziona anche sui video?

No, il nodo ufficiale lavora solo su immagini singole: non segue un oggetto da un fotogramma all'altro. Per i video esiste un'estensione della comunità, Comfyui-WeVisOne-VL-T8, che abbina WeVisOne-VL a SAM2 per propagare la maschera nel tempo ed esportare un video con canale alfa.

È però molto giovane, ha pochissimi utenti e richiede un'installazione a parte con Python 3.12: noi la terremmo per le prove, non per un lavoro in consegna. Per i video, intanto, After Effects con il Roto Brush resta la strada più affidabile.

Si può usare per lavoro?

Sì: sia i pesi originali di Tencent sia i file preparati per ComfyUI hanno licenza Apache 2.0, che permette l'uso commerciale anche dall'Italia, senza limiti di fatturato né esclusioni per l'Unione Europea. È una buona notizia in un periodo in cui molti modelli video escludono l'UE.

Una sola nota: nella pagina del progetto Tencent precisa che il modello non è pensato per identificare le persone. Scontornare un soggetto in un fotomontaggio è un'altra cosa, ma se lavori con foto di persone reali valgono come sempre le regole sulla privacy e sui diritti d'immagine.

Da provare subito

1. Aggiorna ComfyUI al ramo di sviluppo (master o "nightly"): al 9 novembre la funzione non è ancora dentro una versione numerata. Se usi la versione portable, lancia lo script di aggiornamento nella cartella update.
2. Scarica wevisone_vl_4b_int8_convrot.safetensors (o il 2B int8 se hai meno di 12 GB) da Hugging Face e mettilo in ComfyUI/models/text_encoders.
3. Nel workflow aggiungi un nodo CLIPLoader, scegli il file e imposta il tipo su stable_diffusion, come indicato dagli sviluppatori.
4. Collega CLIPLoader e un Load Image al nodo WeVisOne-VL Detect, scegli il compito segmentation e scrivi in inglese cosa isolare, per esempio "the red mug on the left".
5. Collega l'uscita masks a un nodo che applica la maschera all'immagine (per esempio Join Image with Alpha) e salva in PNG: avrai lo scontorno con la trasparenza, pronto per Photoshop o After Effects.

Se sei alle prime armi con i nodi, parti dalla nostra guida introduttiva a ComfyUI. E se lo scopo è modificare l'oggetto invece di ritagliarlo, la maschera si collega bene ai modelli di editing come MOSS-Image Edit in ComfyUI.

Le altre novità

• Open-H3-Regenerate-2K-IC: NVlabs ha pubblicato una LoRA che rigenera le bozze di MiniMax H3 a 2K o 4K tenendo volti, labiale e scritte. Attenzione: la licenza MiniMax H3 Community esclude l'Unione Europea, e ci sono solo nodi della comunità (Hugging Face).
• SnapRef v2a: dall'8 novembre l'adattatore di riferimento per Anima permette di dare un peso diverso a ogni foto del personaggio; pesa 382 MB (195 MB in FP8), con sei workflow. Licenza non dichiarata (Hugging Face).
• Adobe MAX 2026: dal 10 al 12 novembre a Miami Beach e in streaming gratuito; seguiremo gli annunci per Photoshop, Premiere e After Effects (sito ufficiale).

Domande frequenti

WeVisOne-VL sostituisce SAM in ComfyUI?

Per le immagini singole, in molti casi sì: fa da solo quello che prima richiedeva un modello che trova l'oggetto più SAM che disegna la maschera. Per i video no, perché non segue gli oggetti nel tempo: lì SAM2 o MatAnyone restano necessari, anche nell'estensione comunitaria che li combina.

Devo installare nodi aggiuntivi?

No, il nodo WeVisOne-VL Detect fa parte di ComfyUI. Serve però una versione aggiornata al ramo di sviluppo, perché la modifica è stata unita il 9 novembre e non era ancora inclusa nell'ultima versione numerata. In alternativa basta aspettare il prossimo aggiornamento ufficiale.

Posso scrivere la richiesta in italiano?

Non è dichiarato. Il modello nasce da Qwen3-VL, che capisce molte lingue, ma gli esempi ufficiali sono in inglese e gli sviluppatori avvertono che il modo di chiedere cambia il risultato. Il nostro consiglio è scrivere in inglese, con frasi brevi e concrete: oggetto, colore, posizione.

È meglio della selezione soggetto di Photoshop?

Non lo abbiamo confrontato, quindi non possiamo dirlo. Il vantaggio vero è un altro: in ComfyUI lo scontorno entra in un workflow automatico, per esempio per scontornare cento foto prodotto di fila o per preparare la maschera di un inpainting, gratis e in locale.

Trovi tutte le nostre guide nella pagina ComfyUI di tutorial3d.it, insieme ai workflow gratuiti da scaricare, e il confronto tra i modelli che girano in locale nel nostro vademecum dei modelli AI per immagini in ComfyUI. Se preferisci vedere le cose in video, seguici sul canale YouTube @tutorial3d.