ما يفعله Wan 2.2 من صورة إلى فيديو
جاء Wan 2.2 خلفاً لـ Wan 2.1 في سلسلة نماذج الفيديو المفتوحة لدى علي بابا، وصدر في يوليو 2025 برخصة Apache 2.0. نسخة الصورة إلى فيديو، Wan2.2-I2V-A14B، محوّل انتشار بمزيج من الخبراء: خبير يتولى الخطوات الأولى شديدة الضجيج التي تحدد التخطيط العام، وآخر يتولى الخطوات الأخيرة التي تصقل التفاصيل. نحو 14 مليار معامل نشطة في كل خطوة من أصل 27 ملياراً. وهناك نموذج هجين أصغر، Wan2.2-TI2V-5B، يقبل النص والصورة ويعمل على بطاقة استهلاكية واحدة.
تعطي النموذج صورة تصبح الإطار الأول للمقطع، وأمراً يقول ما الذي يجب أن يتحرك. فيولّد 81 إطاراً بمعدل 16 إطاراً في الثانية، أي نحو خمس ثوانٍ، ويبني المقطع على تلك الصورة: تبقى الوجوه والملابس والإضاءة قريبة من الأصل بينما تتحرك الكاميرا أو الموضوع.
كيف تكتب أمر الحركة
الصورة تحمل أصلاً الموضوع والأسلوب والتكوين، فلا يحتاج الأمر إلا إلى وصف التغيير. اكتب جملة أو جملتين قصيرتين: من أو ما الذي يتحرك، وكيف، وماذا تفعل الكاميرا. «تدير المرأة رأسها إلى اليمين وتبتسم، نسيم خفيف في شعرها، اقتراب بطيء للكاميرا» يعمل جيداً؛ أما قائمة وسوم الأسلوب فلا. سمِّ الكاميرا عندما يهم ذلك: «كاميرا ثابتة»، «تحريك أفقي بطيء إلى اليسار»، «الطائرة المسيّرة ترتفع».
اجعل الحركة معقولة لخمس ثوانٍ. حركة واحدة في كل أمر هي الخيار الآمن. أفعال مثل يمشي، يلوّح، يرمش، يتدفق، ينجرف، يدور تعطي حركة متوقعة. لا تطلب ما ليس في الصورة: يستطيع النموذج تحريك سيارة، لكن عليه أن يخترع الطريق خلفها، وما يخترعه أقل موثوقية مما تعرضه الصورة أصلاً. ولا أثر للأمر السلبي إلا إذا كان التوجيه أعلى من 1؛ ومسارات العمل المبنية على Lightning LoRA ذي الخطوات الأربع تعمل بتوجيه 1 فتتجاهله. وفيما عدا ذلك تكفي القائمة المعتادة: ضبابي، أيدٍ مشوّهة، أطراف زائدة، وميض، علامة مائية، نص.
الإعدادات المهمة
- الدقة: 480p أسرع بنحو ثلاث مرات من 720p وغالباً تكفي لوسائل التواصل؛ استخدم 720p للمقطع النهائي.
- عدد الإطارات: 81 إطاراً بمعدل 16 في الثانية هو المقطع القياسي لخمس ثوانٍ. التسلسلات الأطول تنحرف؛ الأفضل توليد مقطعين ثم المونتاج.
- الخطوات: 40 خطوة أخذ عينات في السكربت الرسمي، و20 في مسار العمل الأساسي في ComfyUI. ومع Lightning LoRA ذي الخطوات الأربع تكفي 4 إلى 8 خطوات.
- التوجيه (CFG): 3.5 افتراضياً لنموذج I2V بحجم 14B، و1 مع LoRA الخطوات الأربع. القيم الأعلى تتبع الأمر حرفياً أكثر لكنها تزيد الوميض.
- البذرة: كما في Stable Diffusion، الصورة والأمر والإعدادات والبذرة نفسها تعيد إنتاج المقطع نفسه؛ غيّر البذرة وحدها للحصول على حركة أخرى للصورة نفسها.
اختبر الأمر بدقة 480p قبل أن تنفق وقتك على 720p. لكن البذرة لا تنتقل معك: بدقة 720p يكون للضجيج شكل آخر، فتتغير الحركة.
أي الصور تتحرك على نحو أفضل
يعمل Wan 2.2 من أي صورة فوتوغرافية أو مولَّدة، لكن بعض الصور أسهل بكثير. موضوع رئيسي واضح على خلفية بسيطة يعطي حركة نظيفة؛ أما المشهد المزدحم فيجبر النموذج على اختيار ما يتحرك. يأخذ المقطع نسبة أبعاد الصورة، فالصور العمودية والأفقية تصلح على السواء. وفي ComfyUI اضبط عرضاً وارتفاعاً بالنسبة نفسها وإلا قُصّت الصورة. الصورة الحادة الجيدة الإضاءة تحتفظ بتفاصيلها طوال المقطع إذا لم تكن أصغر من المخرج (832 بكسل للضلع الطويل بدقة 480p، و1280 بدقة 720p)؛ أما المصدر الضبابي أو شديد الضغط فيعطي فيديو ضبابياً.
الصور المولَّدة بـ Stable Diffusion أو SDXL أو Flux تتحرك جيداً جداً، ما يجعل الصورة إلى فيديو أسهل طريقة للحصول على فيديو قصير بمظهر دقيق: ولّد أولاً الإطار الذي تريده بالضبط، ثم حرّكه.
تشغيل Wan 2.2 I2V في المنزل
الأوزان متاحة على Hugging Face وتعمل في ComfyUI وفي Diffusers وفي مستودع Wan الرسمي. مع السكربت الرسمي، الذي تقول علي بابا إنه يحتاج إلى بطاقة 80 جيجابايت، يبلغ نموذج I2V بحجم 14B ذروة تقارب 41 جيجابايت من ذاكرة الفيديو بدقة 480p و60 جيجابايت بدقة 720p. وفي ComfyUI يعمل على بطاقة 24 جيجابايت مع نقاط التحقق المكمّمة fp8 والتفريغ، مقابل عدة دقائق لكل مقطع. يولّد نموذج TI2V بحجم 5B مقطع 720p لخمس ثوانٍ على RTX 4090 في أقل من عشر دقائق ويحتاج نحو 24 جيجابايت مع السكربت الرسمي؛ أما في ComfyUI فتكفيه بطاقة 8 جيجابايت. دون ذلك استخدم السحابة أو العرض التجريبي المجاني في هذا الموقع.