ما هو Wan 2.2 من نص إلى فيديو
أُطلق Wan 2.2 بثلاثة نماذج مفتوحة. Wan2.2-T2V-A14B هو نموذج النص إلى فيديو: محوّل انتشار بمزيج من الخبراء بـ 27 مليار معامل، منها 14 ملياراً نشطة في كل خطوة، حيث يحدد خبير الضجيج العالي التخطيط العام ويصقل خبير الضجيج المنخفض التفاصيل. Wan2.2-I2V-A14B يحرّك صورة موجودة، وWan2.2-TI2V-5B نموذج هجين أصغر يقوم بالأمرين ويعمل على بطاقة استهلاكية بدقة 720p و24 إطاراً في الثانية.
مقارنة بـ Wan 2.1، دُرّبت نماذج 2.2 على صور أكثر بنسبة 66% ومقاطع فيديو أكثر بنسبة 83%، مع تصنيفات مفصّلة للإضاءة والتكوين والتباين ودرجة اللون. لهذا يمكن للأمر أن يسمّي الإضاءة والتأطير بمصطلحات سينمائية مثل «soft lighting» أو «warm colors» أو «low angle shot»، وكلها مأخوذة من مفردات الأوامر لدى علي بابا نفسها.
كيف تكتب أمر فيديو
يصف أمر الفيديو مشهداً قصيراً لا صورة ثابتة. إحدى البنى الناجحة هي الموضوع، الحركة، المكان، الكاميرا، الأسلوب: «ثعلب أحمر يمشي في ثلج طازج داخل غابة صنوبر، يدير رأسه نحو الكاميرا، لقطة تتبّع من زاوية منخفضة، ضوء صباح ناعم، سينمائي». كل عنصر يجيب عن سؤال كان النموذج سيخمّنه.
- الموضوع والحركة: موضوع واحد وحركة واضحة بفعل. خمس ثوانٍ تكفي لإيماءة أو مشية أو تلويحة، لا لقصة.
- المكان: المكان ووقت اليوم يحددان الضوء.
- الكاميرا: ثابتة، تحريك أفقي، إمالة، تتبّع، اقتراب، لقطة مسيّرة. سمِّها وإلا اختار النموذج.
- الأسلوب: سينمائي، وثائقي، أنمي، صلصال متحرك، فيلم 35 مم. كلمة أسلوب واحدة تكفي.
اكتب الحركة بجمل بسيطة؛ يمكن للكلمات المفتاحية أن تحدد الإضاءة والتأطير، كما في أمثلة الأوامر لدى علي بابا نفسها، لكن قائمة وسوم لا تصف حركة. استخدم الأمر السلبي للعيوب المعروفة: ضبابي، وميض، أيدٍ مشوّهة، أصابع زائدة، علامة مائية، ترجمة. ولا أثر له إلا إذا كان التوجيه أعلى من 1؛ فمسارات العمل المبنية على Lightning LoRA ذي الخطوات الأربع تعمل بتوجيه 1 وتتجاهله.
الإعدادات ووقت التوليد
الإعدادات الافتراضية الرسمية 81 إطاراً بمعدل 16 في الثانية، 480p أو 720p، 40 خطوة، وتوجيه من 3 إلى 4؛ أما مسارات العمل في ComfyUI فتستخدم 20 خطوة بتوجيه 3.5، أو 4 خطوات بتوجيه 1 مع Lightning LoRA. بالإعدادات الرسمية يستغرق مقطع 480p نحو خمس دقائق ونصف على معالج H100 واحد من معالجات مراكز البيانات، و720p نحو ثلاثة أضعاف ذلك لعدد الإطارات نفسه. تعمل البذرة كما في توليد الصور: ثبّتها لمقارنة أمرين، وغيّرها للحصول على لقطة أخرى للأمر نفسه. تُختار نسبة الأبعاد قبل التوليد، عادة 16:9 أو 9:16؛ ولا يستطيع النموذج تغييرها بعد ذلك.
ولأن كل محاولة بطيئة، اختبر الأمر بدقة 480p ثم أعد التشغيل بدقة 720p. بذرة لقطة 480p تعطي مقطعاً مختلفاً بدقة 720p، لأن للضجيج شكلاً آخر. معظم النتائج السيئة تأتي من أوامر بحركات كثيرة أو تعليمات كاميرا متناقضة، لا من الإعدادات.
ما لا يستطيعه النص إلى فيديو بعد
خمس ثوانٍ، أي 81 إطاراً، هي المدة التي أُعدّ لها النموذج؛ التوليد الأطول ينحرف. النص الطويل داخل الفيديو غير موثوق. الأيدي والتفاعلات السريعة المعقدة بين عدة أشخاص ما زالت تفشل كثيراً. الفيزياء معقولة لا دقيقة: الماء والقماش والشعر تتحرك جيداً، لكن الكرة قد ترتد خطأ. لا يوجد صوت. للمظهر الدقيق، الصورة إلى فيديو أسهل: ولّد الإطار الأول بـ Stable Diffusion أو SDXL أو Flux ثم حرّكه بـ Wan 2.2.
تشغيل Wan 2.2 T2V محلياً
الأوزان على Hugging Face وتعمل في ComfyUI وDiffusers والمستودع الرسمي. مع السكربت الرسمي، الذي تقول علي بابا إنه يحتاج إلى بطاقة 80 جيجابايت، يبلغ نموذج T2V بحجم 14B ذروة تقارب 41 جيجابايت من ذاكرة الفيديو بدقة 480p و60 جيجابايت بدقة 720p. وفي ComfyUI يعمل على بطاقة 24 جيجابايت مع نقاط تحقق fp8 والتفريغ، بعدة دقائق لكل مقطع. ينتج نموذج 5B مقطع 720p لخمس ثوانٍ على RTX 4090 في أقل من عشر دقائق. وفي ComfyUI تكفيه بطاقة 8 جيجابايت؛ ودون ذلك استخدم معالجاً سحابياً أو العرض التجريبي المجاني في هذا الموقع، الذي ينطلق من صورة تُستخدم إطاراً أول.