Was Wan 2.2 Bild zu Video macht
Wan 2.2, im Juli 2025 unter der Apache-2.0-Lizenz veröffentlicht, ist der Nachfolger von Wan 2.1 in Alibabas Reihe offener Videomodelle. Die Variante Bild zu Video, Wan2.2-I2V-A14B, ist ein Diffusions-Transformer mit Mixture-of-Experts: ein Experte übernimmt die frühen, stark verrauschten Schritte, die den Gesamtaufbau festlegen, ein anderer die späten Schritte, die Details verfeinern. Pro Schritt sind etwa 14 Milliarden von insgesamt 27 Milliarden Parametern aktiv. Ein kleineres Hybridmodell, Wan2.2-TI2V-5B, nimmt Text und Bild an und läuft auf einer einzelnen Consumer-Karte.
Man gibt dem Modell ein Bild, das zum ersten Frame des Clips wird, und einen Prompt, der sagt, was sich bewegen soll. Es erzeugt 81 Frames mit 16 Bildern pro Sekunde, also etwa fünf Sekunden, und baut den Clip auf diesem Bild auf: Gesichter, Kleidung und Licht bleiben nah an der Vorlage, während sich Kamera oder Motiv bewegen.
So schreibt man den Bewegungs-Prompt
Das Bild liefert bereits Motiv, Stil und Komposition, der Prompt muss nur die Veränderung beschreiben. Schreiben Sie ein bis zwei kurze Sätze: wer oder was sich bewegt, wie, und was die Kamera tut. „Die Frau dreht den Kopf nach rechts und lächelt, leichter Wind im Haar, langsame Kamerafahrt nach vorn“ funktioniert; eine Liste von Stil-Tags nicht. Nennen Sie die Kamera, wenn es darauf ankommt: „statische Kamera“, „langsamer Schwenk nach links“, „die Drohne steigt“.
Bleiben Sie für fünf Sekunden plausibel. Eine Aktion pro Prompt ist die sichere Wahl. Verben wie geht, winkt, blinzelt, fließt, treibt, dreht sich geben vorhersehbare Bewegung. Verlangen Sie nichts, was nicht im Bild ist: das Modell kann ein Auto bewegen, muss aber die Straße dahinter erfinden, und das ist weniger verlässlich als das, was das Bild schon zeigt. Ein negativer Prompt wirkt nur, wenn die Guidance über 1 liegt; die Workflows mit dem 4-Schritt-Lightning-LoRA laufen mit 1 und ignorieren ihn. Ansonsten reicht die übliche Liste: unscharf, verzerrte Hände, zusätzliche Gliedmaßen, Flackern, Wasserzeichen, Text.
Die Einstellungen, die zählen
- Auflösung: 480p ist etwa dreimal schneller als 720p und reicht oft für soziale Netzwerke; 720p für den fertigen Clip.
- Frames: 81 Frames bei 16 fps sind der Standardclip von fünf Sekunden. Längere Sequenzen driften; besser zwei Clips erzeugen und schneiden.
- Schritte: 40 Sampling-Schritte im offiziellen Skript, 20 im einfachen ComfyUI-Workflow. Mit dem 4-Schritt-Lightning-LoRA genügen 4 bis 8.
- Guidance (CFG): standardmäßig 3,5 beim I2V-Modell mit 14B und 1 mit dem 4-Schritt-LoRA. Höhere Werte folgen dem Prompt wörtlicher, bringen aber Flackern.
- Seed: wie in Stable Diffusion erzeugen gleiches Bild, gleicher Prompt, gleiche Einstellungen und gleicher Seed denselben Clip; ändern Sie nur den Seed, um eine andere Bewegung für dasselbe Bild zu bekommen.
Prüfen Sie den Prompt in 480p, bevor Sie Zeit in 720p investieren. Der Seed lässt sich nicht mitnehmen: in 720p hat das Rauschen eine andere Form, die Bewegung ändert sich also.
Welche Bilder sich am besten animieren lassen
Wan 2.2 arbeitet mit jedem Foto oder KI-Bild, aber manche Bilder sind viel einfacher. Ein klares Hauptmotiv vor einfachem Hintergrund ergibt saubere Bewegung; in vollen Szenen muss das Modell wählen, was sich bewegt. Der Clip übernimmt das Seitenverhältnis des Bildes, Hoch- und Querformat funktionieren also beide. In ComfyUI stellen Sie Breite und Höhe im selben Verhältnis ein, sonst wird das Bild beschnitten. Scharfe, gut beleuchtete Bilder behalten ihre Details im Clip, wenn sie mindestens so groß sind wie die Ausgabe (832 Pixel an der langen Seite in 480p, 1280 in 720p); eine unscharfe oder stark komprimierte Quelle ergibt ein unscharfes Video.
Mit Stable Diffusion, SDXL oder Flux erzeugte Bilder lassen sich sehr gut animieren. Bild zu Video ist deshalb der einfachste Weg zu einem kurzen Video mit genau dem gewünschten Look: erst den exakten Frame erzeugen, dann animieren.
Wan 2.2 I2V zu Hause ausführen
Die Gewichte liegen auf Hugging Face und laufen in ComfyUI, in Diffusers und im offiziellen Wan-Repository. Mit dem offiziellen Skript, für das Alibaba eine 80-GB-Karte voraussetzt, erreicht das I2V-Modell mit 14B in der Spitze etwa 41 GB VRAM in 480p und 60 GB in 720p. In ComfyUI läuft es auf einer 24-GB-Karte mit den fp8-quantisierten Checkpoints und Offloading, dann dauert ein Clip mehrere Minuten. Das TI2V-Modell mit 5B erzeugt einen 720p-Clip von fünf Sekunden auf einer RTX 4090 in unter zehn Minuten und braucht mit dem offiziellen Skript etwa 24 GB VRAM; in ComfyUI passt es auf eine 8-GB-Karte. Darunter nutzen Sie die Cloud oder die kostenlose Demo auf dieser Seite.