Qué hace Wan 2.2 imagen a vídeo
Wan 2.2, publicado en julio de 2025 bajo licencia Apache 2.0, es el sucesor de Wan 2.1 en la línea de modelos de vídeo abiertos de Alibaba. La variante imagen a vídeo, Wan2.2-I2V-A14B, es un transformador de difusión con mezcla de expertos: un experto se ocupa de los primeros pasos, muy ruidosos, que fijan la composición general, y otro de los últimos pasos que afinan el detalle. Unos 14.000 millones de parámetros están activos en cada paso de un total de 27.000 millones. Un modelo híbrido más pequeño, Wan2.2-TI2V-5B, acepta texto e imagen y funciona en una sola tarjeta de consumo.
Se le da al modelo una imagen, que se convierte en el primer fotograma del clip, y un prompt que dice qué debe moverse. Genera 81 fotogramas a 16 por segundo, unos cinco segundos, y construye el clip sobre esa imagen: caras, ropa y luz se mantienen próximas al original mientras la cámara o el sujeto se mueven.
Cómo escribir el prompt de movimiento
La imagen ya aporta el sujeto, el estilo y la composición, así que el prompt solo debe describir el cambio. Escribe una o dos frases cortas: quién o qué se mueve, cómo, y qué hace la cámara. "La mujer gira la cabeza a la derecha y sonríe, viento suave en el pelo, lento acercamiento" funciona; una lista de etiquetas de estilo no. Nombra la cámara cuando importe: "cámara fija", "panorámica lenta a la izquierda", "el dron asciende".
Mantén el movimiento plausible para cinco segundos. Lo seguro es una acción por prompt. Verbos como camina, saluda, parpadea, fluye, se desliza, gira dan un movimiento previsible. No pidas lo que no está en la imagen: el modelo puede mover un coche, pero la carretera de detrás tiene que inventarla, y eso es menos fiable que lo que la imagen ya muestra. El prompt negativo solo tiene efecto cuando la guidance es superior a 1; los flujos con el LoRA Lightning de 4 pasos trabajan a 1 y lo ignoran. En los demás casos basta la lista habitual: borroso, manos deformadas, extremidades de más, parpadeo, marca de agua, texto.
Los ajustes que importan
- Resolución: 480p es unas tres veces más rápido que 720p y suele bastar para redes sociales; usa 720p para el clip final.
- Fotogramas: 81 fotogramas a 16 fps es el clip estándar de cinco segundos. Las secuencias más largas derivan; mejor generar dos clips y montar.
- Pasos: 40 pasos de muestreo en el script oficial, 20 en el flujo básico de ComfyUI. Con el LoRA Lightning de 4 pasos, bastan de 4 a 8.
- Guidance (CFG): 3,5 por defecto en el modelo I2V de 14B, y 1 con el LoRA de 4 pasos. Valores más altos siguen el prompt más al pie de la letra pero añaden parpadeo.
- Seed: como en Stable Diffusion, la misma imagen, prompt, ajustes y seed reproducen el mismo clip; cambia solo la seed para obtener otro movimiento con la misma imagen.
Valida el prompt en 480p antes de dedicar tiempo al 720p. La seed no sirve de una resolución a otra: en 720p el ruido tiene otra forma, así que el movimiento cambia.
Qué imágenes se animan mejor
Wan 2.2 parte de cualquier foto o imagen generada, pero algunas son mucho más fáciles. Un sujeto principal nítido sobre un fondo sencillo da un movimiento limpio; una escena cargada obliga al modelo a elegir qué mover. El clip adopta la proporción de la imagen, así que sirven tanto las verticales como las apaisadas. En ComfyUI, indica una anchura y una altura con esa misma proporción; de lo contrario, la imagen se recorta. Una imagen nítida y bien iluminada conserva el detalle durante el clip si es al menos tan grande como la salida (832 píxeles en el lado largo en 480p, 1280 en 720p); una fuente borrosa o muy comprimida produce un vídeo borroso.
Las imágenes generadas con Stable Diffusion, SDXL o Flux se animan muy bien, lo que hace de imagen a vídeo la forma más sencilla de obtener un vídeo corto con un aspecto preciso: genera primero exactamente el fotograma que quieres y luego anímalo.
Ejecutar Wan 2.2 I2V en casa
Los pesos están en Hugging Face y funcionan en ComfyUI, en Diffusers y en el repositorio oficial de Wan. Con el script oficial, para el que Alibaba pide una tarjeta de 80 GB, el modelo I2V de 14B alcanza un pico de unos 41 GB de VRAM en 480p y de 60 GB en 720p. En ComfyUI funciona en una tarjeta de 24 GB con los checkpoints cuantizados fp8 y descarga de memoria (offloading), a cambio de varios minutos por clip. El modelo TI2V de 5B genera un clip 720p de cinco segundos en una RTX 4090 en menos de diez minutos y necesita unos 24 GB de VRAM con el script oficial; en ComfyUI cabe en una tarjeta de 8 GB. Por debajo de eso, usa la nube o la demo gratuita de este sitio.