Ce que fait Wan 2.2 image vers vidéo
Wan 2.2, publié en juillet 2025 sous licence Apache 2.0, succède à Wan 2.1 dans la lignée des modèles vidéo ouverts d'Alibaba. La variante image vers vidéo, Wan2.2-I2V-A14B, est un transformeur de diffusion à mélange d'experts : un expert gère les premières étapes, très bruitées, qui fixent la disposition d'ensemble, un autre les dernières étapes qui affinent le détail. Environ 14 milliards de paramètres sont actifs à chaque étape sur 27 milliards au total. Un modèle hybride plus petit, Wan2.2-TI2V-5B, accepte texte et image et tourne sur une seule carte grand public.
On donne au modèle une image, qui devient la première frame du clip, et un prompt qui dit ce qui doit bouger. Il génère 81 images à 16 images par seconde, soit environ cinq secondes, et construit le clip sur cette image : visages, vêtements et lumière restent proches de la source pendant que la caméra ou le sujet se déplace.
Comment écrire le prompt de mouvement
L'image porte déjà le sujet, le style et la composition : le prompt n'a besoin de décrire que le changement. Écrivez une ou deux phrases courtes : qui ou quoi bouge, comment, et ce que fait la caméra. « La femme tourne la tête vers la droite et sourit, vent léger dans les cheveux, lent travelling avant » fonctionne ; une liste de mots-clés de style non. Nommez la caméra quand elle compte : « caméra fixe », « lent panoramique vers la gauche », « le drone s'élève ».
Restez plausible pour cinq secondes. Une seule action par prompt reste le choix le plus sûr. Les verbes marche, salue, cligne, coule, dérive, tourne donnent un mouvement prévisible. Évitez de demander ce qui n'est pas dans l'image : le modèle peut déplacer une voiture, mais il doit inventer la route derrière elle, ce qui est moins fiable que ce que l'image montre déjà. Un prompt négatif n'agit que si la guidance est supérieure à 1 ; les workflows à LoRA Lightning en 4 étapes tournent à 1 et l'ignorent. Sinon, la liste habituelle suffit : flou, mains déformées, membres en trop, scintillement, filigrane, texte.
Les réglages qui comptent
- Résolution : le 480p est environ trois fois plus rapide que le 720p et suffit souvent pour les réseaux sociaux ; gardez le 720p pour le clip final.
- Nombre d'images : 81 images à 16 i/s, le clip standard de cinq secondes. Les séquences plus longues dérivent ; mieux vaut générer deux clips et monter.
- Étapes : 40 étapes d'échantillonnage dans le script officiel, 20 dans le workflow ComfyUI de base. Avec le LoRA Lightning en 4 étapes, 4 à 8 suffisent.
- Guidance (CFG) : 3,5 par défaut pour le modèle I2V 14B, et 1 avec le LoRA en 4 étapes. Plus haut, le prompt est suivi plus littéralement mais le scintillement augmente.
- Seed : comme dans Stable Diffusion, mêmes image, prompt, réglages et seed reproduisent le même clip ; ne changez que la seed pour obtenir un autre mouvement sur la même image.
Validez le prompt en 480p avant de passer du temps sur le 720p. La seed ne se transpose pas : en 720p, le bruit a une autre forme, donc le mouvement change.
Quelles images s'animent le mieux
Wan 2.2 part de n'importe quelle photo ou image générée, mais certaines sont bien plus faciles. Un sujet principal net sur un fond simple donne un mouvement propre ; une scène chargée oblige le modèle à choisir ce qui bouge. Le clip reprend le ratio de l'image : portrait et paysage fonctionnent tous les deux. Dans ComfyUI, réglez une largeur et une hauteur de même ratio, sinon l'image est recadrée. Une image nette et bien éclairée garde son détail pendant le clip si elle est au moins aussi grande que la sortie (832 pixels sur le grand côté en 480p, 1280 en 720p) ; une source floue ou très compressée donne une vidéo floue.
Les images générées avec Stable Diffusion, SDXL ou Flux s'animent très bien, ce qui fait de l'image vers vidéo le moyen le plus simple d'obtenir une courte vidéo au rendu précis : générez d'abord exactement la frame voulue, puis animez-la.
Faire tourner Wan 2.2 I2V chez soi
Les poids sont sur Hugging Face et fonctionnent dans ComfyUI, dans Diffusers et dans le dépôt officiel Wan. Avec le script officiel, pour lequel Alibaba demande une carte de 80 Go, le modèle I2V 14B atteint un pic d'environ 41 Go de VRAM en 480p et 60 Go en 720p. Dans ComfyUI, il tourne sur une carte de 24 Go avec les checkpoints quantifiés fp8 et le déchargement, au prix de plusieurs minutes par clip. Le modèle TI2V 5B génère un clip 720p de cinq secondes sur une RTX 4090 en moins de dix minutes et demande environ 24 Go de VRAM avec le script officiel ; dans ComfyUI, il tient sur une carte de 8 Go. En dessous, passez par le cloud ou par la démo gratuite de ce site.