Mit csinál a Wan 2.2 képből videó modellje
A 2025 júliusában, Apache 2.0 licenc alatt kiadott Wan 2.2 a Wan 2.1 utódja az Alibaba nyílt videómodelljeinek sorában. A képből videó változat, a Wan2.2-I2V-A14B, szakértők keverékére (mixture of experts) épülő diffúziós transzformer: az egyik szakértő a korai, zajos lépéseket kezeli, amelyek a kép elrendezését rögzítik, a másik a késői lépéseket, amelyek a részleteket finomítják. A 27 milliárd paraméterből lépésenként körülbelül 14 milliárd aktív. A kisebb hibrid modell, a Wan2.2-TI2V-5B, szöveget és képet is elfogad, és egyetlen otthoni kártyán fut.
Adsz a modellnek egy képet, amely a klip első képkockája lesz, és egy promptot, amely leírja, minek kell mozognia. 81 képkockát generál másodpercenként 16 képkockával, azaz körülbelül öt másodpercet, és erre a képre építi a klipet: az arcok, a ruhák és a fény közel maradnak a forráshoz, miközben a kamera vagy a téma mozog.
Hogyan írd meg a mozgás promptját
A kép már hordozza a témát, a stílust és a kompozíciót, így a promptnak csak a változást kell leírnia. Írj egy-két rövid mondatot: ki vagy mi mozog, hogyan, és mit csinál a kamera. A „The woman turns her head to the right and smiles, soft wind in her hair, slow push-in” működik; egy stíluscímke-lista nem. Ha számít, nevezd meg a kamerát: „static camera”, „slow pan to the left”, „the drone rises”.
A mozgás maradjon hihető egy ötmásodperces kliphez. Promptonként egy cselekvés a biztos választás. Az olyan igék, mint walks, waves, blinks, flows, drifts, rotates, kiszámítható mozgást adnak. Ne kérj olyat, ami nincs a képen: a modell el tud mozdítani egy autót, de a mögötte lévő utat ki kell találnia, ami kevésbé megbízható annál, amit a kép már mutat. A negatív promptnak csak akkor van hatása, ha a guidance 1 fölött van; a 4 lépéses Lightning LoRA workflow-k 1-en futnak, és figyelmen kívül hagyják. Egyébként a szokásos lista működik: blurry, distorted hands, extra limbs, flickering, watermark, text.
Beállítások, amelyek számítanak
- Felbontás: a 480p körülbelül háromszor gyorsabb a 720p-nél, és közösségi médiához gyakran elég; a végleges kliphez használj 720p-t.
- Képkockák: 81 képkocka 16 fps-sel a szabványos ötmásodperces klip. A hosszabb sorozatok elcsúsznak; jobb két klipet generálni és összevágni.
- Lépések: 40 mintavételezési lépés a hivatalos szkriptben, 20 az alap ComfyUI workflow-ban. A 4 lépéses Lightning LoRA-val 4–8 is elég.
- Guidance (CFG): alapból 3,5 a 14B I2V modellnél, 1 a 4 lépéses LoRA-val. A magasabb értékek szó szerintibben követik a promptot, de villódzást adnak.
- Seed: mint a Stable Diffusionban, ugyanaz a kép, prompt, beállítás és seed ugyanazt a klipet adja; ugyanahhoz a képhez más mozgásért csak a seedet változtasd.
Teszteld a promptot 480p-n, mielőtt időt szánsz a 720p-re. A seed nem vihető át: 720p-n a zaj alakja más, így a mozgás változik.
Mely képek animálhatók a legjobban
A Wan 2.2 bármilyen fotóval vagy AI-generált képpel működik, de némelyik sokkal könnyebb neki. Egy világos fő téma egyszerű háttér előtt tiszta mozgást ad; zsúfolt jelenetnél a modellnek választania kell, mit mozgasson. A klip a kép képarányát veszi fel, így álló és fekvő is működik. A ComfyUI-ban azonos arányú szélességet és magasságot állíts be, különben a modell levágja a kép szélét. Az éles, jól megvilágított képek megtartják a részleteket a klipben, ha legalább akkorák, mint a kimenet (832 pixel a hosszabbik oldalon 480p-n, 1280 a 720p-n); az elmosódott vagy erősen tömörített forrás elmosódott videót ad.
A Stable Diffusionnal, SDXL-lel vagy Fluxszal generált képek nagyon jól animálhatók, így a képből videó a legegyszerűbb út egy pontos kinézetű rövid videóhoz: előbb generáld le pontosan a kívánt képkockát, aztán keltsd életre.
A Wan 2.2 I2V futtatása otthon
A súlyok a Hugging Face-en vannak, és a ComfyUI-ban, a Diffusersben és a hivatalos Wan-repóban futnak. A hivatalos szkripttel, amelyhez az Alibaba szerint 80 GB-os kártya kell, a 14B I2V modell csúcsban körülbelül 41 GB VRAM-ot használ 480p-n és 60 GB-ot 720p-n. A ComfyUI-ban 24 GB-os kártyán fut az fp8-ra kvantált checkpointokkal és offloadinggal, klipenként több perc árán. Az 5B TI2V modell egy RTX 4090-en tíz percen belül készít 720p-s, ötmásodperces klipet, és a hivatalos szkripttel körülbelül 24 GB VRAM-ot igényel; a ComfyUI-ban 8 GB-os kártyára is elfér. Ez alatt használj felhőalapú GPU-t vagy az oldal ingyenes demóját.