Cosa fa Wan 2.2 da immagine a video
Wan 2.2, pubblicato a luglio 2025 con licenza Apache 2.0, è il successore di Wan 2.1 nella linea di modelli video aperti di Alibaba. La variante da immagine a video, Wan2.2-I2V-A14B, è un transformer di diffusione a miscela di esperti: un esperto gestisce i primi passi, molto rumorosi, che fissano la struttura generale della scena, un altro gli ultimi passi che rifiniscono il dettaglio. Circa 14 miliardi di parametri sono attivi a ogni passo su 27 miliardi in totale. Un modello ibrido più piccolo, Wan2.2-TI2V-5B, accetta testo e immagine e gira su una sola scheda consumer.
Si dà al modello un'immagine, che diventa il primo fotogramma della clip, e un prompt che dice cosa deve muoversi. Genera 81 fotogrammi a 16 al secondo, circa cinque secondi, e costruisce la clip su quell'immagine: volti, abiti e luce restano vicini all'originale mentre la camera o il soggetto si muovono.
Come scrivere il prompt di movimento
L'immagine porta già soggetto, stile e composizione, quindi il prompt deve descrivere solo il cambiamento. Scrivi una o due frasi brevi: chi o cosa si muove, come, e cosa fa la camera. "La donna gira la testa a destra e sorride, vento leggero tra i capelli, lento avvicinamento" funziona; un elenco di tag di stile no. Nomina la camera quando conta: "camera fissa", "lenta panoramica a sinistra", "il drone sale".
Resta plausibile per cinque secondi. Un'azione per prompt è la scelta sicura. Verbi come cammina, saluta, sbatte le palpebre, scorre, fluttua, ruota danno un movimento prevedibile. Non chiedere ciò che non è nell'immagine: il modello può muovere un'auto, ma la strada dietro deve inventarla, ed è meno affidabile di ciò che l'immagine già mostra. Un prompt negativo ha effetto solo quando la guidance è superiore a 1; i workflow con il LoRA Lightning a 4 passi girano a 1 e lo ignorano. Negli altri casi basta la lista abituale: sfocato, mani deformate, arti in più, sfarfallio, filigrana, testo.
Le impostazioni che contano
- Risoluzione: il 480p è circa tre volte più veloce del 720p e spesso basta per i social; usa il 720p per la clip finale.
- Fotogrammi: 81 fotogrammi a 16 fps sono la clip standard di cinque secondi. Le sequenze più lunghe derivano; meglio generare due clip e montare.
- Passi: 40 passi di campionamento nello script ufficiale, 20 nel workflow di base di ComfyUI. Con il LoRA Lightning a 4 passi ne bastano da 4 a 8.
- Guidance (CFG): 3,5 per impostazione predefinita con il modello I2V da 14B, e 1 con il LoRA a 4 passi. Valori più alti seguono il prompt più alla lettera ma aggiungono sfarfallio.
- Seed: come in Stable Diffusion, stessa immagine, stesso prompt, stesse impostazioni e stesso seed riproducono la stessa clip; cambia solo il seed per ottenere un altro movimento sulla stessa immagine.
Prova il prompt in 480p prima di investire tempo nel 720p. Il seed non si trasferisce: in 720p il rumore ha un'altra forma, quindi il movimento cambia.
Quali immagini si animano meglio
Wan 2.2 parte da qualsiasi foto o immagine generata, ma alcune sono molto più facili. Un soggetto principale nitido su uno sfondo semplice dà un movimento pulito; una scena affollata costringe il modello a scegliere cosa muovere. La clip prende le proporzioni dell'immagine, quindi funzionano sia il formato verticale sia quello orizzontale. In ComfyUI imposta larghezza e altezza con lo stesso rapporto, altrimenti l'immagine viene ritagliata. Un'immagine nitida e ben illuminata conserva il dettaglio per tutta la clip se è grande almeno quanto il video in uscita (832 pixel sul lato lungo in 480p, 1280 in 720p); una sorgente sfocata o molto compressa produce un video sfocato.
Le immagini generate con Stable Diffusion, SDXL o Flux si animano molto bene, il che rende da immagine a video il modo più semplice per ottenere un breve video dall'aspetto preciso: genera prima esattamente il fotogramma che vuoi, poi animalo.
Eseguire Wan 2.2 I2V a casa
I pesi sono su Hugging Face e girano in ComfyUI, in Diffusers e nel repository ufficiale Wan. Con lo script ufficiale, che secondo Alibaba richiede una scheda da 80 GB, il modello I2V da 14B arriva a un picco di circa 41 GB di VRAM in 480p e 60 GB in 720p. In ComfyUI gira su una scheda da 24 GB con i checkpoint quantizzati fp8 e l'offloading, al prezzo di diversi minuti per clip. Il modello TI2V da 5B genera una clip 720p di cinque secondi su una RTX 4090 in meno di dieci minuti e richiede circa 24 GB di VRAM con lo script ufficiale; in ComfyUI entra in una scheda da 8 GB. Al di sotto, usa il cloud o la demo gratuita di questo sito.