Wan 2.2 image-to-video ทำอะไร
Wan 2.2 เปิดตัวในกรกฎาคม 2025 ภายใต้ใบอนุญาต Apache 2.0 เป็นรุ่นต่อจาก Wan 2.1 ในสายโมเดลวิดีโอแบบเปิดของ Alibaba รุ่น image-to-video คือ Wan2.2-I2V-A14B ใช้ diffusion transformer แบบ mixture-of-experts: expert ตัวหนึ่งดูแล step ต้น ๆ ที่สัญญาณรบกวนยังเยอะและกำหนดโครงภาพรวม อีกตัวดูแล step ท้าย ๆ ที่เก็บรายละเอียด มีพารามิเตอร์ทำงานราว 14 พันล้านต่อ step จากทั้งหมด 27 พันล้าน โมเดลลูกผสมที่เล็กกว่าคือ Wan2.2-TI2V-5B รับทั้งข้อความและภาพ และรันบนการ์ดจอทั่วไปใบเดียวได้
คุณให้ภาพหนึ่งภาพ ซึ่งจะกลายเป็นเฟรมแรกของคลิป และ prompt ที่บอกว่าอะไรควรขยับ โมเดลสร้าง 81 เฟรมที่ 16 เฟรมต่อวินาที ราวห้าวินาที และต่อยอดคลิปจากภาพนั้น: ใบหน้า เสื้อผ้า และแสงยังใกล้เคียงต้นฉบับ ขณะที่กล้องหรือตัวแบบเคลื่อนไหว
วิธีเขียน prompt บอกการเคลื่อนไหว
ภาพมีตัวแบบ สไตล์ และองค์ประกอบอยู่แล้ว prompt จึงแค่บรรยายสิ่งที่เปลี่ยน เขียนประโยคสั้น ๆ หนึ่งหรือสองประโยค: ใครหรืออะไรขยับ ขยับอย่างไร และกล้องทำอะไร "The woman turns her head to the right and smiles, soft wind in her hair, slow push-in" ใช้ได้ดี ส่วนรายการแท็กสไตล์ใช้ไม่ได้ ระบุกล้องให้ชัดเมื่อสำคัญ: "static camera" "slow pan to the left" "the drone rises"
ให้การเคลื่อนไหวสมเหตุสมผลสำหรับคลิปห้าวินาที หนึ่งการกระทำต่อหนึ่ง prompt คือทางที่ปลอดภัย กริยาอย่าง walks, waves, blinks, flows, drifts, rotates ให้การเคลื่อนไหวที่คาดเดาได้ อย่าขอสิ่งที่ไม่มีในภาพ: โมเดลขยับรถได้ แต่ต้องคิดถนนข้างหลังเอง ซึ่งไว้ใจได้น้อยกว่าสิ่งที่ภาพมีอยู่แล้ว negative prompt มีผลก็ต่อเมื่อ guidance สูงกว่า 1 ส่วน workflow แบบ 4 step ด้วย Lightning LoRA รันที่ 1 จึงมองข้ามมัน นอกนั้นรายการปกติใช้ได้: blurry, distorted hands, extra limbs, flickering, watermark, text
การตั้งค่าที่สำคัญ
- ความละเอียด: 480p เร็วกว่า 720p ราวสามเท่า และมักพอสำหรับโซเชียลมีเดีย ใช้ 720p สำหรับคลิปตัวจริง
- จำนวนเฟรม: 81 เฟรมที่ 16 fps คือคลิปห้าวินาทีมาตรฐาน ยาวกว่านั้นภาพจะเพี้ยน สร้างสองคลิปแล้วตัดต่อดีกว่า
- Step: 40 step ในสคริปต์ทางการ 20 ใน workflow พื้นฐานของ ComfyUI ถ้าใช้ Lightning LoRA แบบ 4 step แค่ 4 ถึง 8 ก็พอ
- Guidance (CFG): ค่าเริ่มต้น 3.5 สำหรับโมเดล I2V 14B และ 1 เมื่อใช้ LoRA แบบ 4 step ค่าสูงขึ้นทำตาม prompt ตรงตัวขึ้นแต่เพิ่มการกะพริบ
- Seed: เหมือนใน Stable Diffusion ภาพ prompt การตั้งค่า และ seed เดิมให้คลิปเดิม เปลี่ยนแค่ seed เพื่อได้การเคลื่อนไหวแบบอื่นจากภาพเดิม
ทดสอบ prompt ที่ 480p ก่อนจะเสียเวลากับ 720p seed ไม่ส่งต่อข้ามความละเอียด: ที่ 720p สัญญาณรบกวนมีรูปร่างอื่น การเคลื่อนไหวจึงเปลี่ยน
ภาพแบบไหนขยับได้สวยที่สุด
Wan 2.2 ใช้ได้กับภาพถ่ายหรือภาพที่ AI สร้างทุกแบบ แต่บางภาพง่ายกว่ามาก ตัวแบบหลักชัดเจนบนพื้นหลังเรียบ ๆ ให้การเคลื่อนไหวที่สะอาด ฉากแน่น ๆ ทำให้โมเดลต้องเลือกว่าจะขยับอะไร คลิปใช้สัดส่วนตามภาพ แนวตั้งและแนวนอนจึงใช้ได้ทั้งคู่ ใน ComfyUI ให้ตั้งความกว้างและสูงด้วยสัดส่วนเดียวกัน ไม่อย่างนั้นภาพจะถูกตัด ภาพที่คม แสงดี จะคงรายละเอียดได้ตลอดคลิปถ้ามีขนาดอย่างน้อยเท่าผลลัพธ์ (ด้านยาว 832 พิกเซลที่ 480p และ 1280 ที่ 720p) ต้นฉบับที่เบลอหรือบีบอัดหนักให้วิดีโอเบลอ
ภาพที่สร้างด้วย Stable Diffusion SDXL หรือ Flux ขยับได้สวยมาก ทำให้ image-to-video เป็นทางที่ง่ายที่สุดในการได้วิดีโอสั้นที่หน้าตาตรงใจ: สร้างเฟรมที่ต้องการให้เป๊ะก่อน แล้วค่อยทำให้ขยับ
รัน Wan 2.2 I2V ที่บ้าน
weights อยู่บน Hugging Face และรันได้ใน ComfyUI ใน Diffusers และใน repository ทางการของ Wan ด้วยสคริปต์ทางการ ซึ่ง Alibaba บอกว่าต้องใช้การ์ด 80 GB โมเดล I2V 14B ใช้ VRAM สูงสุดราว 41 GB ที่ 480p และ 60 GB ที่ 720p ใน ComfyUI รันบนการ์ด 24 GB ได้ด้วย checkpoint แบบ fp8 และการ offload แลกกับเวลาหลายนาทีต่อคลิป โมเดล TI2V 5B สร้างคลิป 720p ห้าวินาทีบน RTX 4090 ได้ในไม่ถึงสิบนาที และต้องใช้ VRAM ราว 24 GB ด้วยสคริปต์ทางการ ใน ComfyUI รันบนการ์ด 8 GB ได้ ต่ำกว่านั้น ใช้ GPU บนคลาวด์หรือเดโมฟรีบนเว็บไซต์นี้