Wan 2.2 图生视频做什么
Wan 2.2 于 2025 年 7 月以 Apache 2.0 许可证发布，是阿里巴巴开放视频模型系列中 Wan 2.1 的后继版本。图生视频版本 Wan2.2-I2V-A14B 是一个混合专家（MoE）扩散 Transformer：一位专家负责噪声很大的前期步骤，确定整体布局；另一位专家负责后期步骤，打磨细节。总参数 270 亿，每一步约有 140 亿参数在工作。更小的混合模型 Wan2.2-TI2V-5B 同时接受文字和图片，可在一张消费级显卡上运行。
你给模型一张图片作为短片的第一帧，再给一句提示词说明什么该动。模型以每秒 16 帧生成 81 帧，约五秒，整段短片都以这张图片为基础：镜头或主体移动时，面孔、衣着和光线都贴近原图。
如何写运动提示词
图片本身已经包含主体、风格和构图，提示词只需描述变化。写一两句短句：谁或什么在动、怎么动、镜头做什么。“女人向右转头微笑，微风吹动头发，镜头缓慢推近”是可行的；一串风格标签则不行。镜头重要时要明确写出：“固定镜头”“向左缓慢横摇”“无人机上升”。
运动要在五秒内合理。每条提示词只写一个动作最稳妥。走、挥手、眨眼、流动、飘动、旋转这类动词能给出可预期的运动。不要要求图片里没有的东西：模型能让汽车移动，但车后的道路得靠它凭空生成，不如图片里已有的内容可靠。反向提示词只有在引导系数高于 1 时才起作用；4 步 Lightning LoRA 工作流把引导系数设为 1，会忽略它。其他情况下，用常规列表即可：模糊、手部畸形、多余肢体、闪烁、水印、文字。
关键参数
- 分辨率：480p 比 720p 快约三倍，发社交媒体往往够用；成片再用 720p。
- 帧数：每秒 16 帧、81 帧是标准的五秒短片。更长的序列会漂移，不如生成两段再剪辑。
- 步数：官方脚本为 40 步采样，ComfyUI 基础工作流为 20 步。使用 4 步 Lightning LoRA 时，4 到 8 步就够。
- 引导系数（CFG）：14B I2V 模型默认 3.5，使用 4 步 LoRA 时为 1。数值越高越贴近提示词，但闪烁也越多。
- 种子：和 Stable Diffusion 一样，相同的图片、提示词、设置和种子会复现同一段短片；只改种子就能让同一张图得到另一种运动。
先用 480p 验证提示词，再把时间花在 720p 上。种子无法沿用：720p 下噪声的形状不同，运动也会随之改变。
哪些图片最容易动起来
Wan 2.2 可以从任何照片或 AI 图片出发，但有些图片容易得多。简单背景上有清晰主体的图片运动干净；画面拥挤时模型得自己决定动什么。短片沿用图片的宽高比，所以横图、竖图都可以。在 ComfyUI 中，请按图片的宽高比设置宽度和高度，否则图片会被裁剪。清晰且光线充足的图片，只要不小于输出尺寸（480p 时长边 832 像素，720p 时 1280 像素），就能在整段短片中保留细节；模糊或压缩严重的原图只会得到模糊的视频。
用 Stable Diffusion、SDXL 或 Flux 生成的图片动起来效果很好，这使图生视频成为获得精确画面感短片的最简单途径：先生成你想要的那一帧，再让它动起来。
在本地运行 Wan 2.2 I2V
权重在 Hugging Face 上，可在 ComfyUI、Diffusers 和 Wan 官方仓库中运行。使用官方脚本时（阿里巴巴称需要 80 GB 显卡），14B 的 I2V 模型在 480p 下显存峰值约 41 GB，720p 下约 60 GB。在 ComfyUI 中，使用 fp8 量化检查点并启用卸载，24 GB 显卡也能跑，代价是每段几分钟。5B 的 TI2V 模型在 RTX 4090 上不到十分钟就能生成一段 720p 五秒短片，使用官方脚本需要约 24 GB 显存；在 ComfyUI 中，8 GB 显卡就能装下它。低于这个水平的话，请使用云端 GPU 或本站的免费演示。