Wan 2.2 文生视频是什么
Wan 2.2 发布时有三个开放模型。Wan2.2-T2V-A14B 是文生视频模型：混合专家扩散 Transformer，总参数 270 亿，每步激活 140 亿，由高噪声专家确定整体布局、低噪声专家打磨细节。Wan2.2-I2V-A14B 让现有图片动起来，Wan2.2-TI2V-5B 是两者兼备的小型混合模型，可在消费级显卡上以 720p、每秒 24 帧运行。
与 Wan 2.1 相比，2.2 系列的训练数据多了 66% 的图片和 83% 的视频，并带有光照、构图、对比度和色调的详细标注。因此提示词可以用电影术语来指定光线和取景，例如“soft lighting”（柔光）、“warm colors”（暖色调）或“low angle shot”（低角度拍摄），这些都出自阿里巴巴自己的提示词词表。
如何写视频提示词
视频提示词描述的是一个短场景，而不是一张静态画面。一种行之有效的结构是：主体、动作、场景、镜头、风格。“一只赤狐走过松林里的新雪，转头看向镜头，低角度跟拍，柔和的晨光，电影感”。每个要素都回答了一个模型否则只能猜的问题。
- 主体与动作：一个主体，一个带动词的清晰动作。五秒够做一个手势、一段行走、一次挥手，不够讲一个故事。
- 场景：地点和时段决定光线。
- 镜头：固定、横摇、俯仰、跟拍、推近、无人机镜头。要写明，否则由模型自选。
- 风格：电影感、纪录片、动画、黏土动画、35 毫米胶片。一个风格词就够。
动作要用平实的句子来写；关键词可以用来设定光线和取景，阿里巴巴自己的示例提示词就是这样做的，但一串标签描述不了运动。反向提示词留给经典缺陷：模糊、闪烁、手部畸形、多余手指、水印、字幕。它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。
参数与生成时间
官方默认值是每秒 16 帧、81 帧，480p 或 720p，40 步，引导系数 3 到 4；ComfyUI 工作流用 20 步、引导系数 3.5，配合 Lightning LoRA 时则是 4 步、引导系数 1。按官方设置，一段 480p 短片在单张 H100 数据中心 GPU 上约需五分半钟；同样帧数的 720p 大约要三倍时间。种子的用法与图片生成相同：固定种子比较两条提示词，更换种子得到同一提示词的另一条结果。画幅比例要在生成前选定，通常是 16:9 或 9:16，模型事后无法更改。
因为每次尝试都很慢，先用 480p 测试提示词，然后再用 720p 重跑。480p 下某一条的种子，到了 720p 会得到另一段短片，因为噪声的形状不同。大多数糟糕的结果来自动作太多或镜头指令自相矛盾的提示词，而不是参数。
文生视频目前还做不到的事
五秒、81 帧，是模型预设的长度；更长的生成会漂移。视频内的长文字不可靠。手部以及多人之间快速、复杂的互动仍常常失败。物理效果是“看着合理”而非精确：水、布料和头发动得不错，但球可能弹错方向。没有音频。想要精确的画面，用图生视频更容易：先用 Stable Diffusion、SDXL 或 Flux 生成第一帧，再用 Wan 2.2 让它动起来。
在本地运行 Wan 2.2 T2V
权重在 Hugging Face 上，可在 ComfyUI、Diffusers 和官方仓库中运行。使用官方脚本时（阿里巴巴称需要 80 GB 显卡），14B 的 T2V 模型在 480p 下显存峰值约 41 GB，720p 下约 60 GB。在 ComfyUI 中，用 fp8 检查点加卸载，24 GB 显卡也能跑，每段几分钟。5B 模型在 RTX 4090 上不到十分钟就能生成一段 720p 五秒短片。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，后者从一张图片出发，把它用作第一帧。