শুরু করার জন্য AI ভিডিও তৈরি: ছবি থেকে ভিডিও, লেখা থেকে ভিডিও এবং প্রথম ক্লিপ Wan, LTX-2 এবং H3 দিয়ে

Q: মুখ গলে যাচ্ছে বা পরিচয় বদলাচ্ছে

মুখ খুব ছোট, ফ্রেম বেশি, অথবা ৪৮০p তে বিস্তারিত মুখ। ক্লোজ ক্রপ করো, ৪৯-৬১ ফ্রেম, অথবা ক্লাউডে ৭২০p; ফ্রেম প্রতি মুখ-ডিটেইলার পাস শেষ উপায়।

Q: ক্যামেরা ঝাঁপ দিচ্ছে বা দৃশ্য কাটা

দুটি ক্যামেরা নির্দেশ, অথবা প্রম্পটে "cut to" শব্দ। এক ক্যামেরা মুভ; নেগেটিভে "jump cut" রাখো।

Q: ৭২০p তে মেমোরি শেষ

ফ্রেম গুণ রেজোলিউশন VRAM ছাড়িয়ে গেছে। ৪৮০p বা কম ফ্রেমে নামাও, টেক্সট এনকোডার অফলোড করো; VRAM for AI video গাইড দেখো।

Q: মোশন LoRA কাজ করছে না

ভুল এক্সপার্ট বা মডেল সাইজে লোড হয়েছে। মডেল পেজে ৫বি/১৪বি ও হাই/লো নয়েজ চেক করো; ট্রিগার ওয়ার্ড দিয়ে সঠিক এক্সপার্টে লোড করো।

বিষয়: ভিডিও মডেল

লিখেছেন Lookout

প্রকাশিত এপ্রি 29, 2026

সারসংক্ষেপ

ভিডিও মডেলগুলো হলো ছবি মডেল যাদের একটা সময় অক্ষ আছে: একই ডিনয়েজিং লুপ একসাথে ফ্রেমের ব্লকে চলে, তাই প্রম্পট, সিড এবং ডিনয়েজ সম্পর্কে যা জানো সব প্রযোজ্য, খরচও ফ্রেম সংখ্যার গুণফল। একজন নতুনের জন্য বাস্তব পরিণতি তিনটা: ছবি থেকে ভিডিও (I2V) দিয়ে শুরু করো, কারণ একটা ভালো ছবি মডেল থেকে স্টিল কম্পোজিশন আর স্টাইল ঠিক করে দেয়, ভিডিও মডেল শুধু মোশন বানাবে। ক্লিপগুলো ছোট রাখো (প্রায় পাঁচ সেকেন্ড), কারণ মডেলগুলো এটাই ট্রেন হয়েছে। আর বড় মডেলগুলো ক্লাউডে চালানোর আশা করো যদি তোমার কাছে ২৪ জিবি কার্ড না থাকে।

২০২৬ সালে তিনটি ওপেন পরিবার বেশিরভাগ চাহিদা পূরণ করে। Wan 2.2 (Alibaba) হলো অলরাউন্ডার: ৫ বিলিয়ন প্যারামিটার মডেল যা ১২-১৬ জিবি তে চলে এবং ১৪ বিলিয়ন দুই-এক্সপার্ট মডেল যা সেরা ওপেন কোয়ালিটি দেয়, সাথে মোশন ও স্টাইলের জন্য বিশাল LoRA ইকোসিস্টেম। LTX-2 (Lightricks) দ্রুত এবং সিঙ্কড অডিও তৈরি করে কিন্তু ২৪-৩২ জিবি চায়। MiniMax H3 হলো অডিও-ভিডিও মডেল, ডায়ালগ আর সাউন্ড ইফেক্টস সহ, বেশিরভাগ হোস্টেড ওয়ার্কফ্লো দিয়ে ব্যবহার হয়; এই সাইটে Mark White এর H3 প্রম্পটিং গাইড এ ব্যাপারে গভীর। Hunyuan Video 1.5 হলো Wan 14B এর হালকা বিকল্প।

ক্যাটালগে প্রতিটি ভিডিও মডেল ও তার LoRA গুলো তালিকাভুক্ত আছে, বেস ও সাইজ (৫বি বা ১৪বি, হাই-নয়েজ বা লো-নয়েজ এক্সপার্ট) সহ, আর মডেল পেজগুলোতে উদাহরণ ক্লিপ ও প্রম্পট দেখানো হয়। Run বাটন মডেলকে PirateDiffusion এ খুলে দেয়, যেখানে ওয়ার্কফ্লো কমান্ড দিয়ে তোমার ছবির রিপ্লাই থেকে ক্লিপ তৈরি হয়, অথবা BitVector এ।

রেফারেন্স

নাম	ধরন	এটি কী
I2V (image to video)	mode	একটি স্টিলকে অ্যানিমেট করো। প্রথমে এটা ভালো: কম্পোজিশন ঠিক থাকে; প্রম্পট শুধু মোশন বর্ণনা করে।
T2V (text to video)	mode	শুধু প্রম্পট থেকে। বেশি ভ্যারাইটি, কম নিয়ন্ত্রণ; আইডিয়া আর B-roll এর জন্য।
FLF2V / first-last frame	mode	দুটি কীফ্রেম; মডেল মোশন পূরণ করে। নিয়ন্ত্রিত ট্রানজিশন।
Frames and fps	setting	Wan: ৮১ ফ্রেম ১৬ fps (৫ সেকেন্ড); LTX-2: ৯৭-১২১ ফ্রেম ২৪-২৫ fps; H3: ১৪৫ ফ্রেম প্রায় ২৪ fps। মেমোরি ফ্রেমের সাথে বাড়ে।
Resolution	setting	Wan 2.2: ৮৩২x৪৮০ বা ৪৮০x৮৩২ (দ্রুত), ১২৮০x৭২০ (২৪ জিবি+); LTX-2 ৩২ জিবি তে ১০৮০p+ পর্যন্ত। মানুষদের জন্য পোর্ট্রেট, দৃশ্যের জন্য ল্যান্ডস্কেপ।
Motion prompt	prompt	একটি বিষয়ের মোশন আর একটি ক্যামেরার মোশন: "সে জানালার দিকে ঘুরে হাসে; ধীরে পুশ-ইন"। ছবিতে থাকা দৃশ্যের বিস্তারিত তালিকা এড়াও।
Steps / CFG / shift	setting	Wan 2.2 ১৪বি: ২০ স্টেপ, ১০/১০ এক্সপার্টে ভাগ, CFG ৩.৫, শিফট ৫; ৫বি: ২০-৩০ স্টেপ, CFG ৫; LTX-2: ২৫-৩০ স্টেপ নিজস্ব স্কেজুলে; distilled LoRA (lightx2v) Wan কে CFG ১ এ ৪-৮ স্টেপে নিয়ে আসে।
Motion LoRAs	file	ক্যামেরার মুভ, নাচ, অঙ্গভঙ্গি, ফিজিক্স; ৫বি/১৪বি ও এক্সপার্ট অনুযায়ী। এখানে পেজগুলো লক্ষ্য নির্দিষ্ট করে।
Interpolation and upscale	post	RIFE বা FILM দিয়ে ৩২-৬০ fps; ফ্রেম অনুযায়ী ESRGAN বা SeedVR রেজোলিউশনের জন্য।

ধাপে ধাপে

একটি স্টিল তৈরি বা বেছে নাও: ১০২৪x১০২৪ বা ৮৩২x১২১৬ রেন্ডার, স্পষ্ট বিষয় আর সহজ ব্যাকগ্রাউন্ড সহ। ফ্রেমের দশমাংশের বেশি বড় মুখ ভালো অ্যানিমেট হয়।
এই সাইটে Wan 2.2 I2V মডেল পেজ খুলে উদাহরণ মোশন প্রম্পট প্যাটার্ন কপি করো, Run বাটনে ক্লিক করো (PirateDiffusion: /workflow কমান্ড দিয়ে ছবির রিপ্লাই; BitVector: আপলোড করে মডেল বেছে নাও)।
বিষয় আর ক্যামেরার জন্য এক বাক্যের মোশন প্রম্পট লেখো। কাপড়, রং বা আলো সম্পর্কে কিছু বলো না; ছবিতে আছে।
৮৩২x৪৮০ (ল্যান্ডস্কেপ) বা ৪৮০x৮৩২ (পোর্ট্রেট), ৮১ ফ্রেম, ডিফল্ট স্টেপে জেনারেট করো। পুরো ক্লিপ দেখো; শার্পনেস নয়, মোশন বিচার করো।
শুধু মোশন প্রম্পট নিয়ে পুনরাবৃত্তি করো: ধীর ক্রিয়া ("ধীরে", "নরম") ফ্লেইলিং কমায়; এক ক্যামেরা নির্দেশ ঝাঁপ কমায়।
লোকালিতে, ১৬ জিবি কার্ডে: Wan 2.2 ৫বি fp8 বা GGUF, ৮৩২x৪৮০, ৪৯-৮১ ফ্রেম, টেক্সট এনকোডার CPU তে। ২৪ জিবি তে: ১৪বি fp8 ৪৮০p, ৭২০p এনকোডার অফলোড করে। VRAM for AI video গাইড দেখো।
লম্বা অংশ: ক্লিপ একের শেষ ফ্রেম ক্লিপ দুই এর শুরু ছবি হিসেবে নাও, মোশন প্রম্পট চালিয়ে যাও; এডিটরে জোড়া দাও; শেষে ৩০ fps এ ইন্টারপোলেট ও আপস্কেল করো।
সাউন্ড যোগ করো: LTX-2 আর H3 ক্লিপের সাথে অডিও তৈরি করে; Wan এর জন্য এডিটরে মিউজিক বা ইফেক্ট যোগ করো।

উদাহরণ

I2V এর জন্য মোশন প্রম্পট

Positive: she lifts the coffee cup, takes a sip and looks out of the window; slow push-in, shallow depth of field, natural motion

Negative (Wan): static, blurry, distorted face, extra fingers, jump cut, text

PirateDiffusion ওয়ার্কফ্লো কমান্ড

/workflow /run:wan22-i2v she lifts the coffee cup and looks out of the window, slow push-in /length:81 (as a reply to the still)

ComfyUI Wan 2.2 5B ১৬ জিবিতে

টিপস

মোশন ক্রিয়া বিশেষণ থেকে বেশি গুরুত্বপূর্ণ: "ঘোরে, হাঁটে, তোলে, ঢালে, হাত নাড়ে" প্রত্যেক আলাদা, নির্ভরযোগ্য মোশন দেয়; "সুন্দর সিনেম্যাটিক" কিছু দেয় না।
প্রতি ক্লিপে এক ক্যামেরা মুভ: পুশ-ইন, পুল-ব্যাক, প্যান লেফট, অরবিট। দুই মুভ হলে ঝাঁকুনি হয়।
পোর্ট্রেট স্টিল মুখ ভালো অ্যানিমেট করে; ল্যান্ডস্কেপ পরিবেশ ভালো।
Wan LoRA গুলো হাই-নয়েজ এক্সপার্ট মোশন গঠন করে; লো-নয়েজ ডিটেইল গঠন করে। অনেক প্যাক দুটোই দেয়; প্রতিটা তার এক্সপার্টে লোড করো।
Distilled LoRA (lightx2v, FastWan) Wan কে ২০ স্টেপ থেকে ৪-৬ এ কমায় CFG ১ এ, খুব কম কোয়ালিটি ক্ষতি; মডেল পেজে তালিকা আছে।
Wan ১৪বি তে ৪০৯০ তে প্রতি ক্লিপ ৩-১০ মিনিট, LTX-2 তে প্রায় ৯০ সেকেন্ড; ক্লাউড বেশিরভাগ ক্লিপ এক-দুই মিনিটে দেয়।

মডেল পেজে ৫বি/১৪বি ও হাই/লো নয়েজ চেক করো; ট্রিগার ওয়ার্ড দিয়ে সঠিক এক্সপার্টে লোড করো।

প্রশ্ন

প্রথম কোন ভিডিও মডেল?

Wan 2.2 I2V: সহজ, ভালো ডকুমেন্টেড, সবচেয়ে বেশি LoRA। Wan getting-started গাইডে পুরো সেটআপ আছে।

৮ জিবি কার্ডে কি করা যাবে?

Wan 2.1 1.3B বা Wan 2.2 5B GGUF দিয়ে ছোট ৪৮০p ক্লিপ ধীরে। বাস্তবে ক্লাউড থেকে শুরু করো।

কীভাবে সাউন্ড পাব?

LTX-2 আর MiniMax H3 সিঙ্কড অডিও তৈরি করে; Mark White এর H3 প্রম্পট গাইড ডায়ালগ আর ইফেক্টস ব্যাখ্যা করে।

ক্লিপ কত লম্বা হতে পারে?

প্রায় পাঁচ সেকেন্ড নেটিভলি। লম্বা অংশ হলো চেইন করা ক্লিপ; এক পাসে ছয় থেকে আট সেকেন্ডের বেশি হলে কোয়ালিটি কমে।

সর্বশেষ কমার্শিয়াল মডেলগুলো (Veo, Kling, Wan 3.0) কি লোকালি পাওয়া যায়?

না; সেগুলো API-ওয়ালি। এই গাইডের সবকিছু ওপেন-ওয়েট এবং লোকালি বা ক্লাউড পার্টনারে চলে।

লিংক ও উৎস

এই গাইডের মডেল

লিখেছেন

ক্রো'স নেস্টে বসে Hugging Face রিফ্রেশ করে যাতে আপনাকে করতে না হয়। নতুন মডেল ড্রপ হওয়ার মুহূর্তে রিপোর্ট করে এবং আবার যখন সেটি শান্তভাবে ফিক্সড কনফিগ নিয়ে পুনরায় আপলোড হয় তখনও রিপোর্ট করে। কখনোই যথেষ্ট আগেভাগে হয়নি। লঞ্চ ভিডিও থেকে বেশি বিশ্বাস করে লাইসেন্স ফাইলকে।

Lookout এর সব গাইড