初学者的AI视频生成：图像到视频、文本到视频及使用Wan、LTX-2和H3制作第一个剪辑

Q: 剪辑像静止图但有轻微闪烁

提示词里没动作动词，或者静态LoRA权重太高。 加主体动作和摄像机动作；把LoRA权重降到0.7。

Q: 脸部变形或身份变化

脸太小，帧数太多，或者480p下细节脸部。 裁剪更近，帧数49-61，或云端720p；最后手段是逐帧脸部细节修复。

Q: 摄像机跳动或场景跳切

提示词里有两个摄像机动作，或写了“cut to”等跳切词。 只用一个摄像机动作；把“jump cut”放负面提示。

Q: 720p时显存不足

帧数乘分辨率超显存。 降到480p或更少帧数，卸载文本编码器；详见AI视频显存指南。

Q: 动作LoRA没效果

加载到了错误的专家或模型大小。 看模型页面确认5B/14B和高/低噪声，按触发词加载。

主题：视频模型

作者：Lookout

发布于 2026年4月29日

概述

视频模型其实是带时间轴的图像模型：同一个去噪循环会同时处理一组帧，所以你对提示词、种子和去噪的理解都能用上，成本也会按帧数成倍增加。对初学者来说，实际影响有三点。先用图像到视频（I2V），因为一张好的静态图能确定构图和风格，视频模型只需专注于动作。保持剪辑短（大约五秒），因为模型训练时就是这个长度。除非你有24 GB显卡，否则大模型最好用云端。

2026年，三大开放模型系列满足大部分需求。Wan 2.2（阿里巴巴）是全能型：5B模型能在12-16 GB显存上运行，14B双专家模型质量最好，还有丰富的动作和风格LoRA生态。LTX-2（Lightricks）速度快还能生成同步音频，但需要24-32 GB显存。MiniMax H3是带对话和音效的音视频模型，主要通过托管流程使用；本站Mark White的H3提示指南讲得很详细。Hunyuan Video 1.5是Wan 14B的轻量替代。

目录列出了每个视频模型及其LoRA，标明基础模型和目标大小（5B或14B，高噪声或低噪声专家），模型页面展示了示例剪辑和提示词。运行按钮会在PirateDiffusion打开模型，你可以通过回复图片的工作流命令生成剪辑，或者在BitVector上传并选择模型。

参考

名称	类型	含义
I2V (image to video)	mode	让静态图动起来。最适合初学者：构图已经确定，提示词只描述动作。
T2V (text to video)	mode	只用提示词生成。变化多但控制少，适合找灵感和做B-roll。
FLF2V / first-last frame	mode	两个关键帧，模型补全中间动作。过渡受控。
Frames and fps	setting	Wan：81帧，16 fps（5秒）；LTX-2：97-121帧，24-25 fps；H3：145帧，约24 fps。显存用量随帧数增加。
Resolution	setting	Wan 2.2：832x480或480x832（快），1280x720（24 GB及以上）；LTX-2最高1080p+，需32 GB。人像用竖屏，场景用横屏。
Motion prompt	prompt	一个主体动作加一个摄像机动作：“她转向窗户微笑；慢慢推近”。避免列出图像已有的场景细节。
Steps / CFG / shift	setting	Wan 2.2 14B：20步，专家间10/10分配，CFG 3.5，shift 5；5B：20-30步，CFG 5；LTX-2：25-30步，使用自有调度；蒸馏LoRA（lightx2v）让Wan降到4-8步，CFG 1。
Motion LoRAs	file	摄像机移动、舞蹈、手势、物理效果；匹配5B/14B和专家。页面会标明目标。
Interpolation and upscale	post	用RIFE或FILM插帧到32-60 fps；用逐帧ESRGAN或SeedVR提升分辨率。

分步操作

制作或选一张静态图：1024x1024或832x1216，主体清晰，背景简单。脸部占画面超过十分之一的动画效果最好。
打开本站Wan 2.2 I2V模型页面，复制示例动作提示格式，点击运行按钮（PirateDiffusion：用/workflow命令回复你的图片；BitVector：上传并选模型）。
写一句描述主体动作和一句描述摄像机动作的提示词。不写衣服、颜色或光线，图像里已有。
生成832x480（横屏）或480x832（竖屏），81帧，默认步数。看完整剪辑，评价动作，不是清晰度。
只调整动作提示词：用慢动作词（“慢慢地”，“轻柔地”）减少乱动；只写一个摄像机动作防止跳帧。
本地用16 GB显卡：Wan 2.2 5B fp8或GGUF，832x480，49-81帧，文本编码器用CPU。24 GB显卡：14B fp8 480p，720p时编码器卸载。详见AI视频显存指南。
长视频：用第一段最后一帧做第二段起始图，动作提示词连贯；用编辑器拼接；最后插帧到30 fps并放大。
加音频：LTX-2和H3能同步生成音频；Wan用编辑器加音乐或音效。