Generování AI videa pro začátečníky: z obrázku na video, z textu na video a první klip s Wan, LTX-2 a H3

Q: Skoky kamery nebo střih scény

Dvě instrukce kamery, nebo ve promptu slova jako "cut to". Použij jen jeden pohyb kamery; "jump cut" dej do negativního promptu.

Q: Nedostatek paměti při 720p

Počet snímků krát rozlišení přesahuje VRAM. Sniž rozlišení na 480p nebo počet snímků, odlož textový enkodér; viz průvodce VRAM pro AI video.

Q: Motion LoRA nic nedělá

Načteno na špatného experta nebo špatnou velikost modelu. Zkontroluj stránku modelu pro 5B/14B a vysoký/nízký šum; načti podle toho s příslušným spouštěcím slovem.

Téma: Video modely

Autor: Lookout

Publikováno 29. Dub 2026

Přehled

Video modely jsou obrazové modely s časovou osou: stejný proces odšumu běží najednou na bloku snímků, takže všechno, co víš o promptech, semenech a odšumu, platí i tady, stejně jako náklady, které se násobí počtem snímků. Pro začátečníka to znamená tři věci. Začni s obrázkem na video (I2V), protože dobrý statický obrázek od obrazového modelu už vyřeší kompozici a styl a video model pak vymýšlí jen pohyb. Drž klipy krátké (asi pět sekund), protože na takových modelech se trénovalo. A počítej s tím, že velké modely poběží spíš v cloudu, pokud nemáš 24GB kartu.

Tři otevřené rodiny pokryjí většinu potřeb v roce 2026. Wan 2.2 (Alibaba) je univerzál: 5B model, který běží na 12-16 GB, a 14B dvou-expertový model s nejlepší otevřenou kvalitou, plus obrovský ekosystém LoRA pro pohyb a styl. LTX-2 (Lightricks) je rychlý a generuje synchronizovaný zvuk, ale chce 24-32 GB. MiniMax H3 je audio-video model s dialogy a zvukovými efekty, většinou se používá přes hostované workflow; Mark White má na tomto webu podrobné návody na H3 promptování. Hunyuan Video 1.5 je lehčí alternativa k Wan 14B.

Katalog uvádí každý video model a jeho LoRA s verzí a velikostí, na kterou cílí (5B nebo 14B, expert s vysokým nebo nízkým šumem), a stránky modelů ukazují ukázkové klipy s jejich promptem. Tlačítko Run otevře model na PirateDiffusion, kde workflow příkaz vytvoří klip z odpovědi na tvůj obrázek, nebo na BitVector.

Reference

Název	Typ	Co to je
I2V (image to video)	mode	Oživit statický obrázek. Nejlepší první režim: kompozice už sedí; prompt popisuje jen pohyb.
T2V (text to video)	mode	Jen z promptu. Větší variabilita, menší kontrola; použij pro nápady a doplňkové záběry.
FLF2V / first-last frame	mode	Dva klíčové snímky; model vyplní pohyb mezi nimi. Kontrolované přechody.
Frames and fps	setting	Wan: 81 snímků při 16 fps (5 s); LTX-2: 97-121 snímků při 24-25 fps; H3: 145 snímků při ~24 fps. Paměť roste s počtem snímků.
Resolution	setting	Wan 2.2: 832x480 nebo 480x832 (rychlé), 1280x720 (24 GB+); LTX-2 až 1080p+ s 32 GB. Portrét pro lidi, krajina pro scény.
Motion prompt	prompt	Jeden pohyb subjektu a jeden pohyb kamery: "otočí se k oknu a usměje se; pomalý přiblížení". Vyhni se popisu detailů scény, které už jsou na obrázku.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 kroků rozdělených 10/10 mezi experty, CFG 3.5, shift 5; 5B: 20-30 kroků, CFG 5; LTX-2: 25-30 kroků s vlastním plánem; destilované LoRA (lightx2v) zkracují Wan na 4-8 kroků při CFG 1.
Motion LoRAs	file	Pohyby kamery, tance, gesta, fyzika; přizpůsobené 5B/14B a expertovi. Stránky tady uvádějí cílový model.
Interpolation and upscale	post	RIFE nebo FILM na 32-60 fps; po snímcích ESRGAN nebo SeedVR pro rozlišení.

Krok za krokem

Vytvoř nebo vyber statický obrázek: render 1024x1024 nebo 832x1216 s jasným subjektem a jednoduchým pozadím. Nejlépe se animují tváře větší než desetina snímku.
Otevři stránku modelu Wan 2.2 I2V na tomto webu, zkopíruj příklad vzoru pohybového promptu a stiskni tlačítko Run (PirateDiffusion: odpověz na svůj obrázek příkazem /workflow; BitVector: nahraj a vyber model).
Napiš pohybový prompt jednou větou pro subjekt a jednou pro kameru. Nic o oblečení, barvách nebo světle; to už je na obrázku.
Generuj v rozlišení 832x480 (krajina) nebo 480x832 (portrét), 81 snímků, výchozí počet kroků. Podívej se na celý klip; posuzuj pohyb, ne ostrost.
Upravuj jen pohybový prompt: pomalejší slovesa ("pomalu", "jemně") snižují mávání; jedna instrukce kamery zabrání skokům.
Lokálně, s 16GB kartou: Wan 2.2 5B fp8 nebo GGUF, 832x480, 49-81 snímků, textový enkodér na CPU. S 24 GB: 14B fp8 na 480p, 720p s enkodérem mimo GPU. Viz průvodce VRAM pro AI video.
Delší kusy: vezmi poslední snímek prvního klipu jako startovní obrázek druhého s pokračujícím pohybovým promptem; spoj v editoru; nakonec interpoluj na 30 fps a zvětši rozlišení.
Přidej zvuk: LTX-2 a H3 generují zvuk s klipem; u Wan přidej hudbu nebo efekty v editoru.

Příklady

Pohybový prompt pro I2V

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

Workflow příkaz pro PirateDiffusion

/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 na 16 GB

Tipy

Slovesa pohybu jsou důležitější než přídavná jména: "otočí se, jde, zvedá, nalévá, mává" dávají jasný, spolehlivý pohyb; "krásný, filmový" nic nevygeneruje.
Jeden pohyb kamery na klip: přiblížení, oddálení, panoráma vlevo, oblet. Dva pohyby způsobí chvění.
Portrétní statické obrázky lépe animují tváře; krajinné lépe animují prostředí.
Wan LoRA pro experta s vysokým šumem formují pohyb; nízký šum formuje detaily. Mnoho balíčků má obojí; načítej je na správného experta.
Destilované LoRA (lightx2v, FastWan) zkracují Wan z 20 kroků na 4-6 při CFG 1 s malou ztrátou kvality; jsou uvedeny na stránkách modelů.
Počítej s 3-10 minutami na klip na 4090 pro Wan 14B a asi 90 sekund pro LTX-2; cloud většinu klipů vrátí za minutu nebo dvě.

Zkontroluj stránku modelu pro 5B/14B a vysoký/nízký šum; načti podle toho s příslušným spouštěcím slovem.

Otázky

Který video model vyzkoušet první?

Wan 2.2 I2V: odpouští chyby, dobře zdokumentovaný, nejvíc LoRA. Průvodce Wan začátky má kompletní nastavení.

Můžu to dělat na 8GB kartě?

Krátké 480p klipy s Wan 2.1 1.3B nebo Wan 2.2 5B GGUF, pomalu. Reálně začni v cloudu.

Jak získat zvuk?

LTX-2 a MiniMax H3 generují synchronizovaný zvuk; Mark White má návody na promptování dialogů a efektů pro H3.

Jak dlouhý může být klip?

Asi pět sekund nativně. Delší kusy jsou řetězené klipy; kvalita klesá po šesti až osmi sekundách v jednom průchodu.

Jsou nejnovější komerční modely (Veo, Kling, Wan 3.0) dostupné lokálně?

Ne; jsou jen přes API. Vše v tomto průvodci je otevřená váha a běží lokálně nebo u cloudových partnerů.

Odkazy a zdroje

Modely v tomto návodu

Napsal

Sedí na pozorovatelně a obnovuje Hugging Face, aby ses nemusel starat ty. Hlásí nový model hned, jak vyjde, a znovu, když je tiše nahrán s opravenou konfigurací. Nikdy nebyl dost brzy. Více věří licenčnímu souboru než uváděcímu videu.

Všechny průvodce od Lookout

Wan 2.2 video: nastavení text-to-video a image-to-video, nastavení a LoRA

24. Kvě 2026

Kolik VRAM potřebuješ pro AI video? Wan 2.2, HunyuanVideo 1.5 a LTX-2 podle velikosti GPU (2026)

6. Říj 2026

Promptování MiniMax H3: text na video, obrázek na video, referenční video a audio

20. Zář 2026

MiniMax H3 video prompts: the official structure

14. Zář 2026

LTX 2.3 Crisp Enhance: ostřejší, více filmové detaily ve videu

3. Říj 2026

Průvodce GPU a VRAM pro AI obrázky a video: co každý model potřebuje a co koupit (nebo ne)

7. Led 2026

HunyuanVideo text to video ComfyUI workflow: model 13B, který spustil lokální video

9. Říj 2026

Nejlepší open-source AI video modely v roce 2026: co si opravdu můžeš stáhnout

14. Říj 2026

Další návody

Jak nainstalovat Wan2GP: AI video a obrázky na GPU s nízkou VRAM

8. Říj 2026

Paušální poplatek vs tokeny: proč jsou neomezené plány jako Graydient.ai nejlepší hodnotou pro tvůrce AI v roce 2026

8. Říj 2026

Požadavky na VRAM pro všechny populární AI modely pro obrázky a video (2026): plná přesnost, FP8 a GGUF

6. Říj 2026

HunyuanVideo 1.5 vs Wan 2.2: který otevřený video model použít v roce 2026

4. Říj 2026

Jak spustit AI modely v cloudu (začátečnický průvodce 2026): Flux, Wan a SDXL bez GPU