تولید ویدیو با هوش مصنوعی برای مبتدی‌ها: تصویر به ویدیو، متن به ویدیو و اولین کلیپ با Wan، LTX-2 و H3
مرور کلی
مدل‌های ویدیویی در واقع مدل‌های تصویری با محور زمان هستند: همان حلقه حذف نویز روی یک بلوک از فریم‌ها به صورت همزمان اجرا می‌شود، پس هر چیزی که درباره پرامپت‌ها، بذرها و حذف نویز می‌دانید، اینجا هم صدق می‌کند، و هزینه‌ها هم به تعداد فریم‌ها ضرب می‌شود. برای مبتدی‌ها سه نکته مهم دارد. اول با تصویر به ویدیو (I2V) شروع کنید، چون یک تصویر ثابت خوب ترکیب‌بندی و سبک را مشخص می‌کند و مدل ویدیویی فقط باید حرکت را بسازد. دوم کلیپ‌ها را کوتاه نگه دارید (حدود پنج ثانیه)، چون مدل‌ها روی این طول آموزش دیده‌اند. سوم انتظار داشته باشید مدل‌های بزرگ را روی فضای ابری اجرا کنید مگر اینکه کارت 24 گیگ داشته باشید.
سه خانواده مدل باز در سال 2026 بیشتر نیازها را پوشش می‌دهند. Wan 2.2 (علی‌بابا) مدل همه‌کاره است: یک مدل 5 میلیارد پارامتری که روی کارت 12-16 گیگ اجرا می‌شود و یک مدل دو-کارشناس 14 میلیاردی با بهترین کیفیت باز، به‌علاوه یک اکوسیستم بزرگ LoRA برای حرکت و سبک. LTX-2 (Lightricks) سریع است و صدای همگام تولید می‌کند اما به 24-32 گیگ نیاز دارد. MiniMax H3 مدل صوتی-تصویری با دیالوگ و افکت‌های صوتی است که بیشتر از طریق جریان‌های میزبانی شده استفاده می‌شود؛ راهنمای پرامپت H3 توسط Mark White در این سایت به طور عمیق توضیح داده شده. Hunyuan Video 1.5 جایگزین سبک‌تری برای Wan 14B است.
کاتالوگ هر مدل ویدیویی و LoRAهای آن را با پایه و اندازه هدف‌شان (5B یا 14B، کارشناس نویز بالا یا پایین) فهرست می‌کند، و صفحات مدل کلیپهای نمونه با پرامپت‌هایشان را نشان می‌دهند. دکمه Run مدل را در PirateDiffusion باز می‌کند، جایی که یک فرمان جریان کاری کلیپ را از پاسخ به تصویر شما تولید می‌کند، یا در BitVector.
مرجع
نام | نوع | چیست |
|---|---|---|
I2V (image to video) | mode | یک تصویر ثابت را متحرک کن. بهترین حالت اول: ترکیب‌بندی قبلاً درست است؛ پرامپت فقط حرکت را توصیف می‌کند. |
T2V (text to video) | mode | فقط از یک پرامپت. تنوع بیشتر، کنترل کمتر؛ برای ایده‌ها و B-roll استفاده کن. |
FLF2V / first-last frame | mode | دو فریم کلیدی؛ مدل حرکت بین آن‌ها را پر می‌کند. انتقال‌های کنترل‌شده. |
Frames and fps | setting | |
Resolution | setting | |
Motion prompt | prompt | حرکت یک سوژه به همراه یک حرکت دوربین: «او به سمت پنجره می‌چرخد و لبخند می‌زند؛ حرکت آرام به داخل». از ذکر جزئیات صحنه که در تصویر هست خودداری کن. |
setting | Wan 2.2 14B: 20 مرحله تقسیم شده 10/10 بین کارشناسان، CFG 3.5، شیفت 5؛ 5B: 20-30 مرحله، CFG 5؛ LTX-2: 25-30 مرحله با برنامه خودش؛ LoRAهای تقطیر شده (lightx2v) وان را به 4-8 مرحله با CFG 1 می‌رسانند. | |
Motion LoRAs | file | حرکات دوربین، رقص‌ها، ژست‌ها، فیزیک؛ متناسب با 5B/14B و کارشناس. صفحات اینجا هدف را نام می‌برند. |
Interpolation and upscale | post | RIFE یا FILM تا 32-60 فریم بر ثانیه؛ ESRGAN یا SeedVR به صورت فریم به فریم برای رزولوشن. |
گام به گام
- یک تصویر ثابت بساز یا انتخاب کن: رندر 1024x1024 یا 832x1216 با سوژه واضح و پس‌زمینه ساده. صورت‌هایی که بزرگ‌تر از یک دهم فریم باشند بهتر متحرک می‌شوند.
- صفحه مدل Wan 2.2 I2V را در این سایت باز کن، الگوی پرامپت حرکت نمونه را کپی کن و دکمه Run را بزن (PirateDiffusion: به تصویر خود با فرمان /workflow پاسخ بده؛ BitVector: آپلود کن و مدل را انتخاب کن).
- یک پرامپت حرکت با یک جمله برای سوژه و یک جمله برای دوربین بنویس. چیزی درباره لباس، رنگ‌ها یا نور ننویس؛ این‌ها در تصویر هستند.
- با رزولوشن 832x480 (منظره) یا 480x832 (پرتره)، 81 فریم، مراحل پیش‌فرض تولید کن. کل کلیپ را ببین؛ حرکت را قضاوت کن، نه وضوح تصویر.
- فقط روی پرامپت حرکت تکرار کن: افعال کندتر («آرام»، «ملایم») حرکات بی‌هدف را کم میکنند؛ یک دستور دوربین باعث جلوگیری از پرش‌ها می‌شود.
- به صورت محلی، با کارت 16 گیگ: Wan 2.2 5B fp8 یا GGUF، 832x480، 49-81 فریم، رمزگذار متن روی CPU. با 24 گیگ: 14B fp8 در 480p، 720p با رمزگذار غیرفعال. راهنمای VRAM برای ویدیو AI را ببین.
- قطعات طولانیتر: فریم آخر کلیپ اول را به عنوان تصویر شروع کلیپ دوم با پرامپت حرکت ادامه‌دار بگیر؛ در ویرایشگر به هم وصل کن؛ در نهایت به 30 فریم بر ثانیه میان‌یابی و بزرگ‌نمایی کن.
- صدا اضافه کن: LTX-2 و H3 صدا را همراه کلیپ تولید میکنند؛ برای Wan، موسیقی یا افکتها را در ویرایشگر اضافه کن.
مثال‌ها
پرامپت حرکت برای 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
فرمان جریان کاری 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 روی 16 گیگ
UnetLoaderGGUF wan2.2_ti2v_5B_Q8_0 | CLIPLoader umt5_xxl_fp8 (cpu) | Wan VAE 2.2 | WanImageToVideo 832x480, 81 frames | KSampler 24 steps, cfg 5, uni_pc, simple | VAE Decode (Tiled)
نکات
- افعال حرکت مهم‌تر از صفت‌ها هستند: «می‌چرخد، راه می‌رود، بلند می‌کند، می‌ریزد، دست تکان میدهد» هر کدام حرکت خاص و قابل اطمینانی تولید میکنند؛ «زیبا، سینمایی» هیچ حرکتی نمی‌سازد.
- هر کلیپ فقط یک حرکت دوربین: نزدیک شدن، عقب رفتن، پان به چپ، چرخش. دو حرکت باعث لرزش می‌شود.
- تصاویر پرتره صورت‌ها را بهتر متحرک میکنند؛ تصاویر منظره محیط‌ها را بهتر.
- LoRAهای Wan برای کارشناس نویز بالا حرکت را شکل می‌دهند؛ نویز پایین جزئیات را. بسیاری از پک‌ها هر دو را دارند؛ هر کدام را روی کارشناس خودش بارگذاری کن.
- LoRAهای تقطیر شده (lightx2v، FastWan) وان را از 20 مرحله به 4-6 مرحله با CFG 1 می‌رسانند بدون افت کیفیت زیاد؛ صفحات مدل آن‌ها را فهرست کرده‌اند.
- انتظار داشته باش هر کلیپ روی 4090 برای Wan 14B بین 3 تا 10 دقیقه و برای LTX-2 حدود 90 ثانیه طول بکشد؛ فضای ابری بیشتر کلیپ‌ها را در یک یا دو دقیقه برمی‌گرداند.
عیب‌یابی
کلیپ ثابت با لرزش جزئی
چرا رخ میدهد
No motion verb in the prompt, or a static LoRA weight too high.
چگونه رفع می‌شود
یک حرکت سوژه و یک حرکت دوربین اضافه کن؛ وزن LoRAها را به 0.7 کاهش بده.
صورت ذوب می‌شود یا هویت تغییر می‌کند
چرا رخ میدهد
Face too small, too many frames, or 480p on a detailed face.
چگونه رفع می‌شود
نزدیک‌تر کراپ کن، 49-61 فریم، یا 720p روی فضای ابری؛ استفاده از فیلتر جزئیات صورت برای هر فریم آخرین راه است.
پرش دوربین یا برش صحنه
چرا رخ میدهد
Two camera instructions, or "cut to" words in the prompt.
چگونه رفع می‌شود
فقط یک حرکت دوربین؛ «jump cut» را در منفی بگذار.
کمبود حافظه در 720p
چرا رخ میدهد
Frames times resolution exceed VRAM.
چگونه رفع می‌شود
به 480p یا فریم کمتر برو، رمزگذار متن را غیرفعال کن؛ راهنمای VRAM برای ویدیو AI را ببین.
LoRA حرکت هیچ کاری نمیکند
چرا رخ میدهد
Loaded on the wrong expert or the wrong model size.
چگونه رفع می‌شود
صفحه مدل را برای 5B/14B و نویز بالا/پایین چک کن؛ مطابق با کلمه کلیدی بارگذاری کن.
پرسش‌ها
Which video model first?
Wan 2.2 I2V: بخشنده، مستند خوب، بیشترین LoRAها. راهنمای شروع Wan تنظیم کامل را دارد.
Can I do this on an 8 GB card?
کلیپهای کوتاه 480p با Wan 2.1 1.3B یا Wan 2.2 5B GGUF، با سرعت کم. واقعبینانه، از فضای ابری شروع کن.
How do I get sound?
LTX-2 و MiniMax H3 صدای همگام تولید میکنند؛ راهنمای پرامپت H3 مارک وایت دیالوگ و افکتها را توضیح میدهد.
How long can a clip be?
حدود پنج ثانیه به طور طبیعی. قطعات طولانیتر کلیپهای زنجیرهای هستند؛ کیفیت بعد از شش تا هشت ثانیه در یک بار کاهش مییابد.
Are the newest commercial models (Veo, Kling, Wan 3.0) available locally?
خیر؛ فقط از طریق API هستند. همه چیز در این راهنما وزن باز دارد و محلی یا روی فضای ابری اجرا می‌شود.
لینک‌ها و منابع
- Wan 2.2 repository
- LTX-2 (Lightricks)
- Wan family page
- LTX-2 family page
- MiniMax H3 family page
- PirateDiffusionAD
- BitVector web appAD
مدل‌های این راهنما
نویسنده
در برج دیده‌بانی نشسته و Hugging Face را تازه می‌کند تا شما مجبور نباشید. به محض انتشار مدل جدید گزارش میدهد و دوباره وقتی با پیکربندی اصلاح‌شده به آرامی آپلود می‌شود. هیچ‌وقت زودتر از موعد نبوده. به فایل مجوز بیشتر از ویدیوی معرفی اعتماد دارد.
همه راهنماها توسط Lookout
راهنماهای مرتبط
ویدیو Wan 2.2: تنظیمات متن به ویدیو و تصویر به ویدیو و LoRAها
24 مه 2026
برای ویدیوهای هوش مصنوعی چقدر VRAM لازم داری؟ Wan 2.2، HunyuanVideo 1.5 و LTX-2 بر اساس اندازه GPU (2026)
6 اکتبر 2026
راهنمای MiniMax H3: تبدیل متن به ویدیو، تصویر به ویدیو، ویدیو و صدا به عنوان مرجع
20 سپتامبر 2026
دستورهای ویدیویی MiniMax H3: ساختار رسمی
14 سپتامبر 2026
LTX 2.3 Crisp Enhance: جزئیات ویدیویی تیزتر و سینمایی‌تر
3 اکتبر 2026
راهنمای GPU و VRAM برای مدل‌های تصویر و ویدیو هوش مصنوعی: هر مدل به چه چیزی نیاز دارد و چه چیزی بخریم (یا نخریم)
7 ژانویه 2026
روند کاری متن به ویدیو HunyuanVideo در ComfyUI: مدل 13B که ویدیو محلی را شروع کرد
9 اکتبر 2026
بهترین مدل‌های ویدیویی هوش مصنوعی متن‌باز در سال ۲۰۲۶: چه چیزی واقعاً می‌توانید دانلود کنید
14 اکتبر 2026
راهنماهای بیشتر
چطور Wan2GP را نصب کنیم: هوش مصنوعی ویدئو و تصویر روی کارت‌های گرافیک با VRAM کم
8 اکتبر 2026
هزینه ثابت در مقابل توکن‌ها: چرا طرح‌های نامحدود مثل Graydient.ai بهترین ارزش را برای سازندگان هوش مصنوعی در سال ۲۰۲۶ دارند
8 اکتبر 2026
نیازهای VRAM برای هر مدل محبوب تصویر و ویدئوی هوش مصنوعی (۲۰۲۶): دقت کامل، FP8 و GGUF
6 اکتبر 2026
HunyuanVideo 1.5 در مقابل Wan 2.2: کدام مدل ویدئویی باز در سال 2026 اجرا شود
4 اکتبر 2026
چطور مدل‌های هوش مصنوعی را در فضای ابری اجرا کنیم (راهنمای مبتدی ۲۰۲۶): Flux، Wan و SDXL بدون کارت گرافیک
14 اکتبر 2026