Bildrutor gånger upplösning överstiger VRAM. Sänk till 480p eller färre bildrutor, avlasta textkodaren; se VRAM-guiden för AI-video.

AI-videogenerering för nybörjare: bild-till-video, text-till-video och den första klippet med Wan, LTX-2 och H3

Q: Kamerahopp eller scenklipp

Två kamerainstruktioner, eller "cut to"-ord i prompten. En kamerarörelse; sätt "jump cut" i det negativa.

Q: Motion LoRA gör inget

Inläst på fel expert eller fel modellstorlek. Kolla modellsidan för 5B/14B och hög/låg brus; ladda rätt med dess triggerord.

Ämne: Videomodeller

Av Lookout

Publicerad 29 apr 2026

Översikt

Videomodeller är bildmodeller med en tidsaxel: samma brusreduceringsloop körs på en block av bildrutor samtidigt, så allt du vet om prompts, seeds och brusreducering gäller fortfarande, liksom kostnaderna, fast multiplicerat med antal bildrutor. De praktiska konsekvenserna för en nybörjare är tre. Börja med bild-till-video (I2V), för en bra stillbild från en bildmodell fixar komposition och stil och lämnar bara rörelsen till videomodellen att hitta på. Håll klippen korta (ungefär fem sekunder), för det är vad modellerna tränats på. Och räkna med att köra de stora modellerna i molnet om du inte har ett 24 GB-kort.

Tre öppna familjer täcker de flesta behov 2026. Wan 2.2 (Alibaba) är allroundmodellen: en 5B-modell som körs på 12-16 GB och en 14B två-expertmodell med bästa öppna kvaliteten, plus ett stort LoRA-ekosystem för rörelse och stil. LTX-2 (Lightricks) är snabb och genererar synkad ljud men vill ha 24-32 GB. MiniMax H3 är ljud-video-modellen med dialog och ljudeffekter, mest använd via hostade arbetsflöden; H3-promptguiderna på den här sidan av Mark White går på djupet. Hunyuan Video 1.5 är ett lättare alternativ till Wan 14B.

Katalogen listar varje videomodell och dess LoRAs med bas och storlek de riktar sig mot (5B eller 14B, högbrus- eller lågbrus-expert), och modell-sidorna visar exempelklipp med deras prompts. Kör-knappen öppnar modellen på PirateDiffusion, där ett arbetsflödeskommando skapar klippet från ett svar på din bild, eller på BitVector.

Referens

Namn	Typ	Vad det är
I2V (image to video)	mode	Animera en stillbild. Bästa första läget: kompositionen är redan rätt; prompten beskriver bara rörelse.
T2V (text to video)	mode	Bara från en prompt. Mer variation, mindre kontroll; använd för idéer och B-roll.
FLF2V / first-last frame	mode	Två nyckelbilder; modellen fyller i rörelsen däremellan. Kontrollerade övergångar.
Frames and fps	setting	Wan: 81 bildrutor vid 16 fps (5 s); LTX-2: 97-121 bildrutor vid 24-25 fps; H3: 145 bildrutor vid ~24 fps. Minnesanvändning ökar med antal bildrutor.
Resolution	setting	Wan 2.2: 832x480 eller 480x832 (snabbt), 1280x720 (24 GB+); LTX-2 upp till 1080p+ med 32 GB. Porträtt för personer, landskap för scener.
Motion prompt	prompt	En rörelse för motivet plus en för kameran: "hon vänder sig mot fönstret och ler; långsam inzoomning". Undvik att lista scenens detaljer som redan finns i bilden.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 steg delat 10/10 mellan experter, CFG 3.5, shift 5; 5B: 20-30 steg, CFG 5; LTX-2: 25-30 steg med egen schema; destillerade LoRAs (lightx2v) ger Wan 4-8 steg vid CFG 1.
Motion LoRAs	file	Kamerarörelser, dans, gester, fysik; anpassade till 5B/14B och experten. Sidor här namnger målet.
Interpolation and upscale	post	RIFE eller FILM till 32-60 fps; bildruta-för-bildruta ESRGAN eller SeedVR för upplösning.

Steg för steg

Gör eller välj en stillbild: en 1024x1024 eller 832x1216 rendering med ett tydligt motiv och enkel bakgrund. Ansikten större än en tiondel av bilden animeras bäst.
Öppna en Wan 2.2 I2V-modellsida på den här sidan, kopiera exempel-promptmönstret för rörelse och tryck på Kör-knappen (PirateDiffusion: svara på din bild med /workflow-kommandot; BitVector: ladda upp och välj modellen).
Skriv en rörelse-prompt med en mening för motivet och en för kameran. Inget om kläder, färger eller ljus; det finns redan i bilden.
Generera i 832x480 (landskap) eller 480x832 (porträtt), 81 bildrutor, standardsteg. Titta på hela klippet; bedöm rörelsen, inte skärpan.
Jobba vidare bara med rörelse-prompten: långsammare verb ("långsamt", "mjukt") minskar ryckighet; en enda kamerainstruktion förhindrar hopp.
Lokalt, med ett 16 GB-kort: Wan 2.2 5B fp8 eller GGUF, 832x480, 49-81 bildrutor, textkodare på CPU. Med 24 GB: 14B fp8 vid 480p, 720p med kodaren avlastad. Se VRAM-guiden för AI-video.
Längre stycken: ta sista bilden från klipp ett som startbild för klipp två med en fortsättande rörelse-prompt; sätt ihop i en editor; interpolera till 30 fps och skala upp i slutet.
Lägg till ljud: LTX-2 och H3 genererar ljud med klippet; för Wan, lägg till musik eller effekter i editorn.

Exempel

Rörelse-prompt för 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

PirateDiffusion arbetsflödeskommando

/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 på 16 GB

Tips

Rörelseverb är viktigare än adjektiv: "vänder, går, lyfter, häller, vinkar" ger varje sin egen tydliga rörelse; "vacker filmisk" ger inget.
En kamerarörelse per klipp: inzoomning, utzoomning, panorera vänster, cirkla runt. Två rörelser ger skakningar.
Porträttstills animerar ansikten bättre; landskapstills animerar miljöer bättre.
Wan LoRAs för högbrus-experten formar rörelsen; lågbrus formar detaljer. Många paket har båda; ladda varje på sin expert.
Destillerade LoRAs (lightx2v, FastWan) minskar Wan från 20 steg till 4-6 vid CFG 1 med liten kvalitetsförlust; modellsidorna listar dem.
Räkna med 3-10 minuter per klipp på en 4090 för Wan 14B och ungefär 90 sekunder för LTX-2; molnet ger tillbaka de flesta klipp på en till två minuter.

Kolla modellsidan för 5B/14B och hög/låg brus; ladda rätt med dess triggerord.

Frågor

Vilken videomodell först?

Wan 2.2 I2V: förlåtande, väl dokumenterad, flest LoRAs. Wan-startguiden har hela setupen.

Kan jag göra detta på ett 8 GB-kort?

Korta 480p-klipp med Wan 2.1 1.3B eller Wan 2.2 5B GGUF, långsamt. Realistiskt, börja i molnet.

Hur får jag ljud?

LTX-2 och MiniMax H3 genererar synkat ljud; Mark Whites H3-promptguider förklarar dialog- och effektprompter.

Hur långt kan ett klipp vara?

Ungefär fem sekunder som standard. Längre stycken är kedjade klipp; kvaliteten försämras efter sex till åtta sekunder i ett pass.

Är de senaste kommersiella modellerna (Veo, Kling, Wan 3.0) tillgängliga lokalt?

Nej; de är API-endast. Allt i den här guiden är öppna vikter och körs lokalt eller på molnpartner.

Länkar och källor

Modeller i den här guiden

Skriven av

Sitter i utkikstornet och uppdaterar Hugging Face så att du slipper. Rapporterar en ny modell i samma stund den släpps och igen när den tyst laddas upp med en fixad konfiguration. Har aldrig varit tidig nog en enda gång. Litar mer på en licensfil än på en lanseringsvideo.

Alla guider av Lookout

Wan 2.2 video: text-till-video och bild-till-video setup, inställningar och LoRAs

24 maj 2026

Hur mycket VRAM behöver du för AI-video? Wan 2.2, HunyuanVideo 1.5 och LTX-2 efter GPU-storlek (2026)

6 okt 2026

Prompting MiniMax H3: text till video, bild till video, referensvideo och ljud

20 sep 2026

MiniMax H3 videopromptar: den officiella strukturen

14 sep 2026

LTX 2.3 Crisp Enhance: skarpare, mer filmisk videodetalj

3 okt 2026

GPU- och VRAM-guide för AI-bild och video: vad varje modell behöver och vad du ska köpa (eller inte)

7 jan 2026

HunyuanVideo text to video ComfyUI arbetsflöde: 13B-modellen som startade lokal video

9 okt 2026

Bästa öppna AI-videomodellerna 2026: vad du faktiskt kan ladda ner

14 okt 2026

Fler guider

Hur man installerar Wan2GP: AI-video och bilder på GPU:er med låg VRAM

8 okt 2026

Fast avgift vs tokens: varför obegränsade planer som Graydient.ai är bäst värde för AI-skapare 2026

8 okt 2026

VRAM-krav för alla populära AI-bild- och videomodeller (2026): full precision, FP8 och GGUF

6 okt 2026

HunyuanVideo 1.5 vs Wan 2.2: vilken öppen videomodell ska man köra 2026

4 okt 2026

Hur man kör AI-modeller i molnet (nybörjarguide 2026): Flux, Wan och SDXL utan GPU