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

Q: Minnesbrist vid första sampler

fp16 14B vikter på ett 24 GB eller mindre kort. fp8 eller GGUF Q4-par, färre bilder, 480p, --lowvram; eller 5B-modellen.

Q: Dekodning misslyckas efter sampling lyckats

VAE-dekodning är minnestoppen för video. Wan VAE-dekodning i tiles (alternativet tiled på decode-noden), eller färre bilder.

Ämne: Videomodeller

Av Captain

Publicerad 24 maj 2026

Översikt

Wan 2.2 är Alibabas öppna videofamilj och den mest nedladdade videomodellen på den här sidan. Den finns som en 5B hybridmodell för text- och bild-till-video, byggd för konsumentkort (720p på 8 till 12 GB), och som 14B text-till-video och bild-till-video modeller som använder två experter: en hög-brusmodell som lägger upp rörelse och komposition i de första stegen och en låg-brusmodell som lägger till detaljer i de sista stegen. 14B-paret ger de filmiska resultat som folk delar; 5B-modellen är den man lär sig på.

Communityn har tränat hundratals Wan LoRAs: kamerarörelser (orbit, dolly, crash zoom), rörelsestilar, karaktärer, effekter och lightning / destillerings-LoRAs som minskar 30-stegs renderingar till 4 till 8 steg med liten förlust. Wan familjesidan rankar dem efter popularitet; lightning-LoRAs är nästan alltid högst upp.

Hostade alternativ passar bra för video eftersom renderingar är långa och VRAM-krävande: PirateDiffusion kör Wan-flöden från Telegram med /wf /run, och BitVector har Wan-graferna förinstallerade med LoRAs på plats. Båda finns länkade i Run-rutan på varje Wan-modellsida.

Referens

Namn	Typ	Vad det är
Wan2.2-TI2V-5B	model	En modell för text- och bild-till-video, 720p vid 24 fps, max 121 bilder. fp16 10 GB, fp8 5 GB. 8 till 12 GB-kort.
Wan2.2-T2V-A14B / I2V-A14B	model pair	Hög-brus och låg-brus experter, 14B vardera (27B totalt, 14B aktiva). 480p och 720p. fp8 cirka 14 GB vardera; GGUF Q4 cirka 8 GB vardera.
umt5-xxl text encoder	file	fp8 skalad (6 GB) eller fp16 (11 GB). Delas av alla Wan-modeller.
Wan 2.1 / 2.2 VAE	file	5B-modellen använder 2.2 VAE; 14B-modellerna använder 2.1 VAE. Att blanda dem ger skräp.
Resolution	setting	480x832 eller 832x480 för snabba tester; 720x1280 / 1280x720 för slutresultat. Multiplar av 16.
Frames	setting	4n+1: 33, 49, 65, 81. 81 bilder vid 16 fps är fem sekunder.
Steps / shift / CFG	setting	20 till 30 steg, shift 5 till 8, CFG 3.5 till 5 utan lightning. Med lightning LoRAs: 4 till 8 steg, CFG 1, shift 5.
Lightning / distill LoRA	LoRA	Separata LoRAs för hög-brus och låg-brus experterna; ladda varje på sin egen modell. Vikt 1.0.
Prompt	text	Ämne, handling, kamera, ljus, stil, i den ordningen. Beskriv rörelseverb tydligt. Negativ prompt används av Wan (till skillnad från Flux).

Steg för steg

Installera laddarna: ComfyUI-kärnan stödjer Wan 2.2; lägg till ComfyUI-GGUF för kvantiserade filer. Uppdatera ComfyUI först.
Ladda ner för ditt kort: 5B fp8 plus 2.2 VAE och umt5 fp8 på 8 till 12 GB; 14B fp8-paret plus 2.1 VAE på 24 GB; 14B GGUF Q4-paret på 12 till 16 GB.
Ladda den officiella mallen (Workflow > Browse Templates > Video > Wan 2.2) och byt ut laddarna mot dina filer. För GGUF byt Load Diffusion Model mot Unet Loader (GGUF).
För 14B: två KSampler Advanced-noder. Den första kör hög-brusmodellen för steg 0 till N/2 (returnerar med kvarvarande brus), den andra kör låg-brusmodellen från N/2 till N. Mallen kopplar detta redan.
Första renderingen: 480x832, 33 bilder, 20 steg, CFG 4, shift 8, prompt "a corgi runs along a beach at sunset, camera tracks alongside, golden light, shallow depth of field". Räkna med 2 till 6 minuter.
Lägg till lightning LoRAs från Wan familjesidan (en för varje expert), sätt steg till 6 (3 + 3), CFG 1. Renderingar sjunker till under en minut vid 480p.
Bild-till-video: ladda I2V-paret, mata in bilden i WanImageToVideo, behåll prompten om rörelse och kamera istället för att beskriva bilden.
Slutresultat: 720p, 81 bilder, interpolera till 32 fps med RIFE eller FILM, skala upp med en videouppskalare från Upscalers-familjen om det behövs.
För långsamt eller för stort: kör samma flöde på BitVector, eller på PirateDiffusion med /workflow /show:wan för att läsa fälten och /wf /run:wan din prompt.

Exempel

Text-till-video prompt

A fisherman in a yellow raincoat hauls a net onto a small wooden boat in heavy rain, waves rock the boat, the camera is handheld and close, grey stormy light, cinematic, 35mm film grain

Negative: overexposed, static, blurry details, subtitles, worst quality, low quality, deformed, extra fingers, still image

Bild-till-video prompt (endast rörelse)

The woman turns her head toward the camera and smiles, wind moves her hair, slow push-in, soft daylight

PirateDiffusion

/workflow /show:wan-i2v

/wf /run:wan-i2v /initimage:Iabc123 the woman turns her head toward the camera and smiles, wind moves her hair, slow push-in

Tips

Beskriv rörelse med verb och kameran med filmord (slow dolly in, handheld, static wide shot). Wan följer kameratermer ovanligt bra.
Behåll den negativa prompten: den officiella listar överexponering, statiskt, suddiga detaljer, undertexter, sämst kvalitet, extra fingrar och den hjälper.
För I2V, generera första bilden med Flux, Qwen eller Z-Image i målformatet; en skarp, välbelyst stillbild ger en bättre klipp än någon prompt.
Antal bilder kostar mer än upplösning: 81 bilder vid 480p är billigare än 49 bilder vid 720p.
Rörelse-LoRAs för Wan är taggade efter vilken expert de riktar sig till; en låg-brus-only LoRA lägger till detaljer, en hög-brus LoRA ändrar rörelse.
Seed spelar stor roll i video; håll seed fast medan du justerar prompten, variera den sedan för olika tagningar.
Spara arbetsflödet med din LoRA-inställning som mall; Wan-grafer är långa och lätta att råka förstöra.

Matcha version och storlek; modellsidan namnger båda.

Frågor

5B eller 14B?

5B för att lära sig och för 8 till 12 GB-kort; 14B för kvalitet när du har 24 GB eller kör hostat. Båda använder samma prompts.

Hur lång är en klipp?

Upp till 81 bilder (5 s vid 16 fps) för 14B och 121 bilder (5 s vid 24 fps) för 5B per rendering; längre videor sätts ihop från fortsättningar på sista bilden.

Gör Wan ljud?

Wan 2.2 S2V animerar en talare från ljud men genererar inte ljud; LTX-2 och MiniMax H3 genererar ljud med videon (deras guider finns på den här sidan).

Var kommer lightning LoRAs ifrån?

Destilleringssläpp av Lightx2v och andra; Wan familjesidan listar dem med popularitetspoäng och vilken expert de riktar sig till.

Kan jag köra Wan utan GPU?

Ja: PirateDiffusion från Telegram, BitVector i webbläsaren. Båda håller arbetsflöden och LoRAs installerade.

Länkar och källor

Modeller i den här guiden

Wan-modeller

Skriven av

Captain

Styr det här skeppet. Har åsikter om VAE-dekodningstider som ingen bett om. Tror att vikter vill vara fria och att varje modell du inte kan ladda ner är en prenumeration med extra steg. Kommer inte att svara på frågor om de 400 GB checkpoints på NAS:en.

Alla guider av Captain

CUDA slut på minne: hur mycket VRAM varje AI-modell behöver och hur man får plats med det

18 maj 2026

ComfyUI-fel och hur du fixar dem: röda noder, saknade modeller, CUDA slut på minne

12 maj 2026

MiniMax H3 videopromptar: den officiella strukturen

14 sep 2026

Flux vs SDXL vs SD 1.5 vs Qwen vs Z-Image: vilken modelfamilj ska du använda 2026

22 maj 2026

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

14 okt 2026

Fler guider

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

29 apr 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

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

4 okt 2026

Wan 2.2 5B vs 14B: vilken Wan ska du ladda ner för ditt grafikkort

4 okt 2026

Wan 2.2 5B ComfyUI arbetsflöde: 720p text eller bild till video på ett mellanklasskort

9 okt 2026