การสร้างวิดีโอ AI สำหรับมือใหม่: จากภาพเป็นวิดีโอ, จากข้อความเป็นวิดีโอ และคลิปแรกกับ Wan, LTX-2 และ H3

Q: กล้องกระโดดหรือฉากตัด

คำสั่งกล้องสองคำ หรือมีคำว่า "cut to" ในพรอมต์ เคลื่อนไหวกล้องครั้งเดียว; ใส่ "jump cut" ในส่วนลบ

Q: หน่วยความจำไม่พอที่ 720p

จำนวนเฟรมคูณความละเอียดเกิน VRAM ลดเป็น 480p หรือลดจำนวนเฟรม, ปิดตัวเข้ารหัสข้อความ; ดูคู่มือ VRAM สำหรับวิดีโอ AI

Q: Motion LoRA ไม่ทำงาน

โหลดผิดผู้เชี่ยวชาญหรือขนาดโมเดลผิด ตรวจสอบหน้าของโมเดลสำหรับ 5B/14B และเสียงรบกวนสูง/ต่ำ; โหลดตามคำกระตุ้นของมัน

หัวข้อ: โมเดลวิดีโอ

โดย Lookout

เผยแพร่ 29 เม.ย. 2026

ภาพรวม

โมเดลวิดีโอคือโมเดลภาพที่มีแกนเวลา: วนลูปการลดสัญญาณรบกวนเดียวกันทำงานบนชุดเฟรมพร้อมกัน ดังนั้นทุกอย่างที่คุณรู้เกี่ยวกับพรอมต์, เมล็ด และการลดสัญญาณรบกวนก็ใช้ได้เหมือนกัน รวมถึงค่าใช้จ่ายที่คูณตามจำนวนเฟรม ผลลัพธ์ที่ใช้งานได้สำหรับมือใหม่มีสามข้อ เริ่มจากจากภาพเป็นวิดีโอ (I2V) เพราะภาพนิ่งที่ดีจากโมเดลภาพจะกำหนดองค์ประกอบและสไตล์ไว้แล้ว ทำให้โมเดลวิดีโอแค่คิดเรื่องการเคลื่อนไหวเท่านั้น เก็บคลิปให้สั้น (ประมาณห้าวินาที) เพราะโมเดลถูกฝึกมาบนช่วงเวลานี้ และคาดว่าจะต้องใช้โมเดลใหญ่บนคลาวด์ถ้าคุณไม่มีการ์ด 24 GB

สามครอบครัวเปิดครอบคลุมความต้องการส่วนใหญ่ในปี 2026 Wan 2.2 (Alibaba) เป็นโมเดลอเนกประสงค์: โมเดล 5B ที่รันบน 12-16 GB และโมเดลสองผู้เชี่ยวชาญ 14B ที่ให้คุณภาพเปิดดีที่สุด พร้อมระบบ LoRA ขนาดใหญ่สำหรับการเคลื่อนไหวและสไตล์ LTX-2 (Lightricks) เร็วและสร้างเสียงซิงค์ได้ แต่ต้องการ 24-32 GB MiniMax H3 เป็นโมเดลเสียง-วิดีโอที่มีบทสนทนาและเอฟเฟกต์เสียง ส่วนใหญ่ใช้ผ่านเวิร์กโฟลว์ที่โฮสต์; คู่มือการพรอมต์ H3 ของ Mark White บนไซต์นี้เจาะลึกเรื่องนี้ Hunyuan Video 1.5 เป็นทางเลือกที่เบากว่า Wan 14B

แคตตาล็อกแสดงแต่ละโมเดลวิดีโอและ LoRA ของมันพร้อมฐานและขนาดเป้าหมาย (5B หรือ 14B, ผู้เชี่ยวชาญเสียงรบกวนสูงหรือต่ำ) และหน้าของโมเดลจะแสดงคลิปตัวอย่างพร้อมพรอมต์ ปุ่ม Run เปิดโมเดลบน PirateDiffusion ที่คำสั่งเวิร์กโฟลว์สร้างคลิปจากการตอบกลับภาพของคุณ หรือบน BitVector

ข้อมูลอ้างอิง

ชื่อ	ชนิด	ความหมาย
I2V (image to video)	mode	ทำให้ภาพนิ่งเคลื่อนไหว โหมดแรกที่ดีที่สุด: องค์ประกอบถูกต้องแล้ว; พรอมต์บอกแค่การเคลื่อนไหว
T2V (text to video)	mode	สร้างจากพรอมต์อย่างเดียว หลากหลายมากขึ้น ควบคุมน้อยลง; ใช้สำหรับไอเดียและ B-roll
FLF2V / first-last frame	mode	สองคีย์เฟรม; โมเดลเติมการเคลื่อนไหวระหว่างกลาง การเปลี่ยนผ่านที่ควบคุมได้
Frames and fps	setting	Wan: 81 เฟรมที่ 16 fps (5 วินาที); LTX-2: 97-121 เฟรมที่ 24-25 fps; H3: 145 เฟรมที่ประมาณ 24 fps หน่วยความจำเพิ่มตามจำนวนเฟรม
Resolution	setting	Wan 2.2: 832x480 หรือ 480x832 (เร็ว), 1280x720 (24 GB ขึ้นไป); LTX-2 สูงสุด 1080p+ กับ 32 GB แนวตั้งสำหรับคน, แนวนอนสำหรับฉาก
Motion prompt	prompt	การเคลื่อนไหวของวัตถุหนึ่งอย่างบวกกับการเคลื่อนไหวของกล้องหนึ่งอย่าง: "เธอหันไปที่หน้าต่างและยิ้ม; ซูมเข้าอย่างช้าๆ" หลีกเลี่ยงการบรรยายรายละเอียดฉากที่มีในภาพแล้ว
Steps / CFG / shift	setting	Wan 2.2 14B: 20 ขั้นตอนแบ่ง 10/10 ระหว่างผู้เชี่ยวชาญ, CFG 3.5, shift 5; 5B: 20-30 ขั้นตอน, CFG 5; LTX-2: 25-30 ขั้นตอนตามตารางของมันเอง; LoRA กลั่น (lightx2v) ลด Wan เหลือ 4-8 ขั้นตอนที่ CFG 1
Motion LoRAs	file	การเคลื่อนไหวของกล้อง, เต้น, ท่าทาง, ฟิสิกส์; จับคู่กับ 5B/14B และผู้เชี่ยวชาญ หน้าตรงนี้บอกเป้าหมาย
Interpolation and upscale	post	RIFE หรือ FILM ถึง 32-60 fps; ESRGAN หรือ SeedVR แบบเฟรมต่อเฟรมสำหรับความละเอียด

ทีละขั้นตอน

สร้างหรือเลือกภาพนิ่ง: เรนเดอร์ 1024x1024 หรือ 832x1216 ที่มีวัตถุชัดเจนและพื้นหลังเรียบง่าย ใบหน้าที่ใหญ่กว่าหนึ่งในสิบของเฟรมจะเคลื่อนไหวได้ดีที่สุด
เปิดหน้าของโมเดล Wan 2.2 I2V บนไซต์นี้, คัดลอกแบบอย่างพรอมต์การเคลื่อนไหว, แล้วกดปุ่ม Run (PirateDiffusion: ตอบกลับภาพของคุณด้วยคำสั่ง /workflow; BitVector: อัปโหลดและเลือกโมเดล)
เขียนพรอมต์การเคลื่อนไหวเป็นประโยคหนึ่งสำหรับวัตถุและหนึ่งสำหรับกล้อง ไม่ต้องพูดถึงเสื้อผ้า สี หรือแสง เพราะภาพมีอยู่แล้ว
สร้างที่ 832x480 (แนวนอน) หรือ 480x832 (แนวตั้ง), 81 เฟรม, ขั้นตอนค่าเริ่มต้น ดูคลิปทั้งหมด; ตัดสินแค่การเคลื่อนไหว ไม่ใช่ความคมชัด
ปรับพรอมต์การเคลื่อนไหวเท่านั้น: คำกริยาช้า ("ช้าๆ", "เบาๆ") ลดการแกว่งไกว; คำสั่งกล้องเดียวป้องกันการกระโดด
ถ้าใช้เครื่องเอง กับการ์ด 16 GB: Wan 2.2 5B fp8 หรือ GGUF, 832x480, 49-81 เฟรม, ตัวเข้ารหัสข้อความบน CPU กับ 24 GB: 14B fp8 ที่ 480p, 720p โดยปิดตัวเข้ารหัส ดูคู่มือ VRAM สำหรับวิดีโอ AI
งานยาวขึ้น: ใช้เฟรมสุดท้ายของคลิปแรกเป็นภาพเริ่มต้นของคลิปสองพร้อมพรอมต์การเคลื่อนไหวต่อเนื่อง; ต่อในโปรแกรมตัดต่อ; ทำอินเทอร์โพเลตเป็น 30 fps และอัปสเกลตอนจบ
เพิ่มเสียง: LTX-2 และ H3 สร้างเสียงพร้อมคลิป; สำหรับ Wan ให้เพิ่มเพลงหรือเอฟเฟกต์ในโปรแกรมตัดต่อ

ตัวอย่าง

พรอมต์การเคลื่อนไหวสำหรับ 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

คำสั่งเวิร์กโฟลว์ 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 บน 16 GB

เคล็ดลับ

คำกริยาการเคลื่อนไหวสำคัญกว่าคำคุณศัพท์: "หัน, เดิน, ยก, เท, โบก" แต่ละคำสร้างการเคลื่อนไหวที่ชัดเจนและเชื่อถือได้; "สวยงาม, มีสไตล์" ไม่ได้ผลอะไร
เคลื่อนไหวกล้องครั้งเดียวต่อคลิป: ซูมเข้า, ถอยหลัง, กวาดซ้าย, หมุนรอบ วิดีโอที่มีกล้องเคลื่อนไหวสองครั้งจะสั่นไหว
ภาพนิ่งแนวตั้งเคลื่อนไหวใบหน้าได้ดีกว่า; แนวนอนเคลื่อนไหวสภาพแวดล้อมได้ดีกว่า
Wan LoRA สำหรับผู้เชี่ยวชาญเสียงรบกวนสูงกำหนดการเคลื่อนไหว; ตัวเสียงรบกวนต่ำกำหนดรายละเอียด แพ็กส่วนใหญ่มีทั้งสองแบบ; โหลดแต่ละอันกับผู้เชี่ยวชาญของมัน
LoRA กลั่น (lightx2v, FastWan) ลดขั้นตอน Wan จาก 20 เหลือ 4-6 ที่ CFG 1 โดยแทบไม่เสียคุณภาพ; หน้าโมเดลมีรายการ
คาดว่าใช้เวลาประมาณ 3-10 นาทีต่อคลิปบน 4090 สำหรับ Wan 14B และประมาณ 90 วินาทีสำหรับ LTX-2; คลาวด์คืนคลิปส่วนใหญ่ในหนึ่งถึงสองนาที

ตรวจสอบหน้าของโมเดลสำหรับ 5B/14B และเสียงรบกวนสูง/ต่ำ; โหลดตามคำกระตุ้นของมัน

คำถาม

ควรเริ่มกับโมเดลวิดีโอไหนก่อน?

Wan 2.2 I2V: ใช้ง่าย, มีเอกสารดี, มี LoRA มากที่สุด คู่มือเริ่มต้น Wan มีการตั้งค่าครบถ้วน

ทำได้ไหมบนการ์ด 8 GB?

คลิปสั้น 480p กับ Wan 2.1 1.3B หรือ Wan 2.2 5B GGUF, ช้าๆ จริงๆ แนะนำเริ่มบนคลาวด์

จะได้เสียงยังไง?

LTX-2 และ MiniMax H3 สร้างเสียงซิงค์ได้; คู่มือพรอมต์ H3 ของ Mark White อธิบายบทสนทนาและเอฟเฟกต์

คลิปยาวได้แค่ไหน?

ประมาณห้าวินาทีโดยปกติ ชิ้นงานยาวกว่าคือต่อคลิปหลายชิ้น; คุณภาพลดลงถ้านานเกิน 6-8 วินาทีในรอบเดียว

โมเดลพาณิชย์ใหม่ล่าสุด (Veo, Kling, Wan 3.0) ใช้บนเครื่องได้ไหม?

ไม่ได้; มีแต่ API เท่านั้น ทุกอย่างในคู่มือนี้เป็นน้ำหนักเปิดและรันได้ทั้งเครื่องและคลาวด์

ลิงก์และแหล่งที่มา

โมเดลในคู่มือนี้

เขียนโดย

นั่งอยู่บนหอคอยคอยรีเฟรช Hugging Face เพื่อที่คุณจะได้ไม่ต้องทำ รายงานโมเดลใหม่ทันทีที่ปล่อย และอีกครั้งเมื่อมันถูกอัปโหลดใหม่อย่างเงียบๆ พร้อมการตั้งค่าที่แก้ไข ไม่เคยทันเวลาเลย เชื่อไฟล์ไลเซนส์มากกว่าวิดีโอเปิดตัว

คำแนะนำทั้งหมดโดย Lookout