幀數乘解析度超出顯存。降到 480p 或減少幀數，文字編碼器改用外掛；參考 AI 影片 VRAM 指南。

AI 影片生成入門：從圖片到影片、文字到影片，以及使用 Wan、LTX-2 和 H3 製作第一支片段

Q: 影片像靜止但有輕微閃爍

提示詞沒動作動詞，或靜態 LoRA 權重太高。 加主體動作和鏡頭動作；把 LoRA 權重降到 0.7。

Q: 臉部變形或身份改變

臉太小、幀數太多，或 480p 下細節臉部。 裁剪更近，幀數 49-61，或用雲端 720p；最後手段是每幀用臉部細節強化。

Q: 鏡頭跳動或場景切換

提示詞有兩個鏡頭指令，或有「cut to」字眼。 只用一個鏡頭動作；把「jump cut」放到負面提示詞。

Q: 720p 時顯存不足

幀數乘解析度超出顯存。 降到 480p 或減少幀數，文字編碼器改用外掛；參考 AI 影片 VRAM 指南。

Q: 動作 LoRA 沒作用

載錯專家或模型大小。 看模型頁確認 5B/14B 和高/低噪音，依觸發詞載入。

主題：影片模型

作者：Lookout

發佈於 2026年4月29日

概述

影片模型其實是多了時間軸的圖片模型：同一個去噪循環會同時處理一組幀，所以你對提示詞、種子和去噪的認識都能用上，成本也會乘以幀數。對新手來說，實際影響有三點。先從圖片到影片（I2V）開始，因為一張好的靜態圖已經確定了構圖和風格，影片模型只要負責動作。保持短片長度（約五秒），因為模型就是這樣訓練的。除非你有 24 GB 顯卡，否則大型模型建議用雲端。

2026 年有三個開放模型家族幾乎能滿足所有需求。Wan 2.2（阿里巴巴）是全能型：5B 模型可在 12-16 GB 運行，14B 雙專家模型品質最佳，還有龐大的 LoRA 生態系統支援動作和風格。LTX-2（Lightricks）速度快且能生成同步音訊，但需要 24-32 GB。MiniMax H3 是帶對話和音效的影音模型，主要透過托管流程使用；本站 Mark White 的 H3 提示詞指南有深入介紹。Hunyuan Video 1.5 是 Wan 14B 的輕量替代方案。

目錄列出每個影片模型及其 LoRA，標明基礎模型和大小（5B 或 14B，高噪音或低噪音專家），模型頁面展示示例片段和提示詞。點擊執行按鈕可在 PirateDiffusion 上開啟模型，透過工作流程指令從回覆的圖片生成影片，或在 BitVector 上使用。

參考

名稱	類型	含義
I2V (image to video)	mode	讓靜態圖動起來。最適合新手的模式：構圖已經對，提示詞只描述動作。
T2V (text to video)	mode	只靠提示詞生成。變化多但控制少；適合找靈感和 B-roll。
FLF2V / first-last frame	mode	兩個關鍵幀，模型補間中間動作。轉場可控。
Frames and fps	setting	Wan：81 幀，16 fps（5 秒）；LTX-2：97-121 幀，24-25 fps；H3：約 24 fps，145 幀。記憶體用量隨幀數增加。
Resolution	setting	Wan 2.2：832x480 或 480x832（快速），1280x720（需 24 GB 以上）；LTX-2 最高可達 1080p+，需 32 GB。人物用直向，場景用橫向。
Motion prompt	prompt	一個主體動作加一個鏡頭動作："她轉向窗戶並微笑；慢慢推近"。避免列出圖片已有的場景細節。
Steps / CFG / shift	setting	Wan 2.2 14B：20 步，兩個專家各 10 步，CFG 3.5，shift 5；5B：20-30 步，CFG 5；LTX-2：25-30 步，使用自訂排程；蒸餾 LoRA（lightx2v）讓 Wan 只需 4-8 步，CFG 1。
Motion LoRAs	file	鏡頭移動、舞蹈、手勢、物理效果；對應 5B/14B 和專家。這裡的頁面會標明目標。
Interpolation and upscale	post	用 RIFE 或 FILM 插幀到 32-60 fps；用 ESRGAN 或 SeedVR 提升解析度。

逐步操作

製作或挑選一張靜態圖：1024x1024 或 832x1216，主體清楚、背景簡單。臉部佔畫面超過十分之一效果最好。
打開本站 Wan 2.2 I2V 模型頁，複製示例動作提示詞格式，按執行按鈕（PirateDiffusion：用 /workflow 指令回覆圖片；BitVector：上傳並選擇模型）。
寫一個動作提示詞，一句描述主體動作，一句描述鏡頭動作。不用提衣服、顏色或光線，圖片裡已經有了。
生成 832x480（橫向）或 480x832（直向），81 幀，預設步數。看完整片，評估動作，不是銳利度。
只調整動作提示詞：用較慢的動詞（"慢慢地"、"輕輕地"）能減少亂動；只給一個鏡頭指令避免跳動。
本地用 16 GB 顯卡：Wan 2.2 5B fp8 或 GGUF，832x480，49-81 幀，文字編碼器用 CPU。24 GB 顯卡：14B fp8 480p，720p 可關閉編碼器。參考 AI 影片 VRAM 指南。
長片段：用第一段最後一幀當第二段起始圖，動作提示詞連續；用剪輯軟體接合；最後插幀到 30 fps 並升解析度。
加音效：LTX-2 和 H3 可同步生成音訊；Wan 則在剪輯軟體加音樂或特效。