Генерація відео на основі ШІ для початківців: зображення у відео, текст у відео та перший кліп з Wan, LTX-2 і H3

Q: Стрибки камери або різкий перехід сцени

Дві інструкції для камери або слова «cut to» в промпті. Один рух камери; додай «jump cut» у негативний промпт.

Тема: Відеомоделі

Опубліковано 29 Кві 2026

Огляд

Відеомоделі — це моделі зображень з часовою віссю: той самий цикл денойзингу працює одразу на блоці кадрів, тому все, що ти знаєш про промпти, сид і денойз, тут теж працює, а також вартість, помножена на кількість кадрів. Практичні наслідки для початківця такі. Починай з image-to-video (I2V), бо хороший статичний кадр із моделі зображень фіксує композицію і стиль, і відеомодель має лише вигадувати рух. Тримай кліпи короткими (приблизно п’ять секунд), бо саме на такому матеріалі тренували моделі. І очікуй запускати великі моделі в хмарі, якщо в тебе немає відеокарти на 24 ГБ.

Три відкриті сімейства покривають більшість потреб у 2026 році. Wan 2.2 (Alibaba) — універсальна модель: 5B, що працює на 12-16 ГБ, і 14B з двома експертами з найкращою відкритою якістю, плюс величезна екосистема LoRA для руху і стилю. LTX-2 (Lightricks) швидка і генерує синхронізований звук, але хоче 24-32 ГБ. MiniMax H3 — аудіо-відео модель з діалогами і звуковими ефектами, здебільшого використовується через хостингові робочі процеси; на цьому сайті є глибокі гіди з промптингу H3 від Марка Вайта. Hunyuan Video 1.5 — легша альтернатива Wan 14B.

Каталог містить кожну відеомодель і її LoRA з базою і розміром, на який вони орієнтовані (5B або 14B, експерт з високим або низьким рівнем шуму), а сторінки моделей показують приклади кліпів з їхніми промптами. Кнопка Run відкриває модель на PirateDiffusion, де робочий процес створює кліп у відповідь на твоє зображення, або на BitVector.

Довідник

Назва	Тип	Що це
I2V (image to video)	mode	Анімувати статичне зображення. Найкращий перший режим: композиція вже правильна; промпт описує лише рух.
T2V (text to video)	mode	Тільки з промпта. Більше варіацій, менше контролю; використовуй для ідей і додаткових кадрів.
FLF2V / first-last frame	mode	Два ключові кадри; модель заповнює рух між ними. Контрольовані переходи.
Frames and fps	setting	Wan: 81 кадр при 16 fps (5 с); LTX-2: 97-121 кадр при 24-25 fps; H3: 145 кадрів приблизно при 24 fps. Пам’ять зростає з кількістю кадрів.
Resolution	setting	Wan 2.2: 832x480 або 480x832 (швидко), 1280x720 (24 ГБ і більше); LTX-2 до 1080p+ з 32 ГБ. Портрет для людей, ландшафт для сцен.
Motion prompt	prompt	Рух одного об’єкта плюс рух камери: «вона повертається до вікна і посміхається; повільне наближення». Уникай перерахування деталей сцени, які вже є на зображенні.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 кроків, розділених 10/10 між експертами, CFG 3.5, shift 5; 5B: 20-30 кроків, CFG 5; LTX-2: 25-30 кроків за власним графіком; дистильовані LoRA (lightx2v) дають Wan 4-8 кроків при CFG 1.
Motion LoRAs	file	Рухи камери, танці, жести, фізика; підібрані під 5B/14B і експерта. Сторінки тут називають ціль.
Interpolation and upscale	post	RIFE або FILM до 32-60 fps; покадровий ESRGAN або SeedVR для роздільної здатності.

Покроково

Створи або вибери статичне зображення: рендер 1024x1024 або 832x1216 з чітким об’єктом і простим фоном. Обличчя, що займають більше десятої частини кадру, анімуються найкраще.
Відкрий сторінку моделі Wan 2.2 I2V на цьому сайті, скопіюй приклад шаблону промпта для руху і натисни кнопку Run (PirateDiffusion: відповідай на своє зображення командою /workflow; BitVector: завантаж і вибери модель).
Напиши промпт руху з одного речення для об’єкта і одного для камери. Нічого про одяг, кольори чи освітлення; це вже є на зображенні.
Згенеруй при 832x480 (ландшафт) або 480x832 (портрет), 81 кадр, стандартні кроки. Переглянь увесь кліп; оцінюй рух, а не різкість.
Внось зміни лише в промпт руху: повільніші дієслова («повільно», «ніжно») зменшують хаотичність; одна інструкція для камери запобігає стрибкам.
Локально, з відеокартою 16 ГБ: Wan 2.2 5B fp8 або GGUF, 832x480, 49-81 кадр, текстовий енкодер на CPU. З 24 ГБ: 14B fp8 на 480p, 720p з відключеним енкодером. Дивись гайд VRAM для AI відео.
Довші відео: візьми останній кадр першого кліпу як початкове зображення другого з продовженням промпта руху; з’єднай у редакторі; в кінці зроби інтерполяцію до 30 fps і апскейл.
Додай звук: LTX-2 і H3 генерують аудіо разом з кліпом; для Wan додавай музику або ефекти в редакторі.

Приклади

Промпт руху для 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

Команда робочого процесу 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 на 16 ГБ

Поради

Дієслова руху важливіші за прикметники: «повертається, йде, піднімає, наливає, махає» дають чіткий, надійний рух; «красивий кінематографічний» нічого не дає.
Один рух камери на кліп: наближення, віддалення, панорама вліво, орбіта. Два рухи дають тремтіння.
Портретні статичні зображення краще анімують обличчя; ландшафтні — середовища.
Wan LoRA для експерта з високим шумом формують рух; для експерта з низьким шумом — деталі. Багато пакетів мають обидва; завантажуй кожен на свого експерта.
Дистильовані LoRA (lightx2v, FastWan) скорочують Wan з 20 кроків до 4-6 при CFG 1 без великої втрати якості; сторінки моделей їх перераховують.
Очікуй 3-10 хвилин на кліп на 4090 для Wan 14B і близько 90 секунд для LTX-2; хмара повертає більшість кліпів за хвилину чи дві.

Перевір сторінку моделі на 5B/14B і високий/низький шум; завантаж відповідно з потрібним тригером.

Запитання

Яку відеомодель вибрати першою?

Wan 2.2 I2V: простіша, добре документована, найбільше LoRA. Повний гайд із налаштування є в розділі для початківців Wan.

Чи можна це робити на карті 8 ГБ?

Короткі кліпи 480p з Wan 2.1 1.3B або Wan 2.2 5B GGUF, повільно. Реалістично — починай у хмарі.

Як отримати звук?

LTX-2 і MiniMax H3 генерують синхронізований звук; гіди Марка Вайта з промптингу H3 пояснюють діалоги і ефекти.

Якою може бути довжина кліпу?

Приблизно п’ять секунд нативно. Довші — це ланцюжок кліпів; якість падає після шести-восьми секунд за один прохід.

Чи доступні найновіші комерційні моделі (Veo, Kling, Wan 3.0) локально?

Ні; вони тільки через API. Все в цьому гайді — відкриті ваги, працюють локально або в хмарі.

Посилання та джерела

Моделі в цьому посібнику

Автор

Сидить у вишці, оновлюючи Hugging Face, щоб вам не доводилось. Повідомляє про нову модель у момент її виходу і знову, коли її тихо перевантажують з виправленою конфігурацією. Жодного разу не був досить рано. Довіряє файлу ліцензії більше, ніж відео запуску.

Всі посібники від Lookout

Wan 2.2 відео: налаштування text-to-video та image-to-video, параметри та LoRA

24 Тра 2026

Скільки VRAM потрібно для AI-відео? Wan 2.2, HunyuanVideo 1.5 і LTX-2 за розміром GPU (2026)

6 Жов 2026

Prompting MiniMax H3: текст у відео, зображення у відео, відео- та аудіо-референси

20 Вер 2026

МініМакс H3 відео-промпти: офіційна структура

14 Вер 2026

LTX 2.3 Crisp Enhance: чіткіші, більш кінематографічні деталі відео

3 Жов 2026

Посібник по GPU та VRAM для AI-зображень і відео: що потрібно кожній моделі і що купувати (або ні)

7 Січ 2026

HunyuanVideo текст у відео ComfyUI робочий процес: модель 13B, що почала локальне відео

9 Жов 2026

Кращі відкриті AI-моделі для відео у 2026 році: що реально можна завантажити

14 Жов 2026

Інші посібники

Як встановити Wan2GP: AI відео та зображення на GPU з малою VRAM

8 Жов 2026

Фіксована плата проти токенів: чому необмежені плани на кшталт Graydient.ai — найкраща цінність для творців ШІ у 2026 році

8 Жов 2026

Вимоги до VRAM для кожної популярної моделі AI для зображень і відео (2026): повна точність, FP8 і GGUF

6 Жов 2026

HunyuanVideo 1.5 проти Wan 2.2: яку відкриту відеомодель запускати у 2026 році

4 Жов 2026

Як запускати AI-моделі в хмарі (путівник для початківців 2026): Flux, Wan і SDXL без GPU