نئے لوگوں کے لیے AI ویڈیو جنریشن: تصویر سے ویڈیو، متن سے ویڈیو اور پہلا کلپ Wan، LTX-2 اور H3 کے ساتھ

Q: چہرہ پگھلتا ہے یا شناخت بدلتی ہے

چہرہ بہت چھوٹا، بہت زیادہ فریمز، یا 480p پر تفصیلی چہرہ۔ قریب سے کروپ کریں، 49-61 فریمز، یا کلاؤڈ پر 720p؛ ہر فریم پر چہرے کی تفصیل کا پاس آخری حل ہے۔

Q: کیمرہ چھلانگ لگاتا ہے یا سین کٹ ہوتا ہے

دو کیمرہ ہدایات، یا پرامپٹ میں "cut to" الفاظ۔ ایک کیمرہ حرکت؛ "jump cut" کو منفی میں ڈالیں۔

Q: 720p پر میموری ختم ہو گئی

فریمز اور ریزولوشن VRAM سے زیادہ ہیں۔ 480p یا کم فریمز پر جائیں، ٹیکسٹ انکوڈر آف لوڈ کریں؛ AI ویڈیو کے لیے VRAM گائیڈ دیکھیں۔

Q: موشن LoRA کچھ نہیں کرتا

غلط ماہر یا غلط ماڈل سائز پر لوڈ کیا گیا۔ ماڈل صفحہ چیک کریں 5B/14B اور ہائی/لو نوائز؛ اس کے مطابق ٹرگر لفظ کے ساتھ لوڈ کریں۔

موضوع: ویڈیو ماڈلز

از Lookout

شائع شدہ اپریل 29, 2026

جائزہ

ویڈیو ماڈلز تصویر کے ماڈلز ہوتے ہیں جن میں وقت کا محور ہوتا ہے: ایک ہی ڈینائزنگ لوپ ایک ساتھ فریمز کے بلاک پر چلتی ہے، اس لیے جو کچھ آپ پرامپٹس، سیڈز اور ڈینائز کے بارے میں جانتے ہیں وہ یہاں بھی لاگو ہوتا ہے، اور لاگت بھی فریم کی تعداد کے حساب سے بڑھ جاتی ہے۔ ایک نئے صارف کے لیے عملی نتائج تین ہیں۔ تصویر سے ویڈیو (I2V) سے شروع کریں، کیونکہ تصویر ماڈل سے ایک اچھی سٹیل کمپوزیشن اور اسٹائل کو ٹھیک کر دیتی ہے اور ویڈیو ماڈل کو صرف موشن بنانا ہوتا ہے۔ کلپس کو مختصر رکھیں (تقریباً پانچ سیکنڈ)، کیونکہ ماڈلز اسی پر تربیت یافتہ ہیں۔ اور بڑے ماڈلز کو کلاؤڈ پر چلانے کی توقع رکھیں جب تک کہ آپ کے پاس 24 جی بی کارڈ نہ ہو۔

2026 میں تین اوپن فیملیز زیادہ تر ضروریات کو پورا کرتی ہیں۔ Wan 2.2 (Alibaba) ایک آل راؤنڈر ہے: 5B ماڈل جو 12-16 جی بی پر چلتا ہے اور 14B دو ماہر ماڈل جس کی اوپن کوالٹی بہترین ہے، اس کے علاوہ موشن اور اسٹائل کے لیے ایک بڑا LoRA ایکو سسٹم۔ LTX-2 (Lightricks) تیز ہے اور ہم آہنگ آڈیو پیدا کرتا ہے لیکن 24-32 جی بی چاہتا ہے۔ MiniMax H3 آڈیو-ویڈیو ماڈل ہے جس میں ڈائیلاگ اور ساؤنڈ ایفیکٹس ہوتے ہیں، زیادہ تر ہوسٹڈ ورک فلو کے ذریعے استعمال ہوتا ہے؛ اس سائٹ پر مارک وائٹ کے H3 پرامپٹنگ گائیڈز اس پر تفصیل سے بات کرتے ہیں۔ Hunyuan Video 1.5 Wan 14B کا ہلکا متبادل ہے۔

کیٹلاگ میں ہر ویڈیو ماڈل اور اس کے LoRAs کی فہرست ہوتی ہے جس میں بیس اور سائز شامل ہوتا ہے جسے وہ ہدف بناتے ہیں (5B یا 14B، ہائی-نوائز یا لو-نوائز ماہر)، اور ماڈل کے صفحات پر مثال کے کلپس اور ان کے پرامپٹس دکھائے جاتے ہیں۔ Run بٹن ماڈل کو PirateDiffusion پر کھولتا ہے، جہاں ایک ورک فلو کمانڈ آپ کی تصویر کے جواب میں کلپ بناتا ہے، یا BitVector پر۔

حوالہ

نام	قسم	یہ کیا ہے
I2V (image to video)	mode	ایک سٹیل کو حرکت دیں۔ سب سے اچھا پہلا موڈ: کمپوزیشن پہلے سے درست ہے؛ پرامپٹ صرف موشن بیان کرتا ہے۔
T2V (text to video)	mode	صرف پرامپٹ سے۔ زیادہ ورائٹی، کم کنٹرول؛ آئیڈیاز اور B-رول کے لیے استعمال کریں۔
FLF2V / first-last frame	mode	دو کی فریمز؛ ماڈل درمیان کی موشن بھرتا ہے۔ کنٹرولڈ ٹرانزیشنز۔
Frames and fps	setting	Wan: 81 فریمز 16 fps پر (5 سیکنڈ)؛ LTX-2: 97-121 فریمز 24-25 fps پر؛ H3: 145 فریمز تقریباً 24 fps پر۔ میموری فریمز کے ساتھ بڑھتی ہے۔
Resolution	setting	Wan 2.2: 832x480 یا 480x832 (تیز)، 1280x720 (24 جی بی یا زیادہ)؛ LTX-2 32 جی بی کے ساتھ 1080p+ تک۔ پورٹریٹ لوگوں کے لیے، لینڈ اسکیپ مناظر کے لیے۔
Motion prompt	prompt	ایک سبجیکٹ موشن اور ایک کیمرہ موشن: "وہ کھڑکی کی طرف مڑتی ہے اور مسکراتی ہے؛ آہستہ پش-ان"۔ تصویر میں پہلے سے موجود سین کی تفصیلات کی فہرست بنانے سے بچیں۔
Steps / CFG / shift	setting	Wan 2.2 14B: 20 قدم، ماہرین میں 10/10 تقسیم، CFG 3.5، شفٹ 5؛ 5B: 20-30 قدم، CFG 5؛ LTX-2: 25-30 قدم اپنی شیڈول کے ساتھ؛ distilled LoRAs (lightx2v) Wan کو CFG 1 پر 4-8 قدم تک لے آتے ہیں۔
Motion LoRAs	file	کیمرہ کی حرکتیں، رقص، اشارے، فزکس؛ 5B/14B اور ماہر کے مطابق۔ یہاں کے صفحات ہدف کا نام دیتے ہیں۔
Interpolation and upscale	post	RIFE یا FILM 32-60 fps تک؛ فریم وائز ESRGAN یا SeedVR ریزولوشن کے لیے۔

قدم بہ قدم

ایک سٹیل بنائیں یا منتخب کریں: 1024x1024 یا 832x1216 رینڈر جس میں واضح سبجیکٹ اور سادہ پس منظر ہو۔ چہرے جو فریم کے دسواں حصہ سے بڑے ہوں بہتر حرکت کرتے ہیں۔
اس سائٹ پر Wan 2.2 I2V ماڈل کا صفحہ کھولیں، مثال کے موشن پرامپٹ پیٹرن کو کاپی کریں، اور Run بٹن دبائیں (PirateDiffusion: اپنی تصویر کے جواب میں /workflow کمانڈ دیں؛ BitVector: اپلوڈ کریں اور ماڈل منتخب کریں)۔
سبجیکٹ کے لیے ایک جملے اور کیمرہ کے لیے ایک جملے کا موشن پرامپٹ لکھیں۔ کپڑوں، رنگوں یا روشنی کے بارے میں کچھ نہ لکھیں؛ وہ تصویر میں ہوتے ہیں۔
832x480 (لینڈ اسکیپ) یا 480x832 (پورٹریٹ)، 81 فریمز، ڈیفالٹ قدموں پر جنریٹ کریں۔ پورا کلپ دیکھیں؛ شارپنس نہیں بلکہ موشن کا جائزہ لیں۔
صرف موشن پرامپٹ پر کام کریں: آہستہ فعل ("آہستہ", "نرمی سے") حرکت کو کم کرتے ہیں؛ ایک کیمرہ ہدایت چھلانگوں کو روکتی ہے۔
مقامی طور پر، 16 جی بی کارڈ کے ساتھ: Wan 2.2 5B fp8 یا GGUF، 832x480، 49-81 فریمز، ٹیکسٹ انکوڈر CPU پر۔ 24 جی بی کے ساتھ: 14B fp8 480p پر، 720p انکوڈر آف لوڈ کے ساتھ۔ AI ویڈیو کے لیے VRAM گائیڈ دیکھیں۔
لمبے کلپس: کلپ ایک کے آخری فریم کو کلپ دو کی شروعاتی تصویر کے طور پر لیں اور موشن پرامپٹ جاری رکھیں؛ ایڈیٹر میں جوڑیں؛ آخر میں 30 fps پر انٹرپولیٹ کریں اور اپسکیل کریں۔
آواز شامل کریں: LTX-2 اور H3 کلپ کے ساتھ آڈیو بناتے ہیں؛ Wan کے لیے، ایڈیٹر میں موسیقی یا ایفیکٹس شامل کریں۔

مثالیں

I2V کے لیے موشن پرامپٹ

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 ورک فلو کمانڈ

/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 16 جی بی پر

تجاویز

موشن فعل صفتوں سے زیادہ اہم ہیں: "مڑنا، چلنا، اٹھانا، ڈالنا، ہاتھ ہلانا" ہر ایک الگ اور قابل اعتماد حرکت دیتا ہے؛ "خوبصورت سینیمیٹک" کچھ نہیں دیتا۔
ہر کلپ میں ایک کیمرہ حرکت: پش-ان، پل-بیک، بائیں پین، اوربٹ۔ دو حرکتیں جھٹکے دیتی ہیں۔
پورٹریٹ سٹیل چہرے بہتر حرکت دیتے ہیں؛ لینڈ اسکیپ سٹیل ماحول کو بہتر حرکت دیتے ہیں۔
Wan LoRAs ہائی-نوائز ماہر کے لیے موشن کی شکل دیتے ہیں؛ لو-نوائز تفصیل کی شکل دیتے ہیں۔ بہت سے پیک دونوں کے ساتھ آتے ہیں؛ ہر ایک کو اس کے ماہر پر لوڈ کریں۔
Distilled LoRAs (lightx2v, FastWan) Wan کو 20 قدم سے 4-6 قدم پر CFG 1 کے ساتھ لے آتے ہیں بغیر زیادہ کوالٹی نقصان کے؛ ماڈل کے صفحات انہیں فہرست کرتے ہیں۔
Wan 14B کے لیے 4090 پر ہر کلپ میں 3-10 منٹ اور LTX-2 کے لیے تقریباً 90 سیکنڈ لگتے ہیں؛ کلاؤڈ زیادہ تر کلپس ایک یا دو منٹ میں واپس دیتا ہے۔

ماڈل صفحہ چیک کریں 5B/14B اور ہائی/لو نوائز؛ اس کے مطابق ٹرگر لفظ کے ساتھ لوڈ کریں۔

سوالات

سب سے پہلے کون سا ویڈیو ماڈل؟

Wan 2.2 I2V: آسان، اچھی دستاویزات، سب سے زیادہ LoRAs۔ Wan شروع کرنے کا گائیڈ مکمل سیٹ اپ دیتا ہے۔

کیا میں یہ 8 جی بی کارڈ پر کر سکتا ہوں؟

مختصر 480p کلپس Wan 2.1 1.3B یا Wan 2.2 5B GGUF کے ساتھ، آہستہ۔ حقیقت میں، کلاؤڈ سے شروع کریں۔

میں آواز کیسے حاصل کروں؟

LTX-2 اور MiniMax H3 ہم آہنگ آڈیو بناتے ہیں؛ مارک وائٹ کے H3 پرامپٹنگ گائیڈز ڈائیلاگ اور ایفیکٹس پر روشنی ڈالتے ہیں۔

کلپ کتنی لمبی ہو سکتی ہے؟

تقریباً پانچ سیکنڈ قدرتی طور پر۔ لمبے کلپس چین کیے ہوئے ہوتے ہیں؛ ایک پاس میں چھ سے آٹھ سیکنڈ سے زیادہ کوالٹی خراب ہو جاتی ہے۔

کیا جدید کمرشل ماڈلز (Veo، Kling، Wan 3.0) لوکل دستیاب ہیں؟

نہیں؛ وہ صرف API پر ہیں۔ اس گائیڈ کے تمام ماڈلز اوپن ویٹ ہیں اور لوکل یا کلاؤڈ پر چلتے ہیں۔

لنکس اور ماخذ

اس رہنما کے ماڈلز

لکھا

کرو کے گھونسلے میں بیٹھ کر Hugging Face کو ریفریش کرتا ہے تاکہ آپ کو نہ کرنا پڑے۔ جیسے ہی نیا ماڈل آتا ہے رپورٹ کرتا ہے اور پھر جب اسے خاموشی سے درست config کے ساتھ دوبارہ اپلوڈ کیا جاتا ہے۔ کبھی بھی وقت سے پہلے نہیں پہنچا۔ لائسنس فائل پر لانچ ویڈیو سے زیادہ اعتماد کرتا ہے۔

Lookout کے تمام گائیڈز

Wan 2.2 ویڈیو: ٹیکسٹ سے ویڈیو اور تصویر سے ویڈیو کی سیٹ اپ، سیٹنگز اور LoRAs

مئی 24, 2026

AI ویڈیو کے لیے آپ کو کتنی VRAM چاہیے؟ Wan 2.2، HunyuanVideo 1.5 اور LTX-2 GPU سائز کے حساب سے (2026)

اکتوبر 6, 2026

MiniMax H3 کو پرامپٹ کرنا: متن سے ویڈیو، تصویر سے ویڈیو، حوالہ ویڈیو اور آڈیو

ستمبر 20, 2026

MiniMax H3 ویڈیو پرامپٹس: سرکاری ساخت

ستمبر 14, 2026

LTX 2.3 کرسپ اینہانس: زیادہ تیز، زیادہ سینیمیٹک ویڈیو تفصیل

اکتوبر 3, 2026

AI تصویر اور ویڈیو کے لیے GPU اور VRAM گائیڈ: ہر ماڈل کو کیا چاہیے اور کیا خریدنا چاہیے (یا نہیں)

جنوری 7, 2026

HunyuanVideo ٹیکسٹ سے ویڈیو ComfyUI ورک فلو: 13B ماڈل جس نے لوکل ویڈیو شروع کی

اکتوبر 9, 2026

2026 میں بہترین اوپن سورس AI ویڈیو ماڈلز: جو آپ واقعی ڈاؤن لوڈ کر سکتے ہیں

اکتوبر 14, 2026

مزید رہنما

Wan2GP کیسے انسٹال کریں: کم VRAM والے GPUs پر AI ویڈیو اور تصاویر

اکتوبر 8, 2026

فلیٹ فیس بمقابلہ ٹوکنز: کیوں 2026 میں Graydient.ai جیسے لامحدود پلانز AI تخلیق کاروں کے لیے بہترین قیمت ہیں

اکتوبر 8, 2026

ہر مشہور AI تصویر اور ویڈیو ماڈل کے لیے VRAM کی ضروریات (2026): مکمل درستگی، FP8 اور GGUF

اکتوبر 6, 2026

HunyuanVideo 1.5 بمقابلہ Wan 2.2: 2026 میں کون سا اوپن ویڈیو ماڈل چلانا چاہیے

اکتوبر 4, 2026

کلاؤڈ میں AI ماڈلز کیسے چلائیں (2026 ابتدائی رہنمائی): Flux، Wan اور SDXL بغیر GPU کے