Tạo video AI cho người mới: từ ảnh sang video, từ văn bản sang video và clip đầu tiên với Wan, LTX-2 và H3

Q: Camera nhảy hoặc cảnh cắt

Hai chỉ dẫn camera, hoặc từ "cut to" trong prompt. Một chuyển động camera; thêm "jump cut" vào phần tiêu cực.

Q: Hết bộ nhớ ở 720p

Số khung nhân độ phân giải vượt VRAM. Giảm xuống 480p hoặc ít khung hơn, tắt mã hóa văn bản; xem hướng dẫn VRAM cho video AI.

Q: LoRA chuyển động không hoạt động

Tải trên chuyên gia hoặc kích thước mô hình sai. Kiểm tra trang mô hình cho 5B/14B và nhiễu cao/thấp; tải đúng với từ kích hoạt.

Chủ đề: Mô hình video

Bởi Lookout

Đăng ngày 29 Tháng 4, 2026

Tổng quan

Mô hình video là mô hình ảnh có thêm trục thời gian: vòng lặp khử nhiễu chạy trên một khối khung hình cùng lúc, nên mọi thứ bạn biết về prompt, seed và khử nhiễu đều áp dụng được, chi phí cũng nhân lên theo số khung hình. Hậu quả thực tế cho người mới là ba điều. Bắt đầu với từ ảnh sang video (I2V), vì một ảnh tĩnh đẹp từ mô hình ảnh đã chỉnh được bố cục và phong cách, để mô hình video chỉ cần tạo chuyển động. Giữ clip ngắn (khoảng năm giây), vì đó là thứ mô hình được huấn luyện. Và dự kiến chạy các mô hình lớn trên đám mây nếu bạn không có card 24 GB.

Ba dòng mở bao phủ hầu hết nhu cầu năm 2026. Wan 2.2 (Alibaba) là mô hình đa năng: bản 5 tỷ tham số chạy trên 12-16 GB và bản 14 tỷ hai chuyên gia với chất lượng mở tốt nhất, cộng với hệ sinh thái LoRA lớn cho chuyển động và phong cách. LTX-2 (Lightricks) nhanh và tạo âm thanh đồng bộ nhưng cần 24-32 GB. MiniMax H3 là mô hình âm thanh-video có thoại và hiệu ứng, chủ yếu dùng qua quy trình lưu trữ; hướng dẫn prompt H3 của Mark White trên trang này đi sâu về nó. Hunyuan Video 1.5 là lựa chọn nhẹ hơn so với Wan 14B.

Danh mục liệt kê từng mô hình video và các LoRA của nó với cơ sở và kích thước mục tiêu (5B hoặc 14B, chuyên gia nhiễu cao hoặc thấp), trang mô hình có clip ví dụ kèm prompt. Nút Run mở mô hình trên PirateDiffusion, nơi lệnh workflow tạo clip từ phản hồi ảnh của bạn, hoặc trên BitVector.

Tham khảo

Tên	Kiểu	Ý nghĩa
I2V (image to video)	mode	Làm chuyển động cho ảnh tĩnh. Chế độ đầu tiên tốt nhất: bố cục đã đúng; prompt chỉ mô tả chuyển động.
T2V (text to video)	mode	Chỉ từ prompt. Đa dạng hơn, ít kiểm soát hơn; dùng cho ý tưởng và cảnh phụ.
FLF2V / first-last frame	mode	Hai khung chính; mô hình tạo chuyển động giữa. Chuyển cảnh có kiểm soát.
Frames and fps	setting	Wan: 81 khung ở 16 fps (5 giây); LTX-2: 97-121 khung ở 24-25 fps; H3: 145 khung khoảng 24 fps. Bộ nhớ tăng theo số khung.
Resolution	setting	Wan 2.2: 832x480 hoặc 480x832 (nhanh), 1280x720 (24 GB trở lên); LTX-2 lên tới 1080p+ với 32 GB. Chân dung cho người, phong cảnh cho cảnh.
Motion prompt	prompt	Một chuyển động chủ thể và một chuyển động camera: "cô ấy quay về phía cửa sổ và mỉm cười; đẩy chậm vào". Tránh liệt kê chi tiết cảnh đã có trong ảnh.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 bước chia 10/10 cho hai chuyên gia, CFG 3.5, shift 5; 5B: 20-30 bước, CFG 5; LTX-2: 25-30 bước theo lịch riêng; LoRA chưng cất (lightx2v) giúp Wan chạy 4-8 bước ở CFG 1.
Motion LoRAs	file	Chuyển động camera, nhảy, cử chỉ, vật lý; phù hợp với 5B/14B và chuyên gia. Trang ở đây ghi rõ mục tiêu.
Interpolation and upscale	post	RIFE hoặc FILM lên 32-60 fps; ESRGAN từng khung hoặc SeedVR cho độ phân giải.

Từng bước

Tạo hoặc chọn ảnh tĩnh: render 1024x1024 hoặc 832x1216 với chủ thể rõ và nền đơn giản. Khuôn mặt lớn hơn một phần mười khung hình chuyển động tốt nhất.
Mở trang mô hình Wan 2.2 I2V trên trang này, sao chép mẫu prompt chuyển động ví dụ, nhấn nút Run (PirateDiffusion: trả lời ảnh với lệnh /workflow; BitVector: tải lên và chọn mô hình).
Viết prompt chuyển động một câu cho chủ thể và một câu cho camera. Không nói về quần áo, màu sắc hay ánh sáng; ảnh đã có rồi.
Tạo ở 832x480 (phong cảnh) hoặc 480x832 (chân dung), 81 khung, bước mặc định. Xem toàn bộ clip; đánh giá chuyển động, không phải độ nét.
Chỉ chỉnh prompt chuyển động: động từ chậm hơn ("chậm rãi", "nhẹ nhàng") giảm chuyển động loạn xạ; một chỉ dẫn camera tránh nhảy cảnh.
Chạy tại chỗ với card 16 GB: Wan 2.2 5B fp8 hoặc GGUF, 832x480, 49-81 khung, mã hóa văn bản trên CPU. Với 24 GB: 14B fp8 ở 480p, 720p khi tắt mã hóa. Xem hướng dẫn VRAM cho video AI.
Đoạn dài hơn: lấy khung cuối clip một làm ảnh bắt đầu clip hai với prompt chuyển động tiếp tục; ghép trong trình chỉnh sửa; nội suy lên 30 fps và nâng cấp độ phân giải cuối cùng.
Thêm âm thanh: LTX-2 và H3 tạo âm thanh đồng bộ với clip; với Wan, thêm nhạc hoặc hiệu ứng trong trình chỉnh sửa.

Ví dụ

Prompt chuyển động cho 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

Lệnh workflow 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 trên 16 GB

Mẹo

Động từ chuyển động quan trọng hơn tính từ: "quay, đi, nâng, rót, vẫy" tạo chuyển động rõ ràng; "đẹp điện ảnh" không tạo gì.
Một chuyển động camera mỗi clip: đẩy vào, kéo ra, quét trái, xoay vòng. Hai chuyển động gây rung lắc.
Ảnh chân dung làm chuyển động khuôn mặt tốt hơn; ảnh phong cảnh làm chuyển động môi trường tốt hơn.
LoRA Wan cho chuyên gia nhiễu cao định hình chuyển động; chuyên gia nhiễu thấp định hình chi tiết. Nhiều gói có cả hai; tải mỗi cái cho chuyên gia tương ứng.
LoRA chưng cất (lightx2v, FastWan) giảm bước Wan từ 20 xuống 4-6 ở CFG 1 mà ít mất chất lượng; trang mô hình có danh sách.
Dự kiến 3-10 phút mỗi clip trên 4090 cho Wan 14B và khoảng 90 giây cho LTX-2; đám mây trả clip trong một hoặc hai phút.

Kiểm tra trang mô hình cho 5B/14B và nhiễu cao/thấp; tải đúng với từ kích hoạt.

Câu hỏi

Mô hình video nào nên dùng đầu tiên?

Wan 2.2 I2V: dễ dùng, có tài liệu đầy đủ, nhiều LoRA nhất. Hướng dẫn bắt đầu Wan có thiết lập đầy đủ.

Tôi có thể làm trên card 8 GB không?

Clip ngắn 480p với Wan 2.1 1.3B hoặc Wan 2.2 5B GGUF, chậm thôi. Thực tế nên bắt đầu trên đám mây.

Làm sao có âm thanh?

LTX-2 và MiniMax H3 tạo âm thanh đồng bộ; hướng dẫn prompt H3 của Mark White giải thích cách làm thoại và hiệu ứng.

Clip có thể dài bao lâu?

Khoảng năm giây là chuẩn. Đoạn dài hơn là nối nhiều clip; chất lượng giảm sau sáu đến tám giây một lần chạy.

Mô hình thương mại mới nhất (Veo, Kling, Wan 3.0) có chạy tại chỗ không?

Không; chỉ có API. Mọi thứ trong hướng dẫn này là mở và chạy tại chỗ hoặc trên đám mây đối tác.

Liên kết và nguồn

Mô hình trong hướng dẫn này

Người viết

Ngồi trên đài quan sát, liên tục làm mới Hugging Face để bạn không phải làm. Báo ngay khi có mô hình mới ra và lại báo khi nó được tải lại lặng lẽ với cấu hình sửa. Chưa bao giờ kịp sớm hơn. Tin vào file giấy phép hơn video ra mắt.

Tất cả hướng dẫn của Lookout

Wan 2.2 video: thiết lập, cài đặt và LoRA cho text-to-video và image-to-video

24 Tháng 5, 2026

Bạn cần bao nhiêu VRAM cho video AI? Wan 2.2, HunyuanVideo 1.5 và LTX-2 theo kích thước GPU (2026)

6 Tháng 10, 2026

Hướng dẫn MiniMax H3: từ văn bản thành video, từ hình ảnh thành video, video tham khảo và âm thanh

20 Tháng 9, 2026

MiniMax H3 video prompts: cấu trúc chính thức

14 Tháng 9, 2026

LTX 2.3 Crisp Enhance: chi tiết video sắc nét hơn, điện ảnh hơn

3 Tháng 10, 2026

Hướng dẫn GPU và VRAM cho hình ảnh và video AI: mỗi model cần gì và nên mua (hoặc không)

7 Tháng 1, 2026

Quy trình làm việc HunyuanVideo text to video ComfyUI: mô hình 13B đã khởi đầu video cục bộ

9 Tháng 10, 2026

Các mô hình video AI mã nguồn mở tốt nhất năm 2026: những gì bạn thực sự có thể tải về

14 Tháng 10, 2026

Hướng dẫn khác

Cách cài đặt Wan2GP: AI video và hình ảnh trên GPU có VRAM thấp

8 Tháng 10, 2026

Phí cố định so với token: tại sao các gói không giới hạn như Graydient.ai là lựa chọn tốt nhất cho nhà sáng tạo AI năm 2026

8 Tháng 10, 2026

Yêu cầu VRAM cho mọi mô hình AI hình ảnh và video phổ biến (2026): độ chính xác đầy đủ, FP8 và GGUF

6 Tháng 10, 2026

HunyuanVideo 1.5 và Wan 2.2: mô hình video mở nào nên dùng năm 2026

4 Tháng 10, 2026

Cách chạy mô hình AI trên đám mây (hướng dẫn cho người mới 2026): Flux, Wan và SDXL không cần GPU