Generování AI videa pro začátečníky: z obrázku na video, z textu na video a první klip s Wan, LTX-2 a H3

Q: Skoky kamery nebo střih scény

Dvě instrukce kamery, nebo ve promptu slova jako "cut to". Použij jen jeden pohyb kamery; "jump cut" dej do negativního promptu.

Q: Nedostatek paměti při 720p

Počet snímků krát rozlišení přesahuje VRAM. Sniž rozlišení na 480p nebo počet snímků, odlož textový enkodér; viz průvodce VRAM pro AI video.

Q: Motion LoRA nic nedělá

Načteno na špatného experta nebo špatnou velikost modelu. Zkontroluj stránku modelu pro 5B/14B a vysoký/nízký šum; načti podle toho s příslušným spouštěcím slovem.

Téma: Video modely

Autor: Lookout

Publikováno 2026-04-29

Přehled

Video modely jsou obrazové modely s časovou osou: stejný proces odšumu běží najednou na bloku snímků, takže všechno, co víš o promptech, semenech a odšumu, platí i tady, stejně jako náklady, které se násobí počtem snímků. Pro začátečníka to znamená tři věci. Začni s obrázkem na video (I2V), protože dobrý statický obrázek od obrazového modelu už vyřeší kompozici a styl a video model pak vymýšlí jen pohyb. Drž klipy krátké (asi pět sekund), protože na takových modelech se trénovalo. A počítej s tím, že velké modely poběží spíš v cloudu, pokud nemáš 24GB kartu.

Tři otevřené rodiny pokryjí většinu potřeb v roce 2026.

Wan 2.2

(Alibaba) je univerzál: 5B model, který běží na 12-16 GB, a 14B dvou-expertový model s nejlepší otevřenou kvalitou, plus obrovský ekosystém

LoRA

pro pohyb a styl.

LTX-2

(Lightricks) je rychlý a generuje synchronizovaný zvuk, ale chce 24-32 GB.

MiniMax H3

je audio-video model s dialogy a zvukovými efekty, většinou se používá přes hostované workflow; Mark White má na tomto webu podrobné návody na H3 promptování.

Hunyuan

Video 1.5 je lehčí alternativa k

Wan

14B.

Katalog uvádí každý video model a jeho LoRA s verzí a velikostí, na kterou cílí (5B nebo 14B, expert s vysokým nebo nízkým šumem), a stránky modelů ukazují ukázkové klipy s jejich promptem. Tlačítko Run otevře model na

PirateDiffusion

, kde workflow příkaz vytvoří klip z odpovědi na tvůj obrázek, nebo na

BitVector

Reference

Název	Typ	Co to je
I2V (image to video)	mode	Oživit statický obrázek. Nejlepší první režim: kompozice už sedí; prompt popisuje jen pohyb.
T2V (text to video)	mode	Jen z promptu. Větší variabilita, menší kontrola; použij pro nápady a doplňkové záběry.
FLF2V / first-last frame	mode	Dva klíčové snímky; model vyplní pohyb mezi nimi. Kontrolované přechody.
Frames and fps	setting	Wan: 81 snímků při 16 fps (5 s); LTX-2: 97-121 snímků při 24-25 fps; H3: 145 snímků při ~24 fps. Paměť roste s počtem snímků.
Resolution	setting	Wan 2.2: 832x480 nebo 480x832 (rychlé), 1280x720 (24 GB+); LTX-2 až 1080p+ s 32 GB. Portrét pro lidi, krajina pro scény.
Motion prompt	prompt	Jeden pohyb subjektu a jeden pohyb kamery: "otočí se k oknu a usměje se; pomalý přiblížení". Vyhni se popisu detailů scény, které už jsou na obrázku.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 kroků rozdělených 10/10 mezi experty, CFG 3.5, shift 5; 5B: 20-30 kroků, CFG 5; LTX-2: 25-30 kroků s vlastním plánem; destilované LoRA (lightx2v) zkracují Wan na 4-8 kroků při CFG 1.
Motion LoRAs	file	Pohyby kamery, tance, gesta, fyzika; přizpůsobené 5B/14B a expertovi. Stránky tady uvádějí cílový model.
Interpolation and upscale	post	RIFE nebo FILM na 32-60 fps; po snímcích ESRGAN nebo SeedVR pro rozlišení.

Tvůj první klip bez GPU

BitVector Prism oživí statický obrázek s Wan modely z tohoto průvodce přímo v prohlížeči: nahraj obrázek, napiš větu o pohybu, stáhni klip. Nic se neinstaluje, funguje i na notebooku.

Vyzkoušet BitVector

Krok za krokem

Vytvoř nebo vyber statický obrázek: render 1024x1024 nebo 832x1216 s jasným subjektem a jednoduchým pozadím. Nejlépe se animují tváře větší než desetina snímku.
Otevři stránku modelu Wan 2.2 I2V na tomto webu, zkopíruj příklad vzoru pohybového promptu a stiskni tlačítko Run (PirateDiffusion: odpověz na svůj obrázek příkazem /workflow; BitVector: nahraj a vyber model).
Napiš pohybový prompt jednou větou pro subjekt a jednou pro kameru. Nic o oblečení, barvách nebo světle; to už je na obrázku.
Generuj v rozlišení 832x480 (krajina) nebo 480x832 (portrét), 81 snímků, výchozí počet kroků. Podívej se na celý klip; posuzuj pohyb, ne ostrost.
Upravuj jen pohybový prompt: pomalejší slovesa ("pomalu", "jemně") snižují mávání; jedna instrukce kamery zabrání skokům.
Lokálně, s 16GB kartou:
Wan 2.2 5B
fp8 nebo GGUF, 832x480, 49-81 snímků, textový enkodér na CPU. S 24 GB: 14B fp8 na 480p, 720p s enkodérem mimo GPU. Viz průvodce
VRAM
pro AI video.
Delší kusy: vezmi poslední snímek prvního klipu jako startovní obrázek druhého s pokračujícím pohybovým promptem; spoj v editoru; nakonec interpoluj na 30 fps a zvětši rozlišení.
Přidej zvuk: LTX-2 a H3 generují zvuk s klipem; u Wan přidej hudbu nebo efekty v editoru.

Příklady

Pohybový prompt pro 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

Workflow příkaz pro 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 na 16 GB

Tipy

Slovesa pohybu jsou důležitější než přídavná jména: "otočí se, jde, zvedá, nalévá, mává" dávají jasný, spolehlivý pohyb; "krásný, filmový" nic nevygeneruje.
Jeden pohyb kamery na klip: přiblížení, oddálení, panoráma vlevo, oblet. Dva pohyby způsobí chvění.
Portrétní statické obrázky lépe animují tváře; krajinné lépe animují prostředí.
Wan LoRA pro experta s vysokým šumem formují pohyb; nízký šum formuje detaily. Mnoho balíčků má obojí; načítej je na správného experta.
Destilované LoRA (lightx2v, FastWan) zkracují Wan z 20 kroků na 4-6 při CFG 1 s malou ztrátou kvality; jsou uvedeny na stránkách modelů.
Počítej s 3-10 minutami na klip na 4090 pro Wan 14B a asi 90 sekund pro LTX-2; cloud většinu klipů vrátí za minutu nebo dvě.

Zkontroluj stránku modelu pro 5B/14B a vysoký/nízký šum; načti podle toho s příslušným spouštěcím slovem.

Wan 2.2 14B, LTX-2 a H3 přes Telegram

PirateDiffusion spouští velké video modely na serverových GPU: odpověz na jakýkoli obrázek workflow příkazem a klip se ti vrátí v chatu. Neomezená tvorba za pevnou cenu, bez potřeby 24GB karty.