Prompt beschreibt eine Szene, keine Aktion; oder zu wenige Schritte beim High-Noise-Experten. Bewegungsverben und Kamerabewegungen hinzufügen; dem High-Noise-Experten die Hälfte der Schritte geben.

Trends

.ai

die besten Open-Source-KI-Modelle

Wan 2.2 Video: Text-zu-Video und Bild-zu-Video Setup, Einstellungen und LoRAs

Q: Speicherfehler beim ersten Sampler

fp16 14B Gewichte auf einer 24-GB- oder kleineren Karte. fp8 oder GGUF Q4 Paar, weniger Frames, 480p, --lowvram; oder das 5B Modell.

Q: Dekodierung schlägt fehl, obwohl Sampling klappte

VAE-Dekodierung ist der Speicher-Höhepunkt bei Video. Wan VAE-Dekodierung in Kacheln (Option tiled im Decode-Node) oder weniger Frames.

Thema: Videomodelle

Von Captain

Veröffentlicht am 2026-05-24

Erste Ergebnisse mit Wan 2.2: Welches Modell wählt man (5B oder 14B), das Expertenpaar mit hohem/niedrigem Rauschen, Auflösung und Bildanzahl, die funktionieren, die Lightning-LoRAs, die Render auf vier Schritte reduzieren, Prompt-Struktur für Bewegung und wie man es gehostet laufen lässt, wenn die Grafikkarte zu klein ist.

Überblick

Wan 2.2

ist Alibabas offene Videofamilie und das meist heruntergeladene Videomodell auf dieser Seite. Es gibt ein 5B Hybridmodell für Text- und Bild-zu-Video, das für Consumer-Grafikkarten gebaut ist (720p auf 8 bis 12 GB), und 14B Text-zu-Video und Bild-zu-Video Modelle, die zwei Experten nutzen: ein Modell mit hohem Rauschen, das Bewegung und Komposition in den ersten Schritten festlegt, und ein Modell mit niedrigem Rauschen, das in den letzten Schritten Details hinzufügt. Das 14B Paar liefert die cineastischen Ergebnisse, die geteilt werden; das 5B Modell ist das zum Lernen.

Die Community hat hunderte

Wan

LoRAs

trainiert: Kamerabewegungen (Orbit, Dolly, Crash Zoom), Bewegungsstile, Charaktere, Effekte und die Lightning-/Distillation-LoRAs, die 30-Schritte-Render auf 4 bis 8 Schritte mit wenig Verlust reduzieren. Die Wan-Familienseite sortiert sie nach Beliebtheit; die Lightning-LoRAs sind fast immer ganz oben.

Gehostete Optionen sind gut für Video geeignet, weil Render lange dauern und viel

VRAM

brauchen:

PirateDiffusion

läuft Wan-Workflows über Telegram mit /wf /run, und

BitVector

hält die Wan-Graphen vorinstalliert mit den LoRAs. Beide sind im Run-Bereich jeder Wan-Modellseite verlinkt.

Referenz

Name	Typ	Bedeutung
Wan2.2-TI2V-5B	model	Ein Modell für Text- und Bild-zu-Video, 720p bei 24 fps, maximal 121 Frames. fp16 10 GB, fp8 5 GB. 8 bis 12 GB Karten.
Wan2.2-T2V-A14B / I2V-A14B	model pair	Experten mit hohem und niedrigem Rauschen, je 14B (insgesamt 27B, 14B aktiv). 480p und 720p. fp8 etwa 14 GB je Modell; GGUF Q4 etwa 8 GB je Modell.
umt5-xxl text encoder	file	fp8 skaliert (6 GB) oder fp16 (11 GB). Wird von allen Wan-Modellen geteilt.
Wan 2.1 / 2.2 VAE	file	Das 5B Modell nutzt die 2.2 VAE; die 14B Modelle die 2.1 VAE. Mischen führt zu Müll.
Resolution	setting	480x832 oder 832x480 für schnelle Tests; 720x1280 / 1280x720 für Endversionen. Vielfache von 16.
Frames	setting	4n+1: 33, 49, 65, 81. 81 Frames bei 16 fps sind fünf Sekunden.
Steps / shift / CFG	setting	20 bis 30 Schritte, shift 5 bis 8, CFG 3.5 bis 5 ohne Lightning. Mit Lightning-LoRAs: 4 bis 8 Schritte, CFG 1, shift 5.
Lightning / distill LoRA	LoRA	Separate LoRAs für die Experten mit hohem und niedrigem Rauschen; jeweils auf das eigene Modell laden. Gewicht 1.0.
Prompt	text	Subjekt, Aktion, Kamera, Beleuchtung, Stil, in dieser Reihenfolge. Bewegungsverben explizit beschreiben. Negativer Prompt wird von Wan genutzt (anders als bei Flux ).

Keine Installation nötig – KI-Modelle in der Cloud ausführen

BitVector Prism ist der einfachste Einstieg: Modell wählen, Prompt eingeben und in einer übersichtlichen Web-App generieren, ohne etwas einzurichten. BitVector gibt es auch auf Discord und im Web (SpyGlass).

BitVector ausprobieren

Schritt für Schritt

Installiere die Loader:
ComfyUI
Core unterstützt Wan 2.2; füge ComfyUI-GGUF für quantisierte Dateien hinzu. ComfyUI zuerst aktualisieren.
Lade für deine Karte herunter: 5B fp8 plus 2.2 VAE und umt5 fp8 für 8 bis 12 GB; das 14B fp8 Paar plus 2.1 VAE für 24 GB; das 14B GGUF Q4 Paar für 12 bis 16 GB.
Lade die offizielle Vorlage (Workflow > Browse Templates > Video > Wan 2.2) und ersetze die Loader durch deine Dateien. Für GGUF tausche Load Diffusion Model gegen Unet Loader (GGUF).
Für 14B: zwei KSampler Advanced Nodes. Der erste läuft mit dem Modell mit hohem Rauschen für Schritte 0 bis N/2 (gibt Restrauschen zurück), der zweite läuft mit dem Modell mit niedrigem Rauschen von N/2 bis N. Die Vorlage ist dafür schon verdrahtet.
Erster Render: 480x832, 33 Frames, 20 Schritte, CFG 4, shift 8, Prompt „a corgi runs along a beach at sunset, camera tracks alongside, golden light, shallow depth of field“. Rechne mit 2 bis 6 Minuten.
Füge die Lightning-LoRAs von der Wan-Familienseite hinzu (je eine für jeden Experten), setze Schritte auf 6 (3 + 3), CFG 1. Renderzeiten sinken bei 480p auf unter eine Minute.
Bild-zu-Video: Lade das I2V-Paar, gib das Bild in WanImageToVideo, halte den Prompt bei Bewegung und Kamera statt das Bild zu beschreiben.
Endversionen: 720p, 81 Frames, mit RIFE oder FILM auf 32 fps interpolieren, bei Bedarf mit einem Video-Upscaler aus der Upscalers-Familie hochskalieren.
Zu langsam oder zu groß: Nutze denselben Workflow auf BitVector oder auf PirateDiffusion mit /workflow /show:wan, um die Felder zu sehen, und /wf /run:wan mit deinem Prompt.

Beispiele

Text-zu-Video Prompt

A fisherman in a yellow raincoat hauls a net onto a small wooden boat in heavy rain, waves rock the boat, the camera is handheld and close, grey stormy light, cinematic, 35mm film grain

Negative: overexposed, static, blurry details, subtitles, worst quality, low quality, deformed, extra fingers, still image

Bild-zu-Video Prompt (nur Bewegung)

The woman turns her head toward the camera and smiles, wind moves her hair, slow push-in, soft daylight

PirateDiffusion

/workflow /show:wan-i2v

/wf /run:wan-i2v /initimage:Iabc123 the woman turns her head toward the camera and smiles, wind moves her hair, slow push-in

Tipps

Beschreibe Bewegung mit Verben und die Kamera mit Filmbegriffen (langsamer Dolly-in, Handkamera, statische Totale). Wan folgt Kamerasprache ungewöhnlich gut.
Negativen Prompt beibehalten: Der offizielle listet Überbelichtung, statisch, unscharfe Details, Untertitel, schlechteste Qualität, zusätzliche Finger, und das hilft.
Für I2V: Erzeuge den ersten Frame mit Flux,
Qwen
oder
Z-Image
im Ziel-Seitenverhältnis; ein scharfes, gut beleuchtetes Standbild liefert einen besseren Clip als jeder Prompt.
Bildanzahl kostet mehr als Auflösung: 81 Frames bei 480p sind günstiger als 49 Frames bei 720p.
Bewegungs-LoRAs für Wan sind nach dem Experten getaggt, den sie ansprechen; ein Low-Noise-LoRA fügt Details hinzu, ein High-Noise-LoRA ändert die Bewegung.
Seed ist bei Video sehr wichtig; halte den Seed beim Prompt-Tuning fest, variiere ihn dann für verschiedene Takes.
Speichere den Workflow mit deinem LoRA-Set als Vorlage; Wan-Graphen sind lang und leicht zu beschädigen.

Version und Größe anpassen; die Modellseite nennt beides.

Keine Installation nötig – KI-Modelle in der Cloud ausführen

PirateDiffusion gibt es nur auf Telegram und richtet sich an Profis: tausende Modelle, LoRAs und Workflows per Chat-Befehl, mit unbegrenzter Generierung zum Festpreis.

PirateDiffusion ausprobieren

Fragen

5B oder 14B?

5B zum Lernen und für 8 bis 12 GB Karten; 14B für Qualität, wenn du 24 GB hast oder gehostet arbeitest. Beide nehmen dieselben Prompts.

Wie lang ist ein Clip?

Bis zu 81 Frames (5 s bei 16 fps) für 14B und 121 Frames (5 s bei 24 fps) für 5B pro Render; längere Videos werden aus Fortsetzungen des letzten Frames zusammengesetzt.