Generasi video AI untuk pemula: image-to-video, text-to-video dan klip pertama dengan Wan, LTX-2 dan H3

Q: Kamera loncat atau adegan terpotong

Dua instruksi kamera, atau kata "cut to" di prompt. Satu gerakan kamera; masukkan "jump cut" di negatif.

Q: Kehabisan memori di 720p

Jumlah frame kali resolusi melebihi VRAM. Turun ke 480p atau frame lebih sedikit, alihkan encoder teks; lihat panduan VRAM untuk video AI.

Q: Motion LoRA tidak berfungsi

Dimuat di ahli yang salah atau ukuran model salah. Periksa halaman model untuk 5B/14B dan noise tinggi/rendah; muat sesuai dengan kata pemicu.

Topik: Model video

Oleh Lookout

Diterbitkan 2026-04-29

Ikhtisar

Model video adalah model gambar dengan sumbu waktu: loop denoising yang sama berjalan pada blok frame sekaligus, jadi semua yang kamu tahu tentang prompt, seed dan denoise berlaku juga, begitu juga biaya, dikalikan dengan jumlah frame. Konsekuensi praktis untuk pemula ada tiga. Mulai dengan image-to-video (I2V), karena still bagus dari model gambar memperbaiki komposisi dan gaya dan model video hanya perlu membuat gerakan. Jaga klip tetap pendek (sekitar lima detik), karena itu yang dilatih model. Dan harapkan menjalankan model besar di cloud kecuali kamu punya kartu 24 GB.

Tiga keluarga terbuka mencakup sebagian besar kebutuhan di 2026.

Wan 2.2

(Alibaba) adalah serba bisa: model 5B yang berjalan di 12-16 GB dan model dua ahli 14B dengan kualitas terbuka terbaik, plus ekosistem

LoRA

besar untuk gerakan dan gaya.

LTX-2

(Lightricks) cepat dan menghasilkan audio sinkron tapi butuh 24-32 GB.

MiniMax H3

adalah model audio-video dengan dialog dan efek suara, biasanya dipakai lewat workflow hosting; panduan prompt H3 di situs ini oleh Mark White membahasnya secara mendalam.

Hunyuan

Video 1.5 adalah alternatif ringan untuk

Wan

14B.

Katalog mencantumkan setiap model video dan LoRA-nya dengan basis dan ukuran yang ditargetkan (5B atau 14B, ahli noise tinggi atau rendah), dan halaman model menunjukkan contoh klip dengan promptnya. Tombol Run membuka model di

PirateDiffusion

, di mana perintah workflow membuat klip dari balasan ke gambarmu, atau di

BitVector

Referensi

Nama	Tipe	Artinya
I2V (image to video)	mode	Animasi sebuah still. Mode pertama terbaik: komposisi sudah benar; prompt hanya menggambarkan gerakan.
T2V (text to video)	mode	Hanya dari prompt. Lebih banyak variasi, kontrol lebih sedikit; pakai untuk ide dan B-roll.
FLF2V / first-last frame	mode	Dua keyframe; model mengisi gerakan di antaranya. Transisi terkontrol.
Frames and fps	setting	Wan: 81 frame pada 16 fps (5 s); LTX-2: 97-121 frame pada 24-25 fps; H3: 145 frame pada ~24 fps. Memori bertambah sesuai frame.
Resolution	setting	Wan 2.2: 832x480 atau 480x832 (cepat), 1280x720 (24 GB+); LTX-2 sampai 1080p+ dengan 32 GB. Potret untuk orang, lanskap untuk adegan.
Motion prompt	prompt	Satu gerakan subjek plus satu gerakan kamera: "dia berbalik ke jendela dan tersenyum; dorongan lambat". Hindari daftar detail adegan yang sudah ada di gambar.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 langkah dibagi 10/10 antar ahli, CFG 3.5, shift 5; 5B: 20-30 langkah, CFG 5; LTX-2: 25-30 langkah dengan jadwal sendiri; LoRA distilasi (lightx2v) membawa Wan ke 4-8 langkah di CFG 1.
Motion LoRAs	file	Gerakan kamera, tarian, gestur, fisika; cocok untuk 5B/14B dan ahli. Halaman di sini menyebut targetnya.
Interpolation and upscale	post	RIFE atau FILM ke 32-60 fps; ESRGAN per frame atau SeedVR untuk resolusi.

Klip pertamamu tanpa GPU

BitVector Prism menganimasikan still dengan model Wan dari panduan ini di browser: unggah gambar, tulis kalimat gerakan, unduh klip. Tidak perlu instalasi, bisa dari laptop.

Coba BitVector

Langkah demi langkah

Buat atau pilih still: render 1024x1024 atau 832x1216 dengan subjek jelas dan latar sederhana. Wajah lebih besar dari sepersepuluh frame paling bagus dianimasikan.
Buka halaman model Wan 2.2 I2V di situs ini, salin pola motion prompt contoh, dan tekan tombol Run (PirateDiffusion: balas gambarmu dengan perintah /workflow; BitVector: unggah dan pilih model).
Tulis motion prompt satu kalimat untuk subjek dan satu untuk kamera. Jangan tentang pakaian, warna atau pencahayaan; itu sudah ada di gambar.
Hasilkan di 832x480 (lanskap) atau 480x832 (potret), 81 frame, langkah default. Tonton seluruh klip; nilai gerakannya, bukan ketajamannya.
Ulangi hanya pada motion prompt: kata kerja lebih lambat ("perlahan", "lembut") mengurangi gerakan liar; satu instruksi kamera mencegah loncatan.
Secara lokal, dengan kartu 16 GB:
Wan 2.2 5B
fp8 atau GGUF, 832x480, 49-81 frame, encoder teks di CPU. Dengan 24 GB: 14B fp8 di 480p, 720p dengan encoder dialihkan. Lihat panduan
VRAM
untuk video AI.
Potongan lebih panjang: ambil frame terakhir klip satu sebagai gambar awal klip dua dengan motion prompt yang berlanjut; gabungkan di editor; interpolasi ke 30 fps dan upscale di akhir.
Tambah suara: LTX-2 dan H3 menghasilkan audio dengan klip; untuk Wan, tambahkan musik atau efek di editor.

Contoh

Motion prompt untuk 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

Perintah 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 di 16 GB

Tips

Kata kerja gerakan lebih penting daripada kata sifat: "berputar, berjalan, mengangkat, menuang, melambaikan" masing-masing menghasilkan gerakan berbeda dan dapat diandalkan; "indah sinematik" tidak menghasilkan apa-apa.
Satu gerakan kamera per klip: dorong masuk, tarik mundur, pan kiri, orbit. Dua gerakan bikin goyangan.
Still potret lebih baik untuk animasi wajah; still lanskap lebih baik untuk lingkungan.
Wan LoRA untuk ahli noise tinggi membentuk gerakan; yang noise rendah membentuk detail. Banyak paket mengirim keduanya; muat masing-masing pada ahlinya.
LoRA distilasi (lightx2v, FastWan) mengurangi langkah Wan dari 20 ke 4-6 di CFG 1 dengan sedikit kehilangan kualitas; halaman model mencantumkannya.
Harapkan 3-10 menit per klip di 4090 untuk Wan 14B dan sekitar 90 detik untuk LTX-2; cloud mengembalikan sebagian besar klip dalam satu atau dua menit.

Periksa halaman model untuk 5B/14B dan noise tinggi/rendah; muat sesuai dengan kata pemicu.

Wan 2.2 14B, LTX-2 dan H3 dari Telegram

PirateDiffusion menjalankan model video besar di GPU server: balas gambar apa saja dengan perintah workflow dan klip kembali di chat. Generasi tak terbatas dengan harga tetap, tidak perlu kartu 24 GB.