Generazione video AI per principianti: da immagine a video, da testo a video e il primo clip con Wan, LTX-2 e H3

Q: Memoria esaurita a 720p

Frame per risoluzione superano la VRAM. Scendi a 480p o meno frame, offloada il text encoder; vedi la guida VRAM per video AI.

Argomento: Modelli video

Di Lookout

Pubblicato il 2026-04-29

La prima settimana con modelli video open: la differenza tra testo a video e immagine a video e perché iniziare con quest’ultimo, le tre famiglie di modelli da conoscere (Wan 2.2, LTX-2, MiniMax H3), i conteggi di frame e risoluzioni che funzionano, come scrivere un prompt di movimento, cosa aspettarsi da una scheda da 16 o 24 GB rispetto al cloud, e come trasformare clip di cinque secondi in qualcosa di più lungo.

Panoramica

I modelli video sono modelli di immagini con un asse temporale: lo stesso ciclo di denoising si applica a un blocco di frame insieme, quindi tutto quello che sai su prompt, seed e denoise vale anche qui, così come i costi, moltiplicati per il numero di frame. Le conseguenze pratiche per un principiante sono tre. Inizia con immagine a video (I2V), perché un fermo immagine da un modello di immagini fissa composizione e stile e lascia al modello video solo il movimento da inventare. Tieni i clip corti (circa cinque secondi), perché è su questo che i modelli sono stati addestrati. E aspettati di usare i modelli grandi sul cloud a meno che tu non abbia una scheda da 24 GB.

Tre famiglie open coprono la maggior parte delle esigenze nel 2026.

Wan 2.2

(Alibaba) è il tuttofare: un modello da 5B che gira su 12-16 GB e un modello da 14B con due esperti con la migliore qualità open, più un enorme ecosistema di

LoRA

per movimento e stile.

LTX-2

(Lightricks) è veloce e genera audio sincronizzato ma richiede 24-32 GB.

MiniMax H3

è il modello audio-video con dialoghi ed effetti sonori, usato soprattutto tramite workflow ospitati; le guide di Mark White su H3 qui sul sito sono molto approfondite.

Hunyuan

Video 1.5 è un’alternativa più leggera a

Wan

14B.

Il catalogo elenca ogni modello video e le sue LoRA con la base e la dimensione a cui puntano (5B o 14B, esperto ad alto o basso rumore), e le pagine dei modelli mostrano clip di esempio con i loro prompt. Il pulsante Run apre il modello su

PirateDiffusion

, dove un comando workflow produce il clip da una risposta alla tua immagine, o su

BitVector

Riferimento

Nome	Tipo	Cos'è
I2V (image to video)	mode	Anima un fermo immagine. Il miglior primo modo: la composizione è già giusta; il prompt descrive solo il movimento.
T2V (text to video)	mode	Solo da un prompt. Più varietà, meno controllo; usalo per idee e B-roll.
FLF2V / first-last frame	mode	Due keyframe; il modello riempie il movimento tra loro. Transizioni controllate.
Frames and fps	setting	Wan: 81 frame a 16 fps (5 s); LTX-2: 97-121 frame a 24-25 fps; H3: 145 frame a ~24 fps. La memoria scala con i frame.
Resolution	setting	Wan 2.2: 832x480 o 480x832 (veloce), 1280x720 (24 GB+); LTX-2 fino a 1080p+ con 32 GB. Ritratto per persone, paesaggio per scene.
Motion prompt	prompt	Un movimento del soggetto più uno della camera: "lei si gira verso la finestra e sorride; slow push-in". Evita di elencare dettagli della scena già nell’immagine.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 step divisi 10/10 tra esperti, CFG 3.5, shift 5; 5B: 20-30 step, CFG 5; LTX-2: 25-30 step con il suo schedule; LoRA distillate (lightx2v) portano Wan a 4-8 step a CFG 1.
Motion LoRAs	file	Movimenti di camera, danze, gesti, fisica; abbinati a 5B/14B e all’esperto. Le pagine qui indicano il target.
Interpolation and upscale	post	RIFE o FILM a 32-60 fps; ESRGAN frame-wise o SeedVR per la risoluzione.

Il tuo primo clip senza GPU

BitVector Prism anima un fermo immagine con i modelli Wan di questa guida nel browser: carica l’immagine, scrivi la frase di movimento, scarica il clip. Niente da installare, funziona da laptop.

Prova BitVector

Passo dopo passo

Crea o scegli un fermo immagine: un render 1024x1024 o 832x1216 con un soggetto chiaro e sfondo semplice. I volti più grandi di un decimo del frame si animano meglio.
Apri una pagina modello Wan 2.2 I2V su questo sito, copia il modello di prompt di movimento di esempio e premi il pulsante Run (PirateDiffusion: rispondi alla tua immagine con il comando /workflow; BitVector: carica e scegli il modello).
Scrivi un prompt di movimento con una frase per il soggetto e una per la camera. Niente su vestiti, colori o luce; l’immagine li ha già.
Genera a 832x480 (paesaggio) o 480x832 (ritratto), 81 frame, step di default. Guarda tutto il clip; giudica il movimento, non la nitidezza.
Itera solo sul prompt di movimento: verbi più lenti ("lentamente", "delicatamente") riducono i movimenti scomposti; un’istruzione singola per la camera evita salti.
Localmente, con una scheda da 16 GB:
Wan 2.2 5B
fp8 o GGUF, 832x480, 49-81 frame, text encoder su CPU. Con 24 GB: 14B fp8 a 480p, 720p con encoder offloadato. Vedi la guida
VRAM
per video AI.
Per pezzi più lunghi: prendi l’ultimo frame del clip uno come immagine iniziale del clip due con un prompt di movimento che continua; unisci in un editor; interpola a 30 fps e fai upscale alla fine.
Aggiungi audio: LTX-2 e H3 generano audio con il clip; per Wan, aggiungi musica o effetti nell’editor.

Esempi

Prompt di movimento per 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

Comando 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 su 16 GB

Consigli

I verbi di movimento contano più degli aggettivi: "gira, cammina, solleva, versa, saluta" producono movimenti distinti e affidabili; "bello cinematografico" non produce nulla.
Un movimento di camera per clip: push-in, pull-back, panoramica a sinistra, orbita. Due movimenti danno un effetto tremolante.
I fermi in ritratto animano meglio i volti; quelli in paesaggio animano meglio gli ambienti.
Le LoRA Wan per l’esperto ad alto rumore modellano il movimento; quelle a basso rumore modellano il dettaglio. Molti pacchetti hanno entrambe; caricale su ogni esperto.
Le LoRA distillate (lightx2v, FastWan) riducono Wan da 20 a 4-6 step a CFG 1 con poca perdita di qualità; le pagine modello le elencano.
Aspettati 3-10 minuti per clip su una 4090 per Wan 14B e circa 90 secondi per LTX-2; il cloud restituisce la maggior parte dei clip in uno o due minuti.

Controlla la pagina modello per 5B/14B e alto/basso rumore; carica con la parola trigger giusta.

Wan 2.2 14B, LTX-2 e H3 da Telegram

PirateDiffusion esegue i grandi modelli video su GPU server: rispondi a qualsiasi immagine con un comando workflow e il clip torna in chat. Generazione illimitata a prezzo fisso, senza bisogno di scheda da 24 GB.