.ai

najlepsze otwarte modele AI

Szukaj

Generowanie wideo AI dla początkujących: obraz na wideo, tekst na wideo i pierwszy klip z Wan, LTX-2 i H3

Q: Skoki kamery lub cięcia sceny

Dwie instrukcje kamery lub słowa "cut to" w promptcie. Jeden ruch kamery; wpisz "jump cut" w negatywnym.

Q: Brak pamięci przy 720p

Liczba klatek razy rozdzielczość przekracza VRAM. Zmień na 480p lub mniej klatek, odciąż enkoder tekstu; zobacz przewodnik VRAM dla wideo AI.

Q: LoRA ruchu nic nie robi

Załadowano na złego eksperta lub zły rozmiar modelu. Sprawdź stronę modelu dla 5B/14B i wysokiego/niskiego szumu; ładuj zgodnie z triggerem.

Temat: Modele wideo

Autor: Lookout

Opublikowano 2026-04-29

Pierwszy tydzień z otwartymi modelami wideo: różnica między tekstem na wideo a obrazem na wideo i dlaczego warto zacząć od tego drugiego, trzy rodziny modeli warte poznania (Wan 2.2, LTX-2, MiniMax H3), liczba klatek i rozdzielczości, które działają, jak napisać prompt ruchu, czego się spodziewać po karcie 16 lub 24 GB w porównaniu z chmurą oraz jak zamienić pięciosekundowe klipy w coś dłuższego.

Przegląd

Modele wideo to modele obrazów z osią czasu: ta sama pętla denoisingu działa na bloku klatek naraz, więc wszystko, co wiesz o promptach, seedach i denoise, się przenosi, podobnie jak koszty, pomnożone przez liczbę klatek. Praktyczne konsekwencje dla początkującego są trzy. Zacznij od image-to-video (I2V), bo dobry statyczny obraz z modelu obrazowego ustawia kompozycję i styl, a model wideo musi wymyślić tylko ruch. Trzymaj klipy krótkie (około pięciu sekund), bo na tym model był trenowany. I spodziewaj się uruchamiać duże modele w chmurze, chyba że masz kartę 24 GB.

Trzy otwarte rodziny pokrywają większość potrzeb w 2026.

Wan 2.2

(Alibaba) to uniwersalny model: 5B działający na 12-16 GB i 14B z dwoma ekspertami o najlepszej jakości otwartej, plus ogromny ekosystem

LoRA

do ruchu i stylu.

LTX-2

(Lightricks) jest szybki i generuje zsynchronizowany dźwięk, ale wymaga 24-32 GB.

MiniMax H3

to model audio-wideo z dialogami i efektami dźwiękowymi, głównie używany przez hostowane workflow; przewodniki po promptach H3 na tej stronie autorstwa Marka White’a są bardzo szczegółowe.

Hunyuan

Video 1.5 to lżejsza alternatywa dla

Wan

14B.

Katalog wymienia każdy model wideo i jego LoRA z bazą i rozmiarem, na który są skierowane (5B lub 14B, ekspert wysokoszumowy lub niskoszumowy), a strony modeli pokazują przykładowe klipy z ich promptami. Przycisk Run otwiera model na

PirateDiffusion

, gdzie komenda workflow tworzy klip z odpowiedzi na twój obraz, lub na

BitVector

Odniesienie

Nazwa	Typ	Co to jest
I2V (image to video)	mode	Animuj statyczny obraz. Najlepszy pierwszy tryb: kompozycja jest już dobra; prompt opisuje tylko ruch.
T2V (text to video)	mode	Tylko z promptu. Więcej różnorodności, mniej kontroli; używaj do pomysłów i ujęć B-roll.
FLF2V / first-last frame	mode	Dwie klatki kluczowe; model wypełnia ruch między nimi. Kontrolowane przejścia.
Frames and fps	setting	Wan: 81 klatek przy 16 fps (5 s); LTX-2: 97-121 klatek przy 24-25 fps; H3: 145 klatek przy ~24 fps. Pamięć rośnie z liczbą klatek.
Resolution	setting	Wan 2.2: 832x480 lub 480x832 (szybko), 1280x720 (24 GB+); LTX-2 do 1080p+ z 32 GB. Portret dla ludzi, krajobraz dla scen.
Motion prompt	prompt	Ruch jednego obiektu plus ruch kamery: "ona odwraca się do okna i się uśmiecha; powolne przybliżenie". Unikaj wymieniania szczegółów sceny już widocznych na obrazie.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 kroków podzielonych 10/10 na ekspertów, CFG 3.5, shift 5; 5B: 20-30 kroków, CFG 5; LTX-2: 25-30 kroków z własnym harmonogramem; destylowane LoRA (lightx2v) skracają Wan do 4-8 kroków przy CFG 1.
Motion LoRAs	file	Ruchy kamery, tańce, gesty, fizyka; dopasowane do 5B/14B i eksperta. Strony tu podają cel.
Interpolation and upscale	post	RIFE lub FILM do 32-60 fps; ESRGAN klatka po klatce lub SeedVR do rozdzielczości.

Twój pierwszy klip bez GPU

BitVector Prism animuje statyczny obraz z modelami Wan z tego przewodnika w przeglądarce: załaduj obraz, napisz zdanie o ruchu, pobierz klip. Nic do instalacji, działa na laptopie.

Wypróbuj BitVector

Krok po kroku

Zrób lub wybierz statyczny obraz: render 1024x1024 lub 832x1216 z wyraźnym obiektem i prostym tłem. Twarze większe niż jedna dziesiąta klatki animują się najlepiej.
Otwórz stronę modelu Wan 2.2 I2V na tej stronie, skopiuj wzór przykładowego promptu ruchu i kliknij Run (PirateDiffusion: odpowiedz na swój obraz komendą /workflow; BitVector: załaduj i wybierz model).
Napisz prompt ruchu: jedno zdanie o obiekcie i jedno o kamerze. Nic o ubraniach, kolorach czy oświetleniu; to jest na obrazie.
Generuj w 832x480 (krajobraz) lub 480x832 (portret), 81 klatek, domyślne kroki. Obejrzyj cały klip; oceniaj ruch, nie ostrość.
Poprawiaj tylko prompt ruchu: wolniejsze czasowniki ("powoli", "delikatnie") zmniejszają chaotyczne ruchy; jedna instrukcja kamery zapobiega skokom.
Lokalnie, z kartą 16 GB:
Wan 2.2 5B
fp8 lub GGUF, 832x480, 49-81 klatek, enkoder tekstu na CPU. Z 24 GB: 14B fp8 przy 480p, 720p z wyłączonym enkoderem. Zobacz przewodnik
VRAM
dla wideo AI.
Dłuższe kawałki: weź ostatnią klatkę pierwszego klipu jako obraz startowy drugiego z kontynuowanym promptem ruchu; połącz w edytorze; interpoluj do 30 fps i podbij rozdzielczość na końcu.
Dodaj dźwięk: LTX-2 i H3 generują audio z klipem; w Wan dodaj muzykę lub efekty w edytorze.

Przykłady

Prompt ruchu dla 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

Komenda 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 na 16 GB

Porady

Czasowniki ruchu są ważniejsze niż przymiotniki: "obraca się, chodzi, podnosi, nalewa, macha" dają wyraźny, pewny ruch; "piękny, kinowy" nic nie da.
Jeden ruch kamery na klip: przybliżenie, oddalenie, panoramowanie w lewo, orbitowanie. Dwa ruchy dają drgania.
Portretowe statyki lepiej animują twarze; krajobrazowe lepiej animują otoczenie.
Wan LoRA dla eksperta wysokoszumowego kształtuje ruch; niskoszumowy kształtuje detale. Wiele pakietów ma oba; ładuj każdy na swojego eksperta.
Destylowane LoRA (lightx2v, FastWan) skracają Wan z 20 kroków do 4-6 przy CFG 1 bez dużej utraty jakości; strony modeli je wymieniają.
Spodziewaj się 3-10 minut na klip na 4090 dla Wan 14B i około 90 sekund dla LTX-2; chmura zwraca większość klipów w minutę lub dwie.

Sprawdź stronę modelu dla 5B/14B i wysokiego/niskiego szumu; ładuj zgodnie z triggerem.

Wan 2.2 14B, LTX-2 i H3 z Telegrama

PirateDiffusion uruchamia duże modele wideo na serwerowych GPU: odpowiedz na dowolny obraz komendą workflow, a klip wróci na czacie. Nieograniczone generowanie za stałą cenę, bez potrzeby karty 24 GB.