Geração de vídeo por IA para iniciantes: imagem para vídeo, texto para vídeo e o primeiro clipe com Wan, LTX-2 e H3

Q: Falta de memória em 720p

Número de quadros vezes resolução ultrapassa VRAM. Reduza para 480p ou menos quadros, descarregue o codificador de texto; veja o guia VRAM para vídeo IA.

Tema: Modelos de vídeo

Por Lookout

Publicado em 2026-04-29

Visão geral

Modelos de vídeo são modelos de imagem com um eixo de tempo: o mesmo loop de remoção de ruído roda em um bloco de quadros de uma vez, então tudo que você sabe sobre prompts, sementes e remoção de ruído se aplica, assim como os custos, multiplicados pelo número de quadros. As consequências práticas para um iniciante são três. Comece com imagem para vídeo (I2V), porque uma boa imagem fixa de um modelo de imagem já define a composição e o estilo, deixando para o modelo de vídeo só a parte do movimento para inventar. Mantenha os clipes curtos (cerca de cinco segundos), porque é nisso que os modelos foram treinados. E espere rodar os modelos grandes na nuvem, a menos que tenha uma placa de 24 GB.

Três famílias abertas cobrem a maioria das necessidades em 2026.

Wan 2.2

(Alibaba) é o modelo para tudo: um modelo 5B que roda em 12-16 GB e um modelo 14B com dois especialistas com a melhor qualidade aberta, além de um enorme ecossistema de

LoRAs

para movimento e estilo.

LTX-2

(Lightricks) é rápido e gera áudio sincronizado, mas precisa de 24-32 GB.

MiniMax H3

é o modelo áudio-vídeo com diálogo e efeitos sonoros, usado principalmente por fluxos de trabalho hospedados; os guias de prompt para H3 neste site pelo Mark White são bem detalhados.

Hunyuan

Video 1.5 é uma alternativa mais leve ao

Wan

14B.

O catálogo lista cada modelo de vídeo e seus LoRAs com a base e tamanho que eles usam (5B ou 14B, especialista de alto ou baixo ruído), e as páginas dos modelos mostram clipes de exemplo com seus prompts. O botão Run abre o modelo no

PirateDiffusion

, onde um comando de fluxo de trabalho produz o clipe a partir de uma resposta à sua imagem, ou no

BitVector

Referência

Nome	Tipo	O que é
I2V (image to video)	mode	Anime uma imagem fixa. Melhor modo para começar: a composição já está certa; o prompt descreve só o movimento.
T2V (text to video)	mode	Só com um prompt. Mais variedade, menos controle; use para ideias e cenas de apoio.
FLF2V / first-last frame	mode	Dois quadros-chave; o modelo preenche o movimento entre eles. Transições controladas.
Frames and fps	setting	Wan: 81 quadros a 16 fps (5 s); LTX-2: 97-121 quadros a 24-25 fps; H3: 145 quadros a ~24 fps. Memória cresce com os quadros.
Resolution	setting	Wan 2.2: 832x480 ou 480x832 (rápido), 1280x720 (24 GB+); LTX-2 até 1080p+ com 32 GB. Retrato para pessoas, paisagem para cenas.
Motion prompt	prompt	Um movimento do sujeito mais um movimento da câmera: "ela se vira para a janela e sorri; aproximação lenta". Evite listar detalhes da cena que já estão na imagem.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 passos divididos 10/10 entre especialistas, CFG 3.5, shift 5; 5B: 20-30 passos, CFG 5; LTX-2: 25-30 passos com seu próprio cronograma; LoRAs destilados (lightx2v) reduzem Wan para 4-8 passos com CFG 1.
Motion LoRAs	file	Movimentos de câmera, danças, gestos, física; combinados para 5B/14B e para o especialista. As páginas aqui indicam o alvo.
Interpolation and upscale	post	RIFE ou FILM para 32-60 fps; ESRGAN quadro a quadro ou SeedVR para resolução.

Seu primeiro clipe sem GPU

BitVector Prism anima uma imagem fixa com os modelos Wan deste guia no navegador: envie a imagem, escreva a frase de movimento, baixe o clipe. Nada para instalar, funciona num laptop.

Experimentar o BitVector

Passo a passo

Faça ou escolha uma imagem fixa: um render 1024x1024 ou 832x1216 com um sujeito claro e fundo simples. Rostos maiores que um décimo do quadro animam melhor.
Abra uma página do modelo Wan 2.2 I2V neste site, copie o padrão de prompt de movimento do exemplo e aperte o botão Run (PirateDiffusion: responda sua imagem com o comando /workflow; BitVector: envie e escolha o modelo).
Escreva um prompt de movimento com uma frase para o sujeito e uma para a câmera. Nada sobre roupas, cores ou iluminação; a imagem já tem isso.
Gere em 832x480 (paisagem) ou 480x832 (retrato), 81 quadros, passos padrão. Assista o clipe inteiro; julgue o movimento, não a nitidez.
Itere só no prompt de movimento: verbos mais lentos ("lentamente", "suavemente") reduzem movimentos exagerados; uma instrução única para a câmera evita pulos.
Localmente, com uma placa de 16 GB:
Wan 2.2 5B
fp8 ou GGUF, 832x480, 49-81 quadros, codificador de texto na CPU. Com 24 GB: 14B fp8 a 480p, 720p com o codificador descarregado. Veja o guia
VRAM
para vídeo IA.
Peças mais longas: pegue o último quadro do clipe um como imagem inicial do clipe dois com um prompt de movimento contínuo; junte no editor; interpole para 30 fps e aumente a resolução no final.
Adicione som: LTX-2 e H3 geram áudio com o clipe; para Wan, adicione música ou efeitos no editor.

Exemplos

Prompt de movimento para 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 de fluxo de trabalho 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 em 16 GB

Dicas

Verbos de movimento importam mais que adjetivos: "vira, anda, levanta, derrama, acena" produzem movimentos distintos e confiáveis; "bonito cinematográfico" não produz nada.
Um movimento de câmera por clipe: aproximação, afastamento, panorâmica para esquerda, órbita. Dois movimentos causam tremores.
Imagens em retrato animam rostos melhor; em paisagem animam ambientes melhor.
LoRAs Wan para o especialista de alto ruído moldam o movimento; os de baixo ruído moldam detalhes. Muitos pacotes têm os dois; carregue cada um no seu especialista.
LoRAs destilados (lightx2v, FastWan) cortam Wan de 20 passos para 4-6 com CFG 1 sem perder muita qualidade; as páginas dos modelos listam eles.
Espere 3-10 minutos por clipe numa 4090 para Wan 14B e cerca de 90 segundos para LTX-2; a nuvem devolve a maioria dos clipes em um ou dois minutos.

Cheque a página do modelo para 5B/14B e alto/baixo ruído; carregue conforme a palavra-chave.

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

PirateDiffusion roda os grandes modelos de vídeo em GPUs de servidor: responda qualquer imagem com um comando de fluxo de trabalho e o clipe volta no chat. Geração ilimitada por preço fixo, sem precisar de placa 24 GB.