Bildrutor gånger upplösning överstiger VRAM. Sänk till 480p eller färre bildrutor, avlasta textkodaren; se VRAM-guiden för AI-video.

Trends

.ai

de bästa AI-modellerna med öppen källkod

AI-videogenerering för nybörjare: bild-till-video, text-till-video och den första klippet med Wan, LTX-2 och H3

Q: Kamerahopp eller scenklipp

Två kamerainstruktioner, eller "cut to"-ord i prompten. En kamerarörelse; sätt "jump cut" i det negativa.

Q: Motion LoRA gör inget

Inläst på fel expert eller fel modellstorlek. Kolla modellsidan för 5B/14B och hög/låg brus; ladda rätt med dess triggerord.

Ämne: Videomodeller

Av Lookout

Publicerad 2026-04-29

Översikt

Videomodeller är bildmodeller med en tidsaxel: samma brusreduceringsloop körs på en block av bildrutor samtidigt, så allt du vet om prompts, seeds och brusreducering gäller fortfarande, liksom kostnaderna, fast multiplicerat med antal bildrutor. De praktiska konsekvenserna för en nybörjare är tre. Börja med bild-till-video (I2V), för en bra stillbild från en bildmodell fixar komposition och stil och lämnar bara rörelsen till videomodellen att hitta på. Håll klippen korta (ungefär fem sekunder), för det är vad modellerna tränats på. Och räkna med att köra de stora modellerna i molnet om du inte har ett 24 GB-kort.

Tre öppna familjer täcker de flesta behov 2026.

Wan 2.2

(Alibaba) är allroundmodellen: en 5B-modell som körs på 12-16 GB och en 14B två-expertmodell med bästa öppna kvaliteten, plus ett stort LoRA-ekosystem för rörelse och stil.

LTX-2

(Lightricks) är snabb och genererar synkad ljud men vill ha 24-32 GB.

MiniMax H3

är ljud-video-modellen med dialog och ljudeffekter, mest använd via hostade arbetsflöden; H3-promptguiderna på den här sidan av Mark White går på djupet.

Hunyuan

Video 1.5 är ett lättare alternativ till

Wan

14B.

Katalogen listar varje videomodell och dess

LoRAs

med bas och storlek de riktar sig mot (5B eller 14B, högbrus- eller lågbrus-expert), och modell-sidorna visar exempelklipp med deras prompts. Kör-knappen öppnar modellen på

PirateDiffusion

, där ett arbetsflödeskommando skapar klippet från ett svar på din bild, eller på

BitVector

Referens

Namn	Typ	Vad det är
I2V (image to video)	mode	Animera en stillbild. Bästa första läget: kompositionen är redan rätt; prompten beskriver bara rörelse.
T2V (text to video)	mode	Bara från en prompt. Mer variation, mindre kontroll; använd för idéer och B-roll.
FLF2V / first-last frame	mode	Två nyckelbilder; modellen fyller i rörelsen däremellan. Kontrollerade övergångar.
Frames and fps	setting	Wan: 81 bildrutor vid 16 fps (5 s); LTX-2: 97-121 bildrutor vid 24-25 fps; H3: 145 bildrutor vid ~24 fps. Minnesanvändning ökar med antal bildrutor.
Resolution	setting	Wan 2.2: 832x480 eller 480x832 (snabbt), 1280x720 (24 GB+); LTX-2 upp till 1080p+ med 32 GB. Porträtt för personer, landskap för scener.
Motion prompt	prompt	En rörelse för motivet plus en för kameran: "hon vänder sig mot fönstret och ler; långsam inzoomning". Undvik att lista scenens detaljer som redan finns i bilden.
Steps / CFG / shift	setting	Wan 2.2 14B: 20 steg delat 10/10 mellan experter, CFG 3.5, shift 5; 5B: 20-30 steg, CFG 5; LTX-2: 25-30 steg med egen schema; destillerade LoRAs (lightx2v) ger Wan 4-8 steg vid CFG 1.
Motion LoRAs	file	Kamerarörelser, dans, gester, fysik; anpassade till 5B/14B och experten. Sidor här namnger målet.
Interpolation and upscale	post	RIFE eller FILM till 32-60 fps; bildruta-för-bildruta ESRGAN eller SeedVR för upplösning.

Ditt första klipp utan GPU

BitVector Prism animerar en stillbild med Wan-modellerna från den här guiden i webbläsaren: ladda upp bilden, skriv rörelsesatsen, ladda ner klippet. Inget att installera, funkar från en laptop.

Prova BitVector

Steg för steg

Gör eller välj en stillbild: en 1024x1024 eller 832x1216 rendering med ett tydligt motiv och enkel bakgrund. Ansikten större än en tiondel av bilden animeras bäst.
Öppna en Wan 2.2 I2V-modellsida på den här sidan, kopiera exempel-promptmönstret för rörelse och tryck på Kör-knappen (PirateDiffusion: svara på din bild med /workflow-kommandot; BitVector: ladda upp och välj modellen).
Skriv en rörelse-prompt med en mening för motivet och en för kameran. Inget om kläder, färger eller ljus; det finns redan i bilden.
Generera i 832x480 (landskap) eller 480x832 (porträtt), 81 bildrutor, standardsteg. Titta på hela klippet; bedöm rörelsen, inte skärpan.
Jobba vidare bara med rörelse-prompten: långsammare verb ("långsamt", "mjukt") minskar ryckighet; en enda kamerainstruktion förhindrar hopp.
Lokalt, med ett 16 GB-kort:
Wan 2.2 5B
fp8 eller GGUF, 832x480, 49-81 bildrutor, textkodare på CPU. Med 24 GB: 14B fp8 vid 480p, 720p med kodaren avlastad. Se VRAM-guiden för AI-video.
Längre stycken: ta sista bilden från klipp ett som startbild för klipp två med en fortsättande rörelse-prompt; sätt ihop i en editor; interpolera till 30 fps och skala upp i slutet.
Lägg till ljud: LTX-2 och H3 genererar ljud med klippet; för Wan, lägg till musik eller effekter i editorn.

Exempel

Rörelse-prompt för 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

PirateDiffusion arbetsflödeskommando

/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 på 16 GB

Tips

Rörelseverb är viktigare än adjektiv: "vänder, går, lyfter, häller, vinkar" ger varje sin egen tydliga rörelse; "vacker filmisk" ger inget.
En kamerarörelse per klipp: inzoomning, utzoomning, panorera vänster, cirkla runt. Två rörelser ger skakningar.
Porträttstills animerar ansikten bättre; landskapstills animerar miljöer bättre.
Wan LoRAs för högbrus-experten formar rörelsen; lågbrus formar detaljer. Många paket har båda; ladda varje på sin expert.
Destillerade LoRAs (lightx2v, FastWan) minskar Wan från 20 steg till 4-6 vid CFG 1 med liten kvalitetsförlust; modellsidorna listar dem.
Räkna med 3-10 minuter per klipp på en 4090 för Wan 14B och ungefär 90 sekunder för LTX-2; molnet ger tillbaka de flesta klipp på en till två minuter.

Felsökning

Klippet är en stillbild med lätt skimmer

Varför det händer

Ingen rörelseverb i prompten, eller en statisk LoRA-vikt för hög.

Så löser du det

Lägg till en rörelse för motivet och en för kameran; sänk LoRAs till 0.7.

Ansiktet smälter eller ändrar identitet

Varför det händer

Ansiktet för litet, för många bildrutor, eller 480p på ett detaljerat ansikte.

Så löser du det

Beskär närmare, 49-61 bildrutor, eller 720p i molnet; en ansiktsdetaljeringspass per bildruta är sista utvägen.

Kamerahopp eller scenklipp

Varför det händer

Två kamerainstruktioner, eller "cut to"-ord i prompten.

Så löser du det

En kamerarörelse; sätt "jump cut" i det negativa.

Minnesbrist vid 720p

Varför det händer

Bildrutor gånger upplösning överstiger

VRAM

Så löser du det

Sänk till 480p eller färre bildrutor, avlasta textkodaren; se VRAM-guiden för AI-video.

Motion LoRA gör inget

Varför det händer

Inläst på fel expert eller fel modellstorlek.

Så löser du det

Kolla modellsidan för 5B/14B och hög/låg brus; ladda rätt med dess triggerord.

Wan 2.2 14B, LTX-2 och H3 från Telegram

PirateDiffusion kör de stora videomodellerna på server-GPU: svara på vilken bild som helst med ett arbetsflödeskommando så kommer klippet tillbaka i chatten. Obegränsad generering till fast pris, inget 24 GB-kort behövs.