Model
Trends
.ai
Model
Trends
.ai
ang pinakamahuhusay na open source AI model

AI video generation para sa mga baguhan: mula larawan sa video, mula teksto sa video at ang unang clip gamit ang Wan, LTX-2 at H3

Paksa: Mga video model
Ni Lookout
Inilathala 2026-04-29
Share

Pangkalahatang-ideya

Ang mga video model ay mga image model na may time axis: ang parehong denoising loop ay tumatakbo sa isang block ng frames nang sabay, kaya lahat ng alam mo tungkol sa prompts, seeds at denoise ay pwede din dito, pati na rin ang gastos, na pinarami ng bilang ng frames. Tatlong praktikal na epekto ito para sa baguhan. Magsimula sa image-to-video (I2V), dahil ang magandang still mula sa image model ay naayos na ang komposisyon at estilo at ang video model na lang ang gagawa ng motion. Panatilihing maikli ang mga clip (mga limang segundo lang), dahil iyon ang pinag-aralan ng mga modelo. At asahan na patakbuhin ang malalaking modelo sa cloud kung wala kang 24 GB na card.
Tatlong open na pamilya ang sumasakop sa karamihan ng pangangailangan sa 2026. Ang
Wan 2.2
(Alibaba) ay all-rounder: isang 5B na modelo na tumatakbo sa 12-16 GB at isang 14B two-expert model na may pinakamagandang open quality, plus malaking
LoRA
ecosystem para sa motion at estilo. Ang
LTX-2
(Lightricks) ay mabilis at gumagawa ng synced audio pero kailangan ng 24-32 GB. Ang
MiniMax H3
ay audio-video model na may dialogue at sound effects, kadalasang ginagamit sa hosted workflows; ang H3 prompting guides dito sa site ni Mark White ay malalim ang paliwanag. Ang
Hunyuan
Video 1.5 ay mas magaan na alternatibo sa
Wan
14B.
Nakalista sa katalogo ang bawat video model at ang mga LoRA nito kasama ang base at size na tinatarget nila (5B o 14B, high-noise o low-noise expert), at sa mga model page makikita ang mga example clips kasama ang kanilang mga prompt. Ang Run button ay nagbubukas ng modelo sa
PirateDiffusion
, kung saan ang workflow command ay gumagawa ng clip mula sa reply sa iyong larawan, o sa
BitVector
.

Sanggunian

Pangalan
Uri
Ano ito
I2V (image to video)
mode
Gumawa ng animation mula sa still. Pinakamagandang unang mode: ayos na ang komposisyon; ang prompt ay para lang sa motion.
T2V (text to video)
mode
Mula sa prompt lang. Mas maraming variety, mas konti ang kontrol; gamitin para sa mga ideya at B-roll.
FLF2V / first-last frame
mode
Dalawang keyframe; pinupuno ng modelo ang motion sa pagitan. Kontroladong transitions.
Frames and fps
setting
Wan: 81 frames sa 16 fps (5 s); LTX-2: 97-121 frames sa 24-25 fps; H3: 145 frames sa ~24 fps. Lumalaki ang memory depende sa frames.
Resolution
setting
Wan 2.2: 832x480 o 480x832 (mabilis), 1280x720 (24 GB pataas); LTX-2 hanggang 1080p+ gamit ang 32 GB. Portrait para sa tao, landscape para sa mga tanawin.
Motion prompt
prompt
Isang subject motion plus isang camera motion: "she turns toward the window and smiles; slow push-in". Iwasang ilista ang mga detalye ng eksena na nasa larawan na.
Steps /
CFG
/ shift
setting
Wan 2.2 14B: 20 steps na hati 10/10 sa experts,
CFG
3.5, shift 5; 5B: 20-30 steps, CFG 5; LTX-2: 25-30 steps na may sariling schedule; distilled LoRAs (lightx2v) nagpapababa ng Wan sa 4-8 steps sa CFG 1.
Motion
LoRAs
file
Mga galaw ng camera, sayaw, gestures, physics; naka-match sa 5B/14B at sa expert. Nakalista sa mga pahina dito ang target.
Interpolation and upscale
post
RIFE o FILM hanggang 32-60 fps; frame-wise ESRGAN o SeedVR para sa resolusyon.
AD
Ang unang clip mo kahit walang GPU
Ang BitVector Prism ay gumagawa ng animation mula sa still gamit ang Wan models mula sa gabay na ito sa browser: i-upload ang larawan, isulat ang motion sentence, i-download ang clip. Walang kailangang i-install, gumagana mula sa laptop.

Hakbang-hakbang

  1. Gumawa o pumili ng still: isang 1024x1024 o 832x1216 na render na may malinaw na subject at simpleng background. Mas maganda kung ang mukha ay mas malaki sa isang sampu ng frame.
  2. Buksan ang Wan 2.2 I2V model page dito sa site, kopyahin ang example motion prompt pattern, at pindutin ang Run button (PirateDiffusion: reply sa iyong larawan gamit ang /workflow command; BitVector: i-upload at piliin ang modelo).
  3. Sumulat ng motion prompt na isang pangungusap para sa subject at isa para sa camera. Walang tungkol sa damit, kulay o ilaw; nasa larawan na iyon.
  4. Gumawa ng video sa 832x480 (landscape) o 480x832 (portrait), 81 frames, default steps. Panoorin ang buong clip; husgahan ang motion, hindi ang linaw.
  5. Ulitin lang ang motion prompt: mas mabagal na verbs ("slowly", "gently") ay nagpapabawas ng kalat-kalat na galaw; isang camera instruction lang para maiwasan ang biglaang paglukso.
  6. Sa lokal, gamit ang 16 GB card:
    Wan 2.2 5B
    fp8 o GGUF, 832x480, 49-81 frames, text encoder sa CPU. Sa 24 GB: 14B fp8 sa 480p, 720p na naka-offload ang encoder. Tingnan ang
    VRAM for AI video
    guide.
  7. Mas mahahabang video: kunin ang huling frame ng unang clip bilang start image ng pangalawang clip na may tuloy-tuloy na motion prompt; pagsamahin sa editor; i-interpolate sa 30 fps at i-upscale sa dulo.
  8. Magdagdag ng tunog: LTX-2 at H3 ay gumagawa ng audio kasama ng clip; para sa Wan, magdagdag ng musika o effects sa editor.

Mga halimbawa

Motion prompt para sa 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 workflow command

/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 sa 16 GB

UnetLoaderGGUF wan2.2_ti2v_5B_Q8_0 | CLIPLoader umt5_xxl_fp8 (cpu) | Wan VAE 2.2 | WanImageToVideo 832x480, 81 frames | KSampler 24 steps, cfg 5, uni_pc, simple | VAE Decode (Tiled)

Mga tip

  • Mas mahalaga ang motion verbs kaysa adjectives: "turns, walks, lifts, pours, waves" bawat isa ay gumagawa ng malinaw at maaasahang galaw; "beautiful cinematic" ay walang epekto.
  • Isang galaw ng camera lang bawat clip: push-in, pull-back, pan left, orbit. Dalawang galaw ay nagdudulot ng pag-alog.
  • Mas maganda ang portrait stills para sa animation ng mukha; mas maganda ang landscape stills para sa animation ng kapaligiran.
  • Ang Wan LoRAs para sa high-noise expert ang humuhubog sa motion; ang low-noise ay para sa detalye. Maraming packs ang may pareho; i-load ang bawat isa sa tamang expert.
  • Ang distilled LoRAs (lightx2v, FastWan) ay nagpapababa ng Wan mula 20 steps sa 4-6 sa CFG 1 na halos walang quality loss; nakalista ito sa mga model page.
  • Asahan ang 3-10 minuto bawat clip sa 4090 para sa Wan 14B at mga 90 segundo para sa LTX-2; sa cloud, karamihan ng clip ay bumabalik sa loob ng isang o dalawang minuto.

Pag-aayos ng problema

Ang clip ay parang still na may bahagyang kumikislap

Bakit ito nangyayari
Walang motion verb sa prompt, o masyadong mataas ang static LoRA weight.

Paano ayusin
Magdagdag ng subject motion at camera motion; babaan ang LoRAs sa 0.7.

Natutunaw o nagbabago ang mukha

Bakit ito nangyayari
Masyadong maliit ang mukha, masyadong maraming frames, o 480p sa detalyadong mukha.

Paano ayusin
I-crop nang mas malapit, 49-61 frames lang, o 720p sa cloud; ang face-detailer pass per frame ay panghuli na opsyon.

Biglaang paglukso ng camera o pagputol ng eksena

Bakit ito nangyayari
Dalawang camera instructions, o may "cut to" na salita sa prompt.

Paano ayusin
Isang camera move lang; ilagay ang "jump cut" sa negative.

Kulang ang memory sa 720p

Bakit ito nangyayari
Frames times resolution ay lumampas sa
VRAM
.

Paano ayusin
Bumaba sa 480p o mas kaunting frames, i-offload ang text encoder; tingnan ang VRAM for AI video guide.

Walang epekto ang Motion LoRA

Bakit ito nangyayari
Naka-load sa maling expert o maling model size.

Paano ayusin
Suriin ang model page para sa 5B/14B at high/low noise; i-load ayon sa trigger word.

AD
PirateDiffusion
Wan 2.2 14B, LTX-2 at H3 mula sa Telegram
Ang PirateDiffusion ay nagpapatakbo ng malalaking video models sa server GPUs: mag-reply sa kahit anong larawan gamit ang workflow command at babalik ang clip sa chat. Unlimited generation sa fixed price, hindi kailangan ng 24 GB card.

Mga tanong

Alin ang unang video model?

Wan 2.2 I2V: madaling gamitin, maraming dokumentasyon, pinakamaraming LoRA. Nasa Wan getting-started guide ang buong setup.

Pwede ba ito sa 8 GB card?

Maikling 480p clips gamit ang
Wan 2.1
1.3B o Wan 2.2 5B GGUF, mabagal. Mas praktikal magsimula sa cloud.

Paano ako makakakuha ng tunog?

LTX-2 at MiniMax H3 ay gumagawa ng synced audio; ang H3 prompting guides ni Mark White ay nagpapaliwanag ng dialogue at effects prompts.

Gaano kahaba ang clip?

Mga limang segundo lang native. Mas mahahabang video ay pinagdugtong-dugtong na clips; bumababa ang kalidad kapag lampas anim hanggang walong segundo sa isang pass.

Available ba locally ang pinakabagong commercial models (Veo, Kling, Wan 3.0)?

Hindi; API-only sila. Lahat ng nasa gabay na ito ay open-weight at tumatakbo locally o sa cloud partners.

Mga link at pinagmulan

Mga model sa gabay na ito

Isinulat ni
Lookout

Mga kaugnay na gabay

Mga video model
Wan 2.2 video: setup, settings at LoRAs para sa text-to-video at image-to-video
Paano makakuha ng unang resulta mula sa Wan 2.2: anong laki ng modelo ang pipiliin (5B o 14B), ang pares ng high-noise / low-noise expert, mga resolution at bilang ng frame na gumagana, ang lightning LoRAs na nagpapabilis ng render sa apat na hakbang, istruktura ng prompt para sa galaw, at paano patakbuhin ito sa host kapag maliit ang card.
Ni Captain
2026-05-24
Mga video model
Gaano karaming VRAM ang kailangan mo para sa AI video? Wan 2.2, HunyuanVideo 1.5 at LTX-2 ayon sa laki ng GPU (2026)
VRAM na kailangan para patakbuhin ang Wan 2.2, HunyuanVideo 1.5 at LTX-2 nang lokal, ayon sa laki ng GPU, resolusyon at haba ng clip: kung ano ang kaya ng 8, 12-16, 24, 32 at 48+ GB na mga card, bakit mas mahal ang video kaysa sa larawan ng daan-daang beses, mga teknik sa offloading para magkasya ang 14B na mga modelo sa 24 GB, makatotohanang oras ng pag-generate, at kung kailan mas sulit magrenta kaysa bumili.
Ni P.I. Panda
2026-10-06
Prompting
Pag-prompt sa MiniMax H3: teksto sa video, imahe sa video, reference na video at audio
Paano i-direkta ang MiniMax H3 gamit ang chat command: ang WHO + WHERE + ACTION + CAMERA + SOUND na formula para sa teksto sa video, pag-animate ng still gamit ang imahe sa video, pagbibigay ng trabaho sa bawat reference na larawan sa reference mode, at pagkuha ng malinaw na diyalogo sa halip na pag-ungol. May kasamang copy-and-try prompts at PDF ng may-akda.
Ni Mark White
2026-09-20
Mga video model
MiniMax H3 video prompts: ang opisyal na istruktura
Paano gustong isulat ng MiniMax ang H3 prompt: ang linya ng pag-align para sa mga video na naka-angkla sa imahe, ang tatlong pangunahing bahagi, mga shot at cut, galaw ng kamera, mga ID ng tagapagsalita at mga tag ng diyalogo, ang tunog at musika. Pinagsiksik mula sa opisyal na gabay sa pagsulat ng prompt.
Ni Captain
2026-09-14
Mga model
LTX 2.3 Crisp Enhance: mas matalim, mas cinematic na detalye ng video
Ang Crisp Enhance LoRA ni vrgamedevgirl para sa LTX 2.3 ay nagpapalakas ng talim, maliliit na detalye, at contrast sa generated na video. Alamin kung paano ito i-balanse kasama ang Soft Enhance na kapatid, mga timbang, at mga ideya sa prompt.
Ni Captain
2026-10-03
Mga error at solusyon
Gabayan sa GPU at VRAM para sa AI na larawan at video: ano ang kailangan ng bawat modelo at ano ang bibilhin (o hindi)
Gaano karaming graphics memory talaga ang kailangan ng bawat pamilya ng modelo sa tamang bilis (SD 1.5, SDXL, Flux, FLUX.2, Qwen Image, Z-Image, Wan 2.2, LTX-2, H3), ano ang naibibigay ng fp8 at GGUF quantisation, bakit mahalaga rin ang system RAM at disk, isang listahan ng mga card mula 8 hanggang 32 GB, mga tala para sa Mac at AMD, at kung kailan mas mura ang pag-upa kaysa pagbili.
Ni Quartermaster
2026-01-07

Higit pang gabay

Mga cloud service
Flat fee vs tokens: bakit ang unlimited plans tulad ng Graydient.ai ang pinakamurang halaga para sa mga AI creator sa 2026
Isang ranked na paghahambing ng gastos, na sinuri ang mga presyo noong 8 Oktubre 2026, ng mga flat-fee unlimited plans tulad ng Graydient.ai laban sa token at credit pricing mula sa Midjourney, Leonardo, fal.ai, Replicate, Runway at Kling: kung magkano talaga ang gastos ng 1,000 larawan at 1,000 video bawat buwan sa bawat isa, at bakit ang isang fixed fee para sa unlimited na larawan, video, audio, Grok LLM chat at web apps ang pinakamurang halaga para sa mga creator na madalas mag-iterate.
Ni Captain
2026-10-08
Mga model
FLUX.1 Dev: paano ito i-prompt, pinakamahusay na mga setting at mga ideya sa paglikha
Isang praktikal na gabay sa FLUX.1 Dev mula sa Black Forest Labs: natural-language prompting, mga setting ng guidance at steps, LoRA stacking, text rendering at mga ideya sa prompt na nagpapalakas sa mga kakayahan nito.
Ni Captain
2026-09-30
Mga model
Stable Diffusion XL 1.0: mga prompt, settings at kung ano pa rin ang pinakamagaling nito
Paano masulit ang official SDXL 1.0 base model: native na resolusyon, CFG at sampler settings, ang refiner, negative prompts at mga ideya para sa mga estilo kung saan pa rin namumukod-tangi ang SDXL.
Ni Captain
2026-10-01
Mga model
Stable Diffusion 1.5: ang klasikong modelo, tamang paggamit ng prompt
Worth pa rin malaman ang Stable Diffusion 1.5: tamang resolution, CFG at sampler, paano gamitin ang malaking library ng LoRAs at embeddings nito, at mga creative na ideya sa prompt na bagay sa 512-pixel na modelo.
Ni Captain
2026-10-02
Mga model
FLUX.2 Dev: paggamit ng pinakabagong modelo ng Black Forest Labs
Ang FLUX.2 Dev ay may mas mahahabang prompt, mas magandang teksto, mas matibay na realism, at multi-reference editing. Saklaw ng gabay na ito ang turbo workflow, guidance at resolution settings, istruktura ng prompt, at mga ideya na gumagamit ng mga bagong lakas nito.
Ni Captain
2026-10-03
Mga model
Qwen-Image: mahahabang prompt, perpektong teksto at bilingual na poster
Ang Qwen-Image ang modelong dapat gamitin kapag mahalaga ang mga salita sa larawan. Alamin kung paano gumawa ng mahahabang deskriptibong prompt, mag-render ng English at Chinese na teksto nang tama, mag-set ng CFG at steps, at tuklasin ang mga ideya na maraming layout.
Ni Captain
2026-09-29