Texto a vídeo

Dos entradas oficiales T2V

Comando oficial de un solo GPU

python generate.py --task t2v-A14B --size 1280*720 --ckpt_dir ./Wan2.2-T2V-A14B --offload_model True --convert_model_dtype --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage."

python generate.py --task ti2v-5B --size 1280*704 --ckpt_dir ./Wan2.2-TI2V-5B --offload_model True --convert_model_dtype --t5_cpu --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage"

Multi-GPU utiliza torchrun con --dit_fsdp --t5_fsdp --ulysses_size. El ejemplo README para ocho GPUs es el camino soportado cuando una sola tarjeta 80 GB no está disponible.

Lo que hace la pila

• Encoder de texto: UMT5-XXL. Descargar con --t5_cpu si VRAM está apretado.
• La columna vertebral: flujo de coincidencia DiT. A14B cambia expertos por SNR; TI2V-5B es denso.
• Las latencias: Wan-VAE (2.1-estilo 4×8×8 en A14B; 2.2 4×16×16 en TI2V-5B).
• Se recomienda una extensión rápida; vea el wiki de extensión rápida.

Las declaraciones de calidad a tomar de la fuente

Las tablas de README posicionan Wan2.2 como superando Wan-Bench 2.0 frente a varios modelos cerrados, con más datos de movimiento/semántica/estética que Wan2.1. Trate las tablas de terceros SOTA como marketing a menos que citen el mismo banco y el mismo punto de control 2.2 (A14B vs 5B vs un paquete comunitario cuantificado).

Preguntas frecuentes

¿Qué tamaño debo pasar?

A14B utiliza 1280*720 (o un par 480P). TI2V-5B 720P es 1280*704 o 704*1280 no 1280*720. Esa diferencia está en el README oficial.

¿Cuánto tiempo es un clip?

Las recetas públicas son cortas tomas cinematográficas (en el orden de 5 segundos). S2V la duración sigue la pista de audio en su lugar.

Diffusers?

Sí. Wan-AI/Wan2.2-T2V-A14B-Diffusers y Wan2.2-TI2V-5B-Diffusers se enumeran en el bloque de noticias del 28 de julio de 2025.