로컬 AI 비디오 워크플로 연구 검증일 · 2026년 8월 21일
EasyWan22
Windows용 Wan 2.2 원클릭 제작 환경
EasyWan22는 Wan2.2 I2V-A14B, ComfyUI, GGUF 양자화, WanVideoWrapper, SageAttention, LoRA 프리셋과 후반 제작 체인을 대량 생성용 워크플로 하나로 결합합니다.
Wan2.2는 엔진, ComfyUI는 작업대, EasyWan22는 완성된 차량입니다.
Image → Motion → Finish
01 · 분류
기반 모델이 아니라 정교하게 구성된 ComfyUI 배포판
복잡한 오픈소스 비디오 스택을 Windows 사용자용으로 제품화합니다. 설치 자동화, 버전 고정, 기본값, 생성 이후의 선택·복구·납품 흐름이 핵심 가치입니다.
Wan2.2 I2V-A14B
High Noise와 Low Noise 두 단계가 이미지에서 비디오를 생성합니다.
+ComfyUI + WanVideoWrapper
모델 로딩, 샘플링, 메모리 교환, 조건, 비디오 I/O를 노드로 제어합니다.
+GGUF + FastMix + SageAttention
양자화, 빠른 초안, Attention 최적화로 14B급 로컬 실행을 현실화합니다.
+EasyWan22 워크플로
프리셋, 변형, 정제, 부분 복구, 업스케일, 보간, 색, 루프, 배치를 통합합니다.
ComfyUI 학습보다 조작을 줄이고 많은 비디오를 만드는 데 맞춘 설계입니다.
02 · 제작 방식
저렴하게 초안을 만들고, 승자를 고른 뒤 마무리에 연산을 사용
Seed Gacha는 저비용 변형을 먼저 만들고 좋은 움직임을 선택한 다음 비싼 후처리를 실행하는 방식입니다.
빠른 변형
FastMix나 낮은 해상도로 후처리를 끄고 여러 Seed를 테스트합니다.
→
좋은 움직임 선택
구도, 움직임, 정체성을 비교한 뒤 GPU 시간을 더 씁니다.
→
정제 및 납품
Refiner, 부분 복구, 업스케일, 보간, 색 보정을 실행합니다.
01입력 이미지
02모션 프리셋
03프롬프트 강화
04빠른 초안
05Seed 변형
06결과 선택
07Refiner
08Detailer
09업스케일
10프레임 보간
11색상 일치
12트림·루프·내보내기
03 · 제작 도구
Generate 버튼보다 AI 비디오 후반 작업대에 가깝다
반복 결정을 프리셋으로 만들고 온라인 생성기가 외부에 두는 복구와 납품 단계까지 포함합니다.
강화
LowNoise Refiner
선택한 초안을 고해상도로 다시 그리고 추가 Seed로 정제 변형을 탐색합니다.
복구
영역 Detailer
얼굴, 머리, 눈, 머리카락 등 약한 부분만 탐지·확대·재생성합니다.
납품
업스케일 + 보간
애니메이션 중심 2× 업스케일과 30/60fps 프레임 보간을 제공합니다.
제어
시작·끝·루프
시작/종료 이미지, 역방향, A→B→A 루프를 지원합니다.
프롬프트
번역 + 확장
일본어를 영어로 번역하고 Qwen2.5 3B로 짧은 지시를 확장합니다.
프리셋
LoRA + FastMix
LoRA, 트리거, 강도를 프리셋으로 묶고 빠른 모드와 품질 모드를 전환합니다.
04 · 저VRAM 설계
14B 워크플로가 소비자 GPU에서 동작하는 방식
Q4_K_M GGUF, GPU와 RAM 사이 Block Swap, SageAttention을 결합합니다. 6GB에서 실행된다는 말은 24GB 성능이라는 뜻이 아닙니다.
GGUF Q4_K_M
High/Low Noise 가중치를 양자화해 메모리 압력을 줄입니다.
BlocksToSwap
VRAM이 적을수록 더 많은 Block을 RAM으로 보내 속도와 실행 가능성을 교환합니다.
SageAttention
기본 실행기가 Attention 계산과 메모리 사용을 최적화합니다.
| 사용 수준 | GPU | 시스템 RAM | 실제 판단 |
|---|---|---|---|
| 간신히 실행 | GTX 1660 Ti · 6GB | 16GB | 실행 사례는 있으나 Offload가 많고 느림 |
| 권장 하한 | RTX 30 시리즈+ · 8GB | 32GB | README 기준, 양자화와 Swap 필요 |
| 편안한 구간 | RTX 3060 · 12GB+ | 64GB | 작성자 샘플 환경, 반복 생성에 적합 |
VRAM이 적을수록 RAM과 PCIe 전송이 늘어납니다. ‘실행 가능’은 편안한 속도를 뜻하지 않습니다.
설치 전 저장공간 계획
05 · 고정 환경
버전 고정으로 복잡한 배포판을 안정화
설치기는 Python, ComfyUI, PyTorch, FFmpeg, 모델과 많은 Custom Nodes를 조율합니다. 2025년 재현성의 대가로 의존성 노후화 위험이 생깁니다.
Setup.bat 고정 버전
- ComfyUI
- v0.3.55
- ComfyUI Manager
- 3.35
- PyTorch
- 2.7.1 + cu128
- TorchVision / Audio
- 0.22.1 / 2.7.1
- Triton Windows
- 3.3.1.post19
- SageAttention
- 2.2.0
- Transformers
- 4.49.0
- Python
- 3.10
설치 흐름
- 1
C:\EasyWan22 같은 짧은 빈 폴더 생성
- 2
EasyWan22Installer.bat 저장 및 실행
- 3
Civitai API Key 입력
- 4
Python, ComfyUI, 노드, 모델, FFmpeg 다운로드
- 5
ComfyUi.bat 실행
- 6
Easy/00_I2V를 열어 Queue
내부는 전체 ComfyUI 생태계
WanVideoWrapper, GGUF, KJNodes, Florence2, Frame Interpolation, Impact Pack, DepthAnythingV2, SAM 2, RMBG 등을 하나로 엮습니다.
WanVideoWrapperComfyUI-GGUFKJNodesFlorence2Frame InterpolationImpact PackDepthAnythingV2SAM 2RMBGVideoHelperSuiteControlNet AuxComfyUI Essentials
06 · 2026 현실 점검
안정성을 만들었던 버전 고정이 이제 노후화 위험도 만든다
저장소는 공개·미보관 상태지만 개발 속도는 느려졌습니다. 항상 작동하는 최신 설치 도구보다 수동 복구가 필요할 수 있는 스냅샷으로 보는 편이 안전합니다.
저장소 스냅샷244 ★12 Forks10 Open IssuesLast push · 2025-11-30
느려진 유지보수
마지막 Push는 2025년 11월 30일이지만 2026년에도 Issue가 추가되었습니다.
244 Stars · 10 Open Issues자동 다운로드 실패
2026년 4월 Issue에서 LoRA와 모델 자동 다운로드 실패가 보고되었습니다.
Issue #50 · Open의존성 드리프트
구형 ComfyUI·Triton·SageAttention과 새 드라이버의 충돌 사례가 있습니다.
고정 Stack vs 변화하는 시스템모델 범위 변화
LTX 2.3 요청은 모델 독립형 비디오 워크플로 수요를 보여줍니다.
Issue #51 · 답변 없음07 · 제품 교훈
거대한 노드 그래프가 아니라 사용자 여정을 복제해야 한다
오래 남는 것은 모델 독립형 마감 흐름입니다. 샘플러와 Noise 단계는 고급 설정 뒤에 숨기고 사용자 의도를 보여줘야 합니다.
EasyWan22 개념현대 제품 UI
StartImage→이미지 업로드Prompt + Rewrite→움직임 설명·프롬프트 강화LoRA Preset→모션·효과Seed Gacha→변형 4개FastMix / Base→빠름·품질 모드Refiner + Detailer→강화·얼굴 복구Upscale + Interpolation→HD·부드러운 모션EndImage + RepeatFade→끝 프레임·루프입력 → 변형 → 선택 → 복구 → 강화 → 납품은 모델 → 프롬프트 → 생성 → 다운로드보다 강한 제품 루프입니다.
08 · 적합한 사용자
로컬 Wan2.2 I2V 연구에는 유용하지만 미래형 플랫폼은 아님
2026년의 원클릭 배포판도 수동 문제 해결이 필요할 수 있음을 이해하는 사용자에게 맞습니다.
잘 맞음
- RTX 3060 12GB급 Windows 사용자
- 대량 I2V와 Seed 비교
- 애니메이션·일러스트·LoRA 비디오
- 로컬 파일과 재사용 프리셋을 중시하는 제작자
잘 맞지 않음
- macOS 또는 AMD GPU
- ComfyUI 기초 학습
- 최신 멀티모델 스택 기대
- 완전한 상용 지원이 필요한 팀
연구 점수
당시의 워크플로 성과와 현재 유지보수·기술 신선도를 나누어 평가합니다.
더 큰 기회
Seed Gacha → 선택 → Refine → Detail → Upscale → Interpolate → Extend → Loop를 Wan, LTX, Hunyuan, Seedance를 오가는 모델 독립형 Easy AI Video로 확장하는 것입니다.