Wan2.2 14B imagen a video: da vida a tus fotos
El texto a video (T2V) de la lección anterior parte de un prompt para crear; esta lección es lo contrario: la foto define la imagen y el modelo se encarga del movimiento. Wan2.2-I2V-A14B es el modelo de imagen a video de Tongyi Wanxiang de Alibaba: 14B con arquitectura MoE de doble experto, admite 480P y 720P, y su licencia Apache 2.0 permite uso comercial. La ficha oficial del modelo lo describe como «síntesis más estable, con menos movimientos de cámara irreales»: la foto se anima sin derivar de forma caótica.
Esta página ejecuta por completo el flujo de trabajo Wan2.2 imagen a video (I2V) con 14B: sube una foto y genera en 20 pasos un video dinámico de 640×640 de unos 5 segundos; luego aprende a activar el modo Turbo para probar la cámara en 4 pasos y a cambiar resolución y duración según las reglas. Primero aclaremos el requisito de VRAM: según los scripts oficiales de Python se necesitan 80GB; la plantilla de ComfyUI usa pesos fp8, y la nota de pruebas reales es una tarjeta de 24GB (RTX 4090D) corriendo 640×640 con un uso de VRAM del 84%.
Qué podrás hacer al terminar
- Convertir una foto estática en un video dinámico de 640×640, 81 fotogramas y unos 5 segundos: el video empieza a moverse a partir detu foto
- Saber explicar qué archivos comparten I2V y el T2V de la lección anterior y cuáles hay que descargar aparte: los pesos diffusion se sustituyen por la versión i2v específica, y el codificador de texto y el VAE se reutilizan directamente
- Activar el modo Turbo con un clic: monta el LoRA de 4 pasos versión i2v, genera en 4 pasos, probando la cámara varias veces más rápido que con 20 pasos
- Escribir prompts de imagen a video según «movimiento + cámara», sin volver a describir la foto entera
- Cambiar parámetros según las reglas: ancho y alto múltiplos de 16, fotogramas en formato 4n+1, y la foto se recorta centrada automáticamente para adaptarse
Tu situación actual
- Tienes una foto que te gusta —retrato, imagen de producto, ilustración— y quieres animarla como material para video corto; hacer keyframes en el software de edición te marea y aun así no logras ese movimiento de cámara natural
- Quieres descargar el modelo según la documentación oficial, pero la ficha de descarga dice fp16 y el texto de los pasos menciona nombres de archivo t2v; no coinciden y no sabes cuál creer
- El T2V de la lección anterior genera desde cero; por detallado que sea el prompt, no puede garantizar «usar exactamente esta imagen mía»
Cuándo usar esta técnica
Cuando necesitas:
- Convertir fotos en video: animar retratos, productos o ilustraciones existentes manteniendo la coherencia del contenido y un movimiento fluido (el posicionamiento oficial de I2V)
- Un lenguaje de cámara con control de movimiento preciso y estilo estable: travelling lento, órbitas y similares
- Proyectos comerciales: la serie Wan2.2 se basa en la licencia Apache 2.0 y puede usarse comercialmente conservando el aviso de derechos de autor
Y no quieres:
- Hacer movimientos de cámara y deformaciones fotograma a fotograma a mano en un software de edición
- Intentar con texto a video desde cero y a base de suerte, para acercarte a una imagen que ya tienes
🎒 Preparativos antes de empezar
- Has completadola lección anterior Wan2.2 14B texto a video: es la misma familia de plantillas, y la división del trabajo entre los expertos del MoE ya quedó explicada en la lección anterior
- Familiarízate con las reglas del directorio de modelos: coloca los archivos en el subdirectorio correspondiente bajo
models/(repasa dónde van los modelos) - ComfyUI 0.16.4 o superior (la versión mínima que la biblioteca oficial de plantillas indica para esta plantilla; el uso de la biblioteca de plantillas se explica en el tutorial de la biblioteca de plantillas, y los cambios de versión en el registro de cambios)
- Reserva unos 33GB en el disco: dos diffusion 13.31 + 13.31 GB, más el codificador de texto 6.27 GB y el VAE 0.24 GB; si ya descargaste el codificador de texto y el VAE en la lección anterior, esta vez solo necesitas bajar los dos archivos diffusion
- 24GB de VRAM (según la nota de pruebas de la plantilla: RTX 4090D corriendo 640×640 ocupa 84%; para tarjetas más pequeñas, consulta la solución GGUF en las técnicas avanzadas)
- Prepara una foto que quieras poner en movimiento
Idea central
Primero recuerda una frase: El esqueleto de esta lección es idéntico al de la lección anterior; lo único que cambia son dos cosas: los «pesos» y el «punto de partida».
- El MoE de doble experto se traslada tal cual. El experto de ruido alto se encarga de la fase temprana del denoise (la composición general) y el experto de ruido bajo de la fase tardía (el refinamiento de detalles): cada experto tiene unos 14B de parámetros, 27B en total, y solo se activa uno por paso, así que la potencia de cómputo en inferencia casi no aumenta. En la plantilla: dos KSamplerAdvanced hacen un muestreo por relevos, y el shift de los dos ModelSamplingSD3 es 5 — exactamente igual que el T2V de la lección anterior.
- Los pesos diffusion se cambian por los específicos de i2v. La oficial publicó dos juegos de pesos de doble experto, uno para T2V y otro para I2V; en los nombres de archivo solo se diferencian en
t2v/i2vy no son intercambiables, pero el codificador de texto (umt5 fp8) y el VAE (wan_2.1) son los mismos en ambas lecciones: si ya los descargaste, reutilízalos directamente. - El punto de partida pasa de «latent vacío» a «tu foto». La lección anterior usaba
EmptyHunyuanLatentVideopara crear una hoja en blanco; en esta lección el nodoWanImageToVideorecorta start_image al centro y lo escala a width×height; tras codificarlo con el VAE lo incorpora al latent, clavando el inicio del video en tu foto — lo único que le queda por hacer al modelo es «que la imagen se mueva de forma natural hacia adelante». - La tarea del prompt cambia. En T2V el prompt debe describir toda la escena; en I2V la composición, los personajes y los colores ya los decide la foto, así que el prompt se centra en escribir el movimiento y la cámara: qué hace el sujeto y cómo se mueve la cámara.
- Turbo sigue siendo el mismo interruptor. Con
enable_turbo_modeactivado: se montan dos LoRA de 4 pasos en versión i2v, con los pasos 20→4 y cfg 3.5→1.
| T2V texto a video (lección anterior) | I2V imagen a video (esta lección) | |
|---|---|---|
| Pesos diffusion | wan2.2_t2v_*_14B_fp8_scaled ×2 | wan2.2_i2v_*_14B_fp8_scaled ×2, descargar además otro juego |
| Punto de partida del video | Latent vacío (EmptyHunyuanLatentVideo) | Tu foto (WanImageToVideo) |
| Qué escribir en el prompt | Toda la escena | Movimiento y cámara |
| Codificador de texto / VAE | umt5 fp8 / wan_2.1_vae | El mismo, reutilizable directamente |
| Turbo LoRA | Versión t2v (v1.1)×2 | Versión i2v (v1)×2, archivos distintos |
| Para qué sirve | Crear desde cero | Transformar una foto existente |
Ambos juegos de pesos están bajo la licencia Apache 2.0; el uso comercial no requiere firmar ningún acuerdo adicional.
Hazlo conmigo
Paso 1: cargar la plantilla de imagen a video Wan2.2 14B
Por qué: la plantilla oficial encapsula la carga de doble experto, el muestreo por relevos y el interruptor Turbo en un solo nodo subgráfico Image to Video(Wan2.2); la foto se introduce desde fuera con Load Image y los parámetros habituales están a la vista en la superficie del nodo, así que no hay forma de conectar mal los cables.
- Abre la biblioteca de plantillas (Browse Templates), busca «Wan2.2 14B I2V» y localiza la plantilla Wan万相 2.2 14B 图生视频 (en la interfaz en inglés se llama Wan 2.2 14B Image to Video)
- Haz clic para cargar
Deberías ver: en el lienzo, Load Image + el subgrafo Image to Video(Wan2.2) + SaveVideo, y junto a ellos dos notas explicativas: Model Links (todos los enlaces de descarga de modelos) y VRAM Usage (registros oficiales de VRAM/tiempo medidos en pruebas). En la superficie del nodo subgráfico están el prompt, width / height, duration, los modelos de ruido alto/bajo, los Lightning LoRA de ruido alto/bajo, el codificador de texto, el VAE y enable_turbo_mode. Load Image trae precargada la imagen de ejemplo oficial (el samurái del dragón blanco) y no hay ningún nodo en rojo.
- Plantilla cargada, sin nodos en rojo en el lienzo
¿Qué contiene el subgrafo? (mira aquí si no coincide con los tutoriales antiguos de internet)
El subgrafo Image to Video(Wan2.2) del JSON de la plantilla contiene internamente: dos Load Diffusion Model (pesos i2v de ruido alto/bajo), dos LoraLoaderModelOnly (LoRA de 4 pasos para Turbo), Load CLIP (con type en wan), Load VAE, dos ModelSamplingSD3 (shift 5), dos CLIP Text Encode (positivo y negativo), WanImageToVideo (toma start_image y genera un latent con condición de imagen), dos KSamplerAdvanced (muestreo por relevos), VAEDecode, CreateVideo (fps 16), más un pequeño nodo de expresión que calcula el número de fotogramas (length = duration × fps + 1). En los tutoriales antiguos estos eran nodos sueltos; ahora el oficial los ha empaquetado en un subgrafo.
Paso 2: descargar los modelos de doble experto i2v y colocarlos
Por qué: i2v es otro conjunto de pesos de doble experto y hay que descargarlo por separado; pero el codificador de texto y el VAE son exactamente los mismos de la lección anterior, así que los que ya tengas se reutilizan directamente; lo único que hay que descargar de nuevo son los dos archivos de diffusion.
| Archivo | colocar en | tamaño |
|---|---|---|
wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors | models/diffusion_models/ | 13.31 GB |
wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors | models/diffusion_models/ | 13.31 GB |
umt5_xxl_fp8_e4m3fn_scaled.safetensors | models/text_encoders/ | 6.27 GB |
wan_2.1_vae.safetensors | models/vae/ | 242.1 MB |
⚠️ Esta sección de la documentación oficial se contradice a sí misma; guíate por fp8_scaled
La tarjeta de descarga de la sección I2V del tutorial oficial indica el nombre de archivo fp16, pero el texto de los pasos lo escribe erróneamente como el nombre de archivo de t2v (se nota que todo el párrafo fue copiado y pegado de la sección T2V; incluso EmptyHunyuanLatentVideo sigue apareciendo en los pasos, y la plantilla de esta lección no tiene ese nodo en absoluto). Toma como referencia el wan2.2_i2v_*_14B_fp8_scaled.safetensors que la plantilla JSON carga realmente; la nota Model Links de la plantilla también da enlaces directos a fp8_scaled.
📂 ComfyUI/
└── 📂 models/
├── 📂 diffusion_models/
│ ├─── wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
│ └─── wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
├── 📂 text_encoders/
│ └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors
└── 📂 vae/
└─── wan_2.1_vae.safetensorsEnlaces de descarga (la nota Model Links de la plantilla también incluye estos dos grupos):
- Hugging Face: Comfy-Org/Wan_2.2_ComfyUI_Repackaged (dos diffusion i2v + VAE), Comfy-Org/Wan_2.1_ComfyUI_repackaged (codificador de texto); los archivos están en los subdirectorios correspondientes bajo
split_files/del repositorio - Conexión directa desde China: ModelScope (魔搭) tiene espejos con el mismo nombre Comfy-Org/Wan_2.2_ComfyUI_Repackaged, Comfy-Org/Wan_2.1_ComfyUI_repackaged
(Opcional) Si quieres activar el modo Turbo, descarga además dos LoRA de aceleración y colócalos en models/loras/:
| Archivo | tamaño |
|---|---|
wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors | 1.14 GB |
wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors | 1.14 GB |
Nota: estos dos son de la versión i2v (v1); los nombres de archivo difieren de los de la versión v1.1 que usó el t2v de la lección anterior, así que no se pueden mezclar.
Deberías ver: en el nodo del subgrafo, las cuatro listas desplegables high_noise_model / low_noise_model / clip_name / vae_name permiten seleccionar los archivos correspondientes.
- Modelos colocados, las cuatro listas desplegables permiten seleccionarlos
💡 Los usuarios en China deberían priorizar ModelScope
Ambos repositorios tienen espejos oficiales en ModelScope, con velocidad de descarga directa rápida y nombres de archivo idénticos a los de HF; basta con colocarlos según la tabla de arriba.
Paso 3: subir la foto, escribir el prompt de movimiento y completar la generación de video a partir de imagen de Wan2.2 (video en 20 pasos)
Por qué: primero valida toda la cadena con los parámetros predeterminados de la plantilla. El modo predeterminado es el estándar: 20 pasos, cfg 3.5, euler + simple, el experto de ruido alto corre los primeros 10 pasos y el de ruido bajo los últimos 10; este conjunto de valores predeterminados es el punto de equilibrio ajustado por el oficial, así que no te apresures a cambiarlo antes de que funcione.
- Sube tu foto en el nodo Load Image (la primera vez se recomienda probar primero con la imagen de ejemplo incluida en la plantilla y luego cambiar a la tuya)
- En el prompt positivo (text) del nodo del subgrafo escribe «movimiento + cámara». Ejemplo de la plantilla:
The white dragon warrior stands still, eyes full of determination and
strength. The camera slowly moves closer or circles around the warrior,
highlighting the powerful presence and heroic spirit of the character.Desglose de la fórmula: una frase de estado del sujeto (de pie, mirada firme) → movimiento de cámara (avance lento o órbita) → atmósfera (presencia y gallardía). El aspecto, la ropa y el fondo que ya aparecen en la foto no hace falta escribirlos; eso es trabajo de la fotografía.
- Conserva en el prompt negativo el párrafo en chino incluido en la plantilla:
Colores chillones, sobreexposición, estático, detalles borrosos e indistinguibles, subtítulos, estilo, obra, pintura, imagen, quieto,
Tono general grisáceo, la peor calidad, baja calidad, residuos de compresión JPEG, feo, incompleto, dedos de más,
Manos mal dibujadas, rostros mal dibujados, deformes, desfigurados, extremidades con formas deformes, dedos fusionados,
Imágenes completamente inmóviles, fondos desordenados, tres piernas, muchas personas en el fondo, caminando hacia atrás- Confirma que
enable_turbo_modeesté desactivado (desactivado por defecto) - Ejecuta con
Ctrl+Enter
Deberías ver: la barra de progreso completa los 20 pasos y el video empieza a moverse a partir de tu foto; SaveVideo lo guarda en el subdirectorio video/ del directorio de salida, con nombre de archivo que empieza por Wan2.2_i2v (formato auto), 640×640, 81 fotogramas, 16fps, duración de unos 5 segundos. Nota de prueba real de la plantilla (RTX 4090D, 640×640): en modo estándar, el primer video tarda unos 536 segundos y el segundo unos 513 segundos, tiempo suficiente para ir por un vaso de agua.
- Aparece en el directorio de salida un video que empieza desde tu foto
Paso 4: activar el modo Turbo y probar encuadres rápidamente en 4 pasos
Por qué: con 20 pasos hay que esperar ocho o nueve minutos, y pruebas de cámara como «¿avance u órbita?» no pueden esperar tanto. La plantilla incorpora un cambio automático al LoRA de 4 pasos lightx2v versión i2v: un único interruptor cambia a la vez la ruta del modelo, el número de pasos y el cfg.
- Confirma que los dos LoRA i2v de 4steps ya están descargados en su lugar (el opcional del paso 2)
- Activa
enable_turbo_modeen el nodo del subgrafo - Ejecuta
Deberías ver: esta vez solo se ejecutan 4 pasos—el experto de ruido alto 0→2, el experto de ruido bajo 2→4, cfg baja a 1; según la medición de la plantilla: el primer clip tarda unos 97 segundos y el segundo unos 71 segundos.
- El modo Turbo funciona y el tiempo de generación se acorta notablemente
Qué ocurre detrás del interruptor:
| Parámetro | Modo estándar | Modo Turbo |
|---|---|---|
| Pasos totales | 20 | 4 |
| Frontera ruido alto/bajo | Paso 10 | Paso 2 |
| cfg | 3.5 | 1 |
| Lightning LoRA | No se monta | Se monta uno i2v para ruido alto y otro para ruido bajo (strength 1.0) |
| Apto para | Generación final | Probar prompts y encuadres rápidamente |
⚠️ Turbo es exigente con los encuadres; usa el modo estándar para el resultado final
4 pasos es un esquema de aceleración que intercambia pasos por velocidad. Flujo recomendado: con Turbo activado, prueba en lote movimientos y encuadres; una vez elegidos, desactiva el interruptor y vuelve a ejecutar en modo estándar de 20 pasos para la versión final.
Paso 5: cambiar resolución y duración (la foto se recortará para adaptarse)
Por qué: los valores por defecto de la plantilla, 640×640 y 5 segundos, no están fijados; pero el ancho, el alto y la duración tienen reglas, y en imagen-a-vídeo hay una más—tu foto se adaptará al tamaño objetivo.
Los tres parámetros del nodo del subgrafo:
| Parámetro | Valor por defecto de la plantilla | Regla | Explicación |
|---|---|---|---|
| width | 640 | Múltiplo de 16 | Incremento del nodo 16 |
| height | 640 | Múltiplo de 16 | Ídem |
| duration | 5 | Unidad: segundos | Conversión interna automática a fotogramas: length = duration × fps + 1 |
- Para 480P: pon width en 832 y height en 480 (es el valor de fábrica por defecto del nodo
WanImageToVideo) - Para 720P: pon width en 1280 y height en 720 (el ejemplo de línea de comandos de la ficha oficial del modelo usa justo este par de tamaños)
- Para cambiar la duración: modifica duration directamente (en segundos). 5 segundos × 16fps + 1 = 81 fotogramas; cambiar a 3 segundos son 49 fotogramas
- La tasa de fotogramas está en el nodo CreateVideo dentro del subgrafo (la plantilla la fija en 16); normalmente no hace falta tocarla—para ajustar la duración basta con cambiar duration
Una regla específica de imagen-a-vídeo: WanImageToVideo recortará tu foto centrándola y escalándola bilinealmente a width×height (comportamiento del código fuente del nodo). Una foto vertical con una proporción horizontal se recortará arriba y abajo—para que el sujeto no quede cortado, mantén la proporción ancho/alto lo más cerca posible de la de la foto original.
Deberías ver: tras cambiar los parámetros y volver a ejecutar, la resolución y la duración del vídeo de salida cambian en consecuencia, y el sujeto de la foto sigue en el centro del encuadre.
- Sabes cambiar width / height / duration, y sabes que la foto se recortará centrada para adaptarse
¿Por qué el número de fotogramas sigue siendo 4n+1?
El incremento de length en WanImageToVideo es 4: el latent se comprime 4 veces en la dimensión temporal, por lo que length fotogramas se comprimen en ((length−1)÷4)+1 porciones temporales; así que length solo puede tomar valores de la forma 4n+1, como 1, 5, 9… 81. duration × fps + 1 (5×16+1=81) cae justo en esa serie.
Punto de control ✅
- El modo estándar funciona: 20 pasos, 640×640, 81 fotogramas, unos 5 segundos, y el vídeo empieza a moverse a partir de tu foto
- Sabes decir qué archivos son comunes con la lección anterior (el codificador de texto umt5, el VAE wan_2.1) y cuáles hay que descargar aparte (los dos diffusion i2v)
- El modo Turbo funciona: vídeo en 4 pasos, y según la medición con una tarjeta de 24GB el primer clip tarda unos 97 segundos
- El prompt se escribe como «movimiento + encuadre», sin repetir el contenido estático de la foto
- Sabes que el ancho y el alto deben ser múltiplos de 16, que length toma valores 4n+1, y que la foto se recortará centrada para adaptarse
Aviso de errores comunes
❌ Usar los pesos t2v de la lección anterior
Los dos archivos diffusion de 13.31GB se acaban de descargar en la lección anterior y sus nombres son casi idénticos, así que es fácil equivocarse al elegirlos.
Causa: t2v e i2v son dos conjuntos de pesos de doble experto publicados por separado oficialmente; la sección central del nombre de archivo t2v / i2v se diferencia en un solo carácter y no son intercambiables; la plantilla de esta lección carga el conjunto i2v.
Solución correcta: fíjate bien en wan2.2_i2v_*_14B_fp8_scaled.safetensors y no selecciones wan2.2_t2v_* en las listas desplegables del subgrafo.
❌ Dejarse llevar por los nombres de archivo de la documentación oficial
En la sección I2V del tutorial oficial: la tarjeta de descarga dice fp16, pero el texto de los pasos indica el nombre de archivo fp8 de t2v; dos versiones distintas en la misma página.
Causa: esa sección de la documentación oficial contiene un error de copiar y pegar—todo el párrafo de pasos proviene de la sección T2V (también se trajo consigo EmptyHunyuanLatentVideo, un nodo que no existe en la plantilla de esta lección); además, el fp16 de la tarjeta de descarga tampoco coincide con los pesos que la plantilla carga realmente.
Lo correcto: guiarse por el wan2.2_i2v_*_14B_fp8_scaled.safetensors que el JSON de la plantilla carga realmente (el mismo enlace directo que la nota Model Links de la plantilla). Aquella frase del avance al final de la lección anterior, «I2V es fp16», también viene de la tarjeta de documentación; prevalece la conclusión de esta página al verificar el JSON de la plantilla.
❌ Activar Turbo pero montar la versión equivocada de LoRA
Tras abrir enable_turbo_mode, en el desplegable de LoRA aparece el archivo de la versión t2v descargado en la lección anterior.
Causa: los LoRA de Turbo se emparejan según la tarea: t2v usa la versión v1.1, i2v usa la versión v1; los archivos no son intercambiables.
Lo correcto: primero descargar wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors y ..._v1_low_noise.safetensors (1.14 GB cada uno) y colocarlos en su sitio, y después activar el interruptor.
❌ El prompt repite lo que ya muestra la foto
Escribir en el prompt positivo el aspecto de las personas, la ropa y el fondo de la foto: es un hábito de T2V, y traído aquí se convierte en trabajo repetitivo.
Causa: en I2V la composición, las personas y los colores ya quedan anclados por la foto; la función del prompt es decirle al modelo qué mover y cómo moverlo; por mucho contenido estático que se escriba, no ayuda al movimiento.
Lo correcto: escribir con la densidad del ejemplo de la plantilla: una frase de estado del sujeto + movimiento de cámara + atmósfera, dejando el aspecto estático a la foto.
Técnicas avanzadas (opcional)
Si falta VRAM: versión cuantizada GGUF
La comunidad tiene versiones GGUF cuantizadas de I2V-A14B (bullerwins/Wan2.2-I2V-A14B-GGUF, colección GGUF de Wan2.2 de QuantStack), que se cargan con el nodo personalizado city96/ComfyUI-GGUF: la solución habitual para ejecutar 14B con VRAM baja; los detalles están en modelos cuantizados GGUF.
Usar T2V e I2V en cadena
El T2V de la lección anterior se encarga de explorar la composición desde cero: T2V prueba prompts en lote, se elige un fotograma satisfactorio y se recorta, y luego se alimenta al I2V de esta lección para que se mueva según la cámara que diseñes: dos conjuntos de pesos, cada uno con su tarea.
Guía oficial de prompts
Alibaba mantiene oficialmente una guía de prompts de Wan2.2 (documento de DingTalk), compatible con prompts en chino e inglés; de hecho, el prompt negativo incluido en la plantilla de esta lección ya está en chino. Además, la ficha oficial del modelo indica que I2V-A14B admite generar vídeo solo a partir de la imagen de entrada (el script oficial usa expansión del prompt para deducirlo desde la imagen): si de verdad no sabes qué movimiento escribir, primero escribe un prompt corto y deja que la foto hable por sí sola.
¿Quieres que las imágenes de producto se muevan para hacer vídeos principales?
El I2V de esta lección es el cimiento de la lección de vídeo de producto: esa página aplica imagen a vídeo a fotos de productos de e-commerce para generar vídeos principales.
Resumen de la lección
✅ En esta lección se completó el flujo de trabajo de doble experto 14B para Wan2.2 imagen a vídeo (I2V):
- ✅ Modo estándar: pesos de doble experto i2v + plantilla oficial, 20 pasos, cfg 3.5, euler + simple, 640×640 unos 5 segundos, el vídeo empieza a moverse desde tu foto
- ✅ Cuentas de modelos claras: los dos diffusion i2v se descargan por separado; el codificador de texto umt5 y el VAE wan_2.1 se reutilizan de la lección anterior
- ✅ Modo Turbo:
enable_turbo_modeun solo interruptor, LoRA de 4 pasos versión i2v + cfg 1, gran aceleración para probar tomas - ✅ El prompt cambia de enfoque: escribir movimiento y cámara, dejar la composición y el aspecto a la foto
- ✅ Reglas de parámetros: ancho y alto múltiplos de 16, length toma 4n+1, recorte centrado de la foto para adaptarla
Repaso de los campos de configuración clave:
| Campo | Valor recomendado | Explicación |
|---|---|---|
| high_noise_model | wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors | Experto de ruido alto, se encarga de la primera mitad del desruido |
| low_noise_model | wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors | Experto de ruido bajo, se encarga de la segunda mitad del desruido |
| clip_name | umt5_xxl_fp8_e4m3fn_scaled.safetensors | Con type en wan, se reutiliza de la lección anterior |
| vae_name | wan_2.1_vae.safetensors | Se reutiliza de la lección anterior; no usar el de 5B |
| Muestreo (modo estándar) | 20 pasos / cfg 3.5 / euler + simple / frontera en el paso 10 | Predeterminado de la plantilla |
| Muestreo (Turbo) | 4 pasos / cfg 1 / frontera en el paso 2 + LoRA i2v 4steps ×2 | enable_turbo_mode activado |
| ModelSamplingSD3 | shift 5 (uno para ruido alto y otro para ruido bajo) | Predeterminado de la plantilla |
| width / height | 640×640 (múltiplos de 16) | Con 480P se usa 832×480, con 720P se usa 1280×720; recorte centrado de la foto para adaptarla |
| duration | 5 segundos (length = duration×fps+1 = 81 fotogramas) | fps 16 se define en el CreateVideo del subgrafo |
| SaveVideo | video/Wan2.2_i2v prefijo, formato auto | salida en el subdirectorio video/ |
Vista previa de la próxima lección
La foto solo fija el inicio; la próxima lección también clava el final: Wan2.2 primer y último fotograma para generar video: controlar el inicio y el final. Aprenderás:
- Se pasa una imagen para el primer fotograma y otra para el último, y el video se desarrolla de A a B: planos de transición, transformación, comparación antes/después
WanFirstLastFrameToVideocómo el nodo controla el tamaño (el valor predeterminado oficial se reduce para evitar quedarse sin VRAM)- Buena noticia: los pesos son exactamente los mismos que los de esta lección, no hay que descargar otros 13GB×2
Apéndice: referencia del código fuente
Haz clic para expandir y ver la ubicación del código fuente
Última actualización: 2026-11-05 (plantilla de la biblioteca de plantillas video_wan2_2_14B_i2v, versión mínima indicada oficialmente ComfyUI 0.16.4)
| Contenido | Ubicación |
|---|---|
| Tutorial oficial (Wan2.2, incluye la sección 14B I2V) | https://docs.comfy.org/tutorials/video/wan/wan2_2 |
| Plantilla JSON del flujo de trabajo | https://github.com/Comfy-Org/workflow_templates/blob/main/templates/video_wan2_2_14B_i2v.json |
| Repositorio de pesos (Hugging Face) | https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged |
| Repositorio de pesos (espejo de ModelScope) | https://modelscope.cn/models/Comfy-Org/Wan_2.2_ComfyUI_Repackaged |
| Tarjeta de modelo de Wan-AI (I2V-A14B) | https://huggingface.co/Wan-AI/Wan2.2-I2V-A14B |
WanImageToVideo Código fuente del nodo | comfy_extras/nodes_wan.py (L18–L67) |
Los parámetros de esta página (modo estándar 20 pasos / cfg 3.5 / corte en el paso 10, Turbo 4 pasos / cfg 1 / corte en el paso 2, shift 5, 640×640 / 81 fotogramas / fps 16, el conjunto de cuatro archivos y los nombres y tamaños de los LoRA i2v v1, notas de pruebas reales 536s / 513s / 97s / 71s, prefijo de SaveVideo video/Wan2.2_i2v) se han verificado con los valores reales de los nodos de la plantilla JSON video_wan2_2_14B_i2v.json; la tarjeta de descarga de la sección I2V de la documentación oficial (fp16) y el texto de los pasos (nombre de archivo t2v, EmptyHunyuanLatentVideo) no coinciden con la plantilla, y esta página toma el JSON como referencia; el comportamiento de recorte centrado y escalado de WanImageToVideo se verificó en comfy_extras/nodes_wan.py L47 (predeterminado 832×480, el paso de length 4 se ve en L28-30); los dos expertos MoE 27B/14B, el soporte 480P/720P, el criterio de 80GB del script y la descripción «reducir los movimientos de cámara irreales» provienen de la tarjeta de modelo I2V-A14B de Wan-AI.