Skip to content

Wan2.2 5B: 8GB VRAM पर टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो चलाना ​

इमेज मॉडल का हिस्सा यहीं पूरा होता है; इस पाठ से वीडियो जनरेशन शुरू होता है। Wan2.2 अलीबाबा क्लाउड टोंग्यी वानशिआंग का वीडियो जनरेशन मॉडल है, Apache 2.0 लाइसेंस पर ओपन-सोर्स है और व्यावसायिक उपयोग किया जा सकता है। इसने तीन कोर वेट जारी किए हैं: 14B टेक्स्ट-टू-वीडियो, 14B इमेज-टू-वीडियो, और एक 5B हाइब्रिड मॉडल TI2V — एक ही फ़ाइल से टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो दोनों सपोर्ट, 720P, 24fps; आधिकारिक रूप से इसे कहा गया है: "वर्तमान में सबसे तेज़ 720P@24fps मॉडल में से एक"।

इस पेज पर Wan2.2 5B वर्कफ़्लो को पूरा चलाया जाएगा: तीन मॉडल डाउनलोड, टेक्स्ट-टू-वीडियो आउटपुट, Ctrl+B से इमेज-टू-वीडियो स्विच, और खुद रेज़ोल्यूशन व अवधि बदलना। पूरी प्रक्रिया में केवल 8GB VRAM चाहिए — आधिकारिक Tip के मूल शब्द: ComfyUI के नेटिव offloading के साथ, Wan2.2 5B संस्करण 8GB VRAM पर अच्छी तरह फ़िट होना चाहिए।

सीखने के बाद आप क्या कर सकेंगे ​

  • आधिकारिक टेम्पलेट लोड करके Wan2.2 5B टेक्स्ट-टू-वीडियो चलाएँ: 20 स्टेप सैंपलिंग, 1280×704, लगभग 5 सेकंड का 720P वीडियो आउटपुट
  • उसी वर्कफ़्लो से Wan2.2 इमेज-टू-वीडियो करें: Ctrl+B से Load Image सक्रिय करके फ़ोटो को चलाएँ
  • नियम के अनुसार पैरामीटर बदलें: रेज़ोल्यूशन स्टेप 32, फ़्रेम संख्या 4n+1, खुद फ़्रेम साइज़ और अवधि एडजस्ट करें बिना किसी एरर के
  • समझा सकें कि 8GB VRAM में यह क्यों चलता है: 16×16×4 हाई-कंप्रेशन VAE + ComfyUI नेटिव offloading
  • 5B हाइब्रिड मॉडल और 14B डुअल-एक्सपर्ट मॉडल में अंतर पहचानें और जानें कि कब अपग्रेड करना चाहिए

आपकी मौजूदा दिक़्क़त ​

  • लोकल वीडियो जनरेशन चाहते हैं, तो देखते हैं: VRAM अक्सर 24GB से शुरू माँगता है, अपना 8GB कार्ड देखकर लगता है कि वीडियो जनरेशन आपकी पहुँच से बाहर है
  • ऑनलाइन Wan2.2 ट्यूटोरियल लगभग सभी 14B के बारे में हैं: हाई-नॉइज़ और लो-नॉइज़ दो diffusion फ़ाइलें, टेक्स्ट-टू-वीडियो और इमेज-टू-वीडियो के लिए अलग-अलग वेट, और पता नहीं 5B आपके लिए पर्याप्त है या नहीं
  • Wan2.1 का वर्कफ़्लो सीधे 2.2 पर चलाया: VAE फ़ाइल मैच नहीं हुई, latent नोड का नाम भी बदल गया, कैनवास लाल से भर गया

यह तरीक़ा कब इस्तेमाल करें ​

जब आपको चाहिए:

  • 8GB-स्तर के ग्राफ़िक्स कार्ड पर लोकल वीडियो जनरेशन: 720P, 24fps, लगभग 5 सेकंड में एक
  • एक मॉडल, दो तरीक़े: टेक्स्ट-टू-वीडियो + इमेज-टू-वीडियो, दो सेट वेट डाउनलोड करने की ज़रूरत नहीं
  • आइडिया तेज़ी से टेस्ट करना: 5B जल्दी आउटपुट देता है, संतुष्ट होने पर 14B से बेहतर क्वालिटी में रिफ़ाइन करें

और आप नहीं चाहते:

  • एक बार में 14B जैसे दोहरे diffusion वेट डाउनलोड करना (वह अगले पाठ का विषय है)
  • Wan-AI के आधिकारिक Python स्क्रिप्ट से इन्फ़ेरेंस चलाना: कमांड लाइन की बाधा ऊँची है, आधिकारिक मानक के अनुसार कम से कम 24GB VRAM चाहिए (जैसे RTX 4090)

🎒 शुरू करने से पहले की तैयारी ​

  • पहली इमेज जनरेशन चला चुके हैं: वर्कफ़्लो लोड करना आता है, Ctrl+Enter से चलाना आता है
  • मॉडल डायरेक्टरी नियम से परिचित हैं: फ़ाइलें models/ के संबंधित सब-डायरेक्टरी में रखें (दोबारा देखेंमॉडल कहाँ रखें)
  • ComfyUI 0.3.46 या उससे ऊपर (आधिकारिक टेम्पलेट लाइब्रेरी द्वारा इस टेम्पलेट के लिए चिह्नित न्यूनतम संस्करण; टेम्पलेट लाइब्रेरी के उपयोग के लिए टेम्पलेट लाइब्रेरी ट्यूटोरियल देखें, संस्करण परिवर्तनों के लिए अपडेट लॉग देखें)
  • हार्ड डिस्क पर लगभग 17GB खाली स्थान रखें: तीनों फाइलों का कुल योग 9.31 + 6.27 + 1.31 GB
  • 8GB या उससे अधिक VRAM (आधिकारिक मानक; छोटे कार्ड के लिए आधिकारिक रूप से कोई वादा नहीं है, सावधानी संबंधी नोट देखें)

केंद्रीय विचार ​

पहले Wan2.2 5B के चार मुख्य डिज़ाइन याद रखें, आगे का हर कदम इन्हीं को सत्यापित कर रहा होगा:

  1. TI2V = एक ही मॉडल से दो काम। TI2V, Text-Image-to-Video का संक्षिप्त रूप है।14B टेक्स्ट-टू-वीडियो (T2V) और इमेज-से-वीडियो (I2V) को दो अलग-अलग डबल-एक्सपर्ट वेट के रूप में बनाता है; 5B एक ही मॉडल से दोनों को एक साथ सपोर्ट करता है, वेट सिर्फ एक बार डाउनलोड करने होते हैं।
  2. उच्च कंप्रेशन अनुपात वाला VAE ही कम VRAM की कुंजी है। 5B में इस्तेमाल होने वाले Wan2.2-VAE का कंप्रेशन अनुपात 16×16×4 है (स्पेस में 16 गुना, टाइम में 4 गुना), 720P वीडियो से बना latent बहुत छोटा होता है—यही इसके होम ग्राफिक्स कार्ड पर 720P@24fps चलने की बुनियादी वजह है।
  3. एक latent नोड, दो मोड। Wan22ImageToVideoLatent का start_image इनपुट वैकल्पिक है: इमेज न जोड़ें तो खाली latent निकलता है, टेक्स्ट-से-वीडियो चलता है; इमेज जोड़ें तो इमेज VAE द्वारा पहले फ्रेम में एनकोड होती है, इमेज-से-वीडियो चलता है। टेम्पलेट का Load Image नोड डिफ़ॉल्ट रूप से बायपास (bypass) है, Ctrl+B से सक्षम करने पर इमेज-से-वीडियो हो जाता है।
  4. नेटिव offloading VRAM का बैकअप है। ComfyUI मॉडल को VRAM और मेमोरी के बीच अपने आप घुमाता रहता है, आपको कोई स्टार्टअप पैरामीटर जोड़ने की ज़रूरत नहीं—आधिकारिक Tip में कहा गया 8GB VRAM इसी की बदौलत है।

5B और 14B में से कैसे चुनें:

Wan2.2 TI2V 5B (यह पाठ)Wan2.2 14B (अगले पाठ से)
diffusion वेट1 फाइल (9.31 GB)हाई-नॉइज़ + लो-नॉइज़ दो फाइलें, T2V / I2V के लिए अलग-अलग
कामटेक्स्ट-से-वीडियो + इमेज-से-वीडियोटेक्स्ट-से-वीडियो, इमेज-से-वीडियो, पहला-आख़िरी फ्रेम अलग-अलग
रेज़ोल्यूशन720P (1280×704)@ 24fps480P / 720P
VRAMआधिकारिक मानक 8GB (नेटिव offloading)अधिक, आगामी पाठों में देखें
VAEwan2.2_vae.safetensorswan_2.1_vae.safetensors (आधिकारिक रूप से 2.2 के साथ संगत नोट किया गया)
latent नोडWan22ImageToVideoLatentEmptyHunyuanLatentVideo (T2V) आदि
उपयुक्ततेज़ प्रोटोटाइप, कम VRAM, रोज़मर्रा की रचनात्मकताक्वालिटी-प्राथमिक औपचारिक आउटपुट

दोनों Apache 2.0 लाइसेंस के तहत हैं, व्यावसायिक उपयोग के लिए अलग से कोई समझौता करने की ज़रूरत नहीं।

मेरे साथ करें ​

चरण 1: Wan2.2 5B वर्कफ़्लो टेम्पलेट लोड करें ​

क्यों: आधिकारिक टेम्पलेट में 13 नोड, डिफ़ॉल्ट पैरामीटर और मॉडल डाउनलोड लिंक सब पहले से कॉन्फ़िगर हैं, टेम्पलेट से शुरू करने पर न कोई नोड छूटेगा, न कोई पैरामीटर गलत भरेगा।

  1. टेम्पलेट लाइब्रेरी खोलें (Browse Templates), 「Wan 2.2 5B」 खोजें, टेम्पलेट Wan 2.2 5B वीडियो जनरेशन ढूंढें (अंग्रेज़ी इंटरफ़ेस में इसे Wan 2.2 5B Video Generation कहते हैं)
  2. लोड पर क्लिक करें

आपको यह दिखना चाहिए: कैनवास पर 13 नोड चार समूहों में व्यवस्थित हैं—Step1 - Load models (Load Diffusion Model / Load CLIP / Load VAE तीन लोडर), Step3 - Prompt (पॉज़िटिव और नेगेटिव, दो CLIP Text Encode), For i2v, use Ctrl + B to enable (Load Image, डिफ़ॉल्ट रूप से बायपास), Video Size & length (Wan22ImageToVideoLatent), साथ ही ModelSamplingSD3, KSampler, VAEDecode, CreateVideo, SaveVideo और Model Links लिखा हुआ एक नोट नोड—कोई लाल नोड नहीं।

  • टेम्पलेट लोड पूरा हुआ, कैनवास पर कोई लाल नोड नहीं

चरण 2: तीन मॉडल फाइलें डाउनलोड करें और सही जगह रखें ​

क्यों: टेम्पलेट में सिर्फ संरचना होती है, वेट नहीं; तीनों फाइलें अपनी-अपनी जगह पर रखने पर ही लोडर की ड्रॉपडाउन सूची में दिखेंगी।

फाइलकहाँ रखेंआकार
wan2.2_ti2v_5B_fp16.safetensorsmodels/diffusion_models/9.31 GB
umt5_xxl_fp8_e4m3fn_scaled.safetensorsmodels/text_encoders/6.27 GB
wan2.2_vae.safetensorsmodels/vae/1.31 GB

ध्यान दें: टेक्स्ट एनकोडर Wan2.1 रिपॉज़िटरी की फ़ाइलें पुनः उपयोग करता है (umt5_xxl का fp8 संस्करण), जबकि VAE Wan2.2 का नया संस्करण है — लाइनें मिलाने की गलती न करें।

text
📂 ComfyUI/
└── 📂 models/
    ├── 📂 diffusion_models/
    │   └── wan2.2_ti2v_5B_fp16.safetensors
    ├── 📂 text_encoders/
    │   └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
    └── 📂 vae/
        └── wan2.2_vae.safetensors

डाउनलोड पते (टेम्पलेट के Model Links नोट में भी ये दोनों सेट शामिल हैं):

आपको यह दिखना चाहिए: तीनों लोडर (Load Diffusion Model / Load CLIP / Load VAE) के ड्रॉपडाउन सूची में संबंधित फ़ाइलें चुनी जा सकती हैं।

  • तीनों फ़ाइलें सही डायरेक्टरी में दिखें, लोडर में चुनी जा सकें

💡 चीनी उपयोगकर्ता पहले ModelScope चुनें

दोनों रिपॉज़िटरी के मोडा पर आधिकारिक मिरर हैं, सीधे कनेक्शन की गति तेज़ है। फ़ाइल नाम HF जैसे ही हैं, ऊपर दी गई तालिका के अनुसार रखें।

चरण 3: प्रॉम्प्ट लिखें, टेक्स्ट-से-वीडियो चलाएँ (20 चरणों में आउटपुट) ​

क्यों: पहले टेम्पलेट के डिफ़ॉल्ट पैरामीटर से पूरी श्रृंखला सत्यापित करें — 20 चरण, cfg 5, uni_pc ये डिफ़ॉल्ट मान आधिकारिक रूप से संतुलित किए गए हैं, चलने से पहले बदलने की जल्दी न करें।

  1. CLIP Text Encode (Positive Prompt) नोड में पॉज़िटिव प्रॉम्प्ट लिखें। टेम्पलेट का उदाहरण एक पूर्ण दृश्य विवरण है:
text
Low contrast. In a retro 1970s-style subway station, a street musician
plays in dim colors and rough textures. He wears an old jacket, playing
guitar with focus. Commuters hurry by, and a small crowd gathers to
listen. The camera slowly moves right, capturing the blend of music and
city noise, with old subway signs and mottled walls in the background.

एक ही वाक्य में स्थान, पात्र, क्रिया, कैमरा गति (The camera slowly moves right) और माहौल सब लिखा गया है — इसी संरचना में अपना दृश्य लिखें।

  1. CLIP Text Encode (Negative Prompt) नोड में टेम्पलेट के साथ आया चीनी निगेटिव प्रॉम्प्ट है, पहले वैसा ही रखें:
text
色调艳丽,过曝,静态,细节模糊不清,字幕,风格,作品,画作,画面,静止,
整体发灰,最差质量,低质量,JPEG压缩残留,丑陋的,残缺的,多余的手指,
画得不好的手部,画得不好的脸部,畸形的,毁容的,形态畸形的肢体,手指融合,
静止不动的画面,杂乱的背景,三条腿,背景人很多,倒着走
  1. पुष्टि करें कि KSampler टेम्पलेट डिफ़ॉल्ट है: steps 20, cfg 5, sampler uni_pc, scheduler simple; बगल में ModelSamplingSD3 का shift 8 है
  2. Ctrl+Enter दबाकर चलाएँ

आपको यह दिखना चाहिए: प्रोग्रेस बार 20 चरण पूरे करती है, वीडियो SaveVideo नोड द्वारा आउटपुट डायरेक्टरी के video/ सबडायरेक्टरी में सहेजा जाता है (फ़ाइल नाम ComfyUI से शुरू होता है, फ़ॉर्मेट डिफ़ॉल्ट auto, सामान्यतः MP4 आउटपुट), रेज़ोल्यूशन 1280×704, 121 फ़्रेम, 24fps, अवधि लगभग 5 सेकंड।

  • आउटपुट डायरेक्टरी में आपका पहला Wan2.2 वीडियो दिखेगा

💡 प्रॉम्प्ट चीनी में भी लिख सकते हैं

आधिकारिक रूप से एक Wan2.2 उपयोग गाइड (डिंगटॉक डॉक्यूमेंट) उपलब्ध है। प्रॉम्प्ट चीनी या अंग्रेज़ी दोनों में हो सकते हैं — इस टेम्पलेट का निगेटिव प्रॉम्प्ट वैसे भी चीनी में है; पॉज़िटिव प्रॉम्प्ट टेम्पलेट उदाहरण की संरचना में लिखें: दृश्य, मुख्य विषय, क्रिया, कैमरा, माहौल — सब एक वाक्य में।

चरण 4: इमेज-से-वीडियो पर स्विच करें (Ctrl+B से Load Image सक्षम करें) ​

क्यों: TI2V हाइब्रिड मॉडल की सुविधा यही है — वही नोड, वही वेट, पहला फ़्रेम जोड़ते ही इमेज-से-वीडियो हो जाता है।

  1. For i2v, use Ctrl + B to enable समूह का Load Image नोड खोजें, यह डिफ़ॉल्ट रूप से बायपास (bypass) स्थिति में है
  2. इसे चुनें, Ctrl+B दबाकर सक्षम करें (फिर से दबाने पर बायपास लौट आता है)
  3. अपलोड बटन पर क्लिक करें, अपनी फ़ोटो चुनें
  4. पॉज़िटिव प्रॉम्प्ट बदलकर लिखें कि «इस वीडियो में क्या होगा»
  5. चलाएँ

आपको यह दिखना चाहिए: वीडियो का पहला फ़्रेम आपकी अपलोड की गई फ़ोटो है, दृश्य प्रॉम्प्ट के अनुसार चलता है।

  • आउटपुट वीडियो का पहला फ़्रेम अपलोड की गई इमेज से मेल खाता है

आधिकारिक README का इमेज-से-वीडियो उदाहरण प्रॉम्प्ट (साथ में सनग्लास पहनी सफ़ेद बिल्ली सर्फ़बोर्ड पर बैठी हुई इमेज):

text
Summer beach vacation style, a white cat wearing sunglasses sits on a
surfboard. The fluffy-furred feline gazes directly at the camera with a
relaxed expression. Blurred beach scenery forms the background featuring
crystal-clear waters, distant green hills, and a blue sky dotted with
white clouds. The cat assumes a naturally relaxed posture, as if
savoring the sea breeze and warm sunlight. A close-up shot highlights
the feline's intricate details and the refreshing atmosphere of the
seaside.

इसकी लेखन शैली पर ध्यान दें: यह वर्णन करता है कि «यह वीडियो कैसा दिखेगा, कैमरा कैसे शॉट लेगा» (A close-up shot…), सामग्री इनपुट इमेज से मेल खाती है — इमेज-से-वीडियो का प्रॉम्प्ट पूरे दृश्य का वर्णन करता है, केवल क्रिया का नहीं।

⚠️ अपलोड की गई इमेज नोड आकार में स्केल होगी

Wan22ImageToVideoLatent अपलोड की गई इमेज को नोड के width/height के अनुसार बाइलीनियर स्केल और केंद्रित करके पहले फ़्रेम में एनकोड करता है। मूल इमेज का अनुपात रखने के लिए, चलाने से पहले नोड की चौड़ाई-ऊँचाई को इमेज के अनुपात के अनुसार बदलें।

चरण 5: रेज़ोल्यूशन, अवधि और फ़्रेम संख्या बदलें ​

क्यों: डिफ़ॉल्ट 1280×704, 121 फ़्रेम तय नहीं हैं; लेकिन चौड़ाई-ऊँचाई और फ़्रेम संख्या के चरण (step) नियम हैं, बेतरतीब भरने से समस्या होगी।

Wan22ImageToVideoLatent के चार पैरामीटर:

पैरामीटरटेम्पलेट डिफ़ॉल्टनियमविवरण
width1280चरण 32720P लैंडस्केप यानी 1280×704
height704चरण 32पोर्ट्रेट 704×1280 (आधिकारिक रूप से समर्थित)
length121चरण 4, रूप 4n+1121 फ़्रेम ÷ 24fps ≈ 5 सेकंड
batch_size1—एक बार में कितने बनाएँ
  1. पोर्ट्रेट वीडियो चाहिए: width में 704, height में 1280 भरें
  2. अवधि घटानी हो, VRAM बचाना हो: length बदलें 81 (लगभग 3.4 सेकंड) या 49 (लगभग 2 सेकंड)
  3. फ़्रेम रेट CreateVideo नोड में बदलें (टेम्पलेट में 24 सेट है): 121 फ़्रेम @ 24fps ≈ 5.04 सेकंड

आपको यह दिखना चाहिए: पैरामीटर बदलकर फिर चलाने पर आउटपुट वीडियो का आकार और अवधि उसी अनुसार बदलती है।

  • length को बदल सकते हैं, और समझा सकते हैं कि यह 4n+1 ही क्यों होना चाहिए
फ़्रेम संख्या 4n+1 ही क्यों है?

Wan2.2-VAE समय आयाम में 4 गुना कंप्रेस करता है: length फ़्रेम ((length−1)÷4)+1 समय-स्लाइस में कंप्रेस हो जाते हैं। इसलिए length केवल 49, 81, 121 जैसी 4n+1 वैल्यू ही ले सकता है, और नोड ने स्टेप साइज़ 4 रखकर यही सुनिश्चित किया है।

चेकपॉइंट ✅ ​

  • टेक्स्ट-टू-वीडियो सफलतापूर्वक चला: 20 स्टेप, 1280×704, लगभग 5 सेकंड का वीडियो आउटपुट डायरेक्टरी में दिखा
  • इमेज-टू-वीडियो सफलतापूर्वक चला: Ctrl+B से Load Image सक्षम करने के बाद, पहला फ़्रेम अपलोड की गई इमेज से मेल खाता है
  • तीनों फ़ाइलों के नाम और उनकी डायरेक्टरी बता सकते हैं (diffusion_models / text_encoders / vae)
  • जानते हैं कि length 4n+1 लेता है, चौड़ाई/ऊँचाई का स्टेप 32 है, और खुद अवधि व फ़्रेम साइज़ बदल सकते हैं
  • 8GB पर चलने के दो कारण बता सकते हैं: 16×16×4 हाई-कंप्रेशन VAE + नेटिव offloading

आम ग़लतियों की चेतावनी ​

❌ इमेज अपलोड की, पर बना वीडियो उसका नहीं निकला ​

Load Image नोड डिफ़ॉल्ट रूप से बायपास (bypass) रहता है; सिर्फ़ नोड में इमेज बदलने से, सक्षम किए बिना, start_image latent नोड तक पहुँचती ही नहीं, और चलता रहता है प्योर टेक्स्ट-टू-वीडियो।

सही तरीक़ा: Load Image चुनकर Ctrl+B से सक्षम करें, पक्का करें कि नोड अब बायपास स्टाइल में नहीं है, फिर चलाएँ।

❌ VAE की ग़लत फ़ाइल: wan2.2_vae और wan_2.1_vae में सिर्फ़ एक अंक का फ़र्क़ ​

5B Wan2.2 नए VAE (wan2.2_vae.safetensors, कंप्रेशन रेशियो 16×16×4) का उपयोग करता है; 14B वाले पाठों में wan_2.1_vae.safetensors (आधिकारिक रूप से 2.2 के साथ संगत बताया गया) इस्तेमाल हुआ था। 5B का वीडियो latent 48 चैनल का है (नोड सोर्स कोड में हार्डकोडेड), और पुराने-नए VAE से बने latent आपस में बदले नहीं जा सकते।

सही तरीक़ा: चरण 2 की तालिका से डाउनलोड करें, 14B ट्यूटोरियल के VAE लिंक पर मत जाएँ।

❌ VRAM 8GB से कम होने पर भी 720P×121 फ़्रेम ज़बरदस्ती चलाना ​

आधिकारिक पैमाना है «8GB नेटिव offloading के साथ»। VRAM और छोटा हो, या रेज़ोल्यूशन/फ़्रेम बढ़ाएँ, तो latent बड़ा होता है और सीधा OOM हो सकता है।

सही तरीक़ा: पहले length घटाएँ (121 → 81 → 49), फिर रेज़ोल्यूशन घटाएँ (32 के गुणज में नीचे जाएँ)। VRAM उपयोग latent साइज़ से सीधे जुड़ा है: फ़्रेम × चौड़ाई × ऊँचाई।

❌ length में 120, width में 1281 भरना ​

length की मान्य वैल्यू 4n+1 है (49, 81, 121……), और width/height 32 का गुणज होना चाहिए — यह नोड schema में तय स्टेप है। इंटरफ़ेस में भरते समय स्टेप के हिसाब से चलें; दूसरे नोड से वैल्यू आते समय यह नियम खुद निभाना होगा।

सही तरीक़ा: फ़्रेम 49 / 81 / 121 में से चुनें, चौड़ाई/ऊँचाई 32 के गुणज में से चुनें। 1280×704 और 704×1280 दोनों आधिकारिक रूप से जाँचे-परखे 720P कॉम्बिनेशन हैं।

एडवांस टिप्स (वैकल्पिक) ​

छोटे वाक्य को पूरे प्रॉम्प्ट में विस्तार ​

आधिकारिक Wan-AI रिपॉज़िटरी में प्रॉम्प्ट एक्सटेंशन का तरीक़ा है: dashscope API या लोकल Qwen मॉडल से छोटे वाक्य को पूरे दृश्य-विवरण में विस्तार दें, और आधिकारिक विवरण के अनुसार इससे वीडियो के विवरण प्रभावी रूप से समृद्ध होते हैं। ComfyUI टेम्पलेट में यह नोड नहीं है, पर विचार सीधे उठाया जा सकता है: «स्पॉटलाइट के नीचे रिंग पर दो मानवरूपी बिल्लियों की मुक्केबाज़ी» जैसे छोटे वाक्य को पहले किसी LLM को दें, टेम्पलेट उदाहरण जैसे लंबे वाक्य में विस्तार करें, फिर पॉज़िटिव प्रॉम्प्ट में चिपकाएँ।

पहले आज़माकर फिर वेट डाउनलोड करना चाहते हैं ​

Wan-AI ने Hugging Face पर Wan-2.2-5B का ऑनलाइन Space खोला है; पहले 17GB वेट डाउनलोड करने से पहले वहाँ कुछ आज़माएँ, अच्छा लगे तभी लोकल डिप्लॉय पर आएँ।

इमेज-टू-वीडियो की व्यावहारिक दिशाएँ ​

5B इमेज-टू-वीडियो पर हाथ बैठ जाने के बाद सीधे ई-कॉमर्स की ओर जा सकते हैं: प्रोडक्ट वीडियो: प्रोडक्ट इमेज को एनिमेटेड बनाएँ इमेज-टू-वीडियो रूट को प्रोडक्ट मेन-इमेज वीडियो पर इस्तेमाल करना समझाता है। और बेहतर इमेज-टू-वीडियो क्वालिटी चाहिए तो अगले स्टेशन का Wan2.2 14B इमेज-टू-वीडियो डेडिकेटेड I2V वेट इस्तेमाल करता है।

इस पाठ का सारांश ​

✅ इस पाठ में Wan2.2 5B वर्कफ़्लो के दो तरीक़े सफलतापूर्वक चलाए:

  • ✅ टेक्स्ट-टू-वीडियो: आधिकारिक टेम्पलेट + तीनों वेट, 20 स्टेप, cfg 5, uni_pc, 1280×704 लगभग 5 सेकंड में वीडियो
  • ✅ इमेज-टू-वीडियो: Ctrl+B से Load Image सक्षम, फ़ोटो पहला फ़्रेम, वही वेट बदलने की ज़रूरत नहीं
  • ✅ पैरामीटर नियम: चौड़ाई/ऊँचाई स्टेप 32, length 4n+1, खुद फ़्रेम साइज़ व अवधि बदल सकते हैं
  • ✅ कम VRAM का सिद्धांत: 16×16×4 हाई-कंप्रेशन VAE + ComfyUI नेटिव offloading, 8GB VRAM पर चलता है

मुख्य कॉन्फ़िगरेशन फ़ील्ड की समीक्षा:

फ़ील्डअनुशंसित वैल्यूविवरण
Load Diffusion Modelwan2.2_ti2v_5B_fp16.safetensors5B हाइब्रिड मॉडल, weight_dtype डिफ़ॉल्ट ही रखें
Load CLIPumt5_xxl_fp8_e4m3fn_scaled.safetensorstype में wan चुनें
Load VAEwan2.2_vae.safetensors5B का डेडिकेटेड नया VAE, 2.1 वाला मत इस्तेमाल करें
KSampler20 चरण / cfg 5 / uni_pc + simpleटेम्पलेट डिफ़ॉल्ट
ModelSamplingSD3shift 8टेम्पलेट डिफ़ॉल्ट
Wan22ImageToVideoLatent1280×704 / length 121चौड़ाई-ऊँचाई चरण आकार 32, length का मान 4n+1
CreateVideofps 24121 फ़्रेम ≈ 5 सेकंड
Load Imageडिफ़ॉल्ट रूप से बायपास्ड है, Ctrl+B सक्रिय करेंसक्रिय = इमेज-टू-वीडियो मोड

अगले पाठ का पूर्वावलोकन ​

5B का समाधान है «चल पाना», अगला पाठ हल करेगा «अच्छा चलना»: Wan2.2 14B टेक्स्ट-टू-वीडियो: डबल-एक्सपर्ट मॉडल से शानदार फ़िल्में। आप सीखेंगे:

  • MoE हाई-नॉइज़/लो-नॉइज़ डबल-एक्सपर्ट मॉडल का डीनॉइज़िंग टाइमस्टेप के अनुसार कार्य-विभाजन का क्या अर्थ है
  • 14B के मॉडल डाउनलोड, और EmptyHunyuanLatentVideo तथा इस पाठ के latent नोड के बीच अंतर
  • कब 5B से 14B में अपग्रेड करना उचित है

परिशिष्ट: सोर्स कोड संदर्भ ​

पर क्लिक करके सोर्स कोड स्थान देखें

अपडेट समय: 2026-11-05 (टेम्पलेट लाइब्रेरी टेम्पलेट video_wan2_2_5B_ti2v, आधिकारिक रूप से चिह्नित न्यूनतम ComfyUI संस्करण 0.3.46)

सामग्रीस्थान
आधिकारिक ट्यूटोरियल (Wan2.2, 5B अध्याय सहित)https://docs.comfy.org/tutorials/video/wan/wan2_2
वर्कफ़्लो टेम्पलेट JSONhttps://github.com/Comfy-Org/workflow_templates/blob/main/templates/video_wan2_2_5B_ti2v.json
वेट रिपॉज़िटरी (Hugging Face)https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged
वेट रिपॉज़िटरी (ModelScope मिरर)https://modelscope.cn/models/Comfy-Org/Wan_2.2_ComfyUI_Repackaged
Wan-AI आधिकारिक रिपॉज़िटरी README (5B 720P, 16×16×4, नमूना प्रॉम्प्ट)https://github.com/Wan-Video/Wan2.2
Wan22ImageToVideoLatent नोड सोर्स कोडcomfy_extras/nodes_wan.py (L1418–L1459)
SaveVideo / CreateVideo नोड सोर्स कोडcomfy_extras/nodes_video.py (L137–L166 / L209 से)

इस पृष्ठ के पैरामीटर (KSampler 20 चरण / cfg 5 / uni_pc + simple, shift 8, 1280×704 / length 121 / fps 24, तीन फ़ाइलों के नाम और आकार, Load Image डिफ़ॉल्ट रूप से बायपास्ड) सभी टेम्पलेट JSON video_wan2_2_5B_ti2v.json के वास्तविक नोड मानों से सत्यापित हैं; VRAM और रेज़ोल्यूशन संबंधी आँकड़े आधिकारिक ट्यूटोरियल तथा Wan-AI README से लिए गए हैं।

gaodong.aiAboutPrivacyContact

Independent tutorials, not affiliated with any product mentioned. Product names and trademarks belong to their owners. Check official pages for prices and policies.