Wan2.2 14B टेक्स्ट-टू-वीडियो: डुअल-एक्सपर्ट मॉडल से शानदार फ़िल्मी आउटपुट
पिछले पाठ का 5B «चल पाना» सुनिश्चित करता है, इस पाठ का 14B «अच्छी तरह चलना» सुनिश्चित करता है। Wan2.2-T2V-A14B अलीबाबा के टोंगयी वानशियांग का टेक्स्ट-टू-वीडियो मॉडल है: MoE डुअल-एक्सपर्ट आर्किटेक्चर, 480P और 720P के 5 सेकंड के वीडियो का समर्थन, Apache 2.0 लाइसेंस के तहत व्यावसायिक उपयोग संभव; आधिकारिक दावे के अनुसार अपने ही Wan-Bench 2.0 पर अधिकांश मुख्य मानदंडों में यह अग्रणी व्यावसायिक मॉडलों से बेहतर है।
इस पृष्ठ पर Wan2.2 टेक्स्ट-टू-वीडियो के 14B वर्कफ़्लो को पूरा चलाया गया है: डुअल-एक्सपर्ट चार फ़ाइलें डाउनलोड करना, 20 स्टेप में आउटपुट, Turbo मोड चालू करके 4 स्टेप में तेज़ी, और खुद रेज़ोल्यूशन व अवधि बदलना। VRAM की दहलीज़ भी साफ़ बताई गई है: आधिकारिक Python स्क्रिप्ट के हिसाब से 80GB चाहिए, ComfyUI fp8 वेट और ऑटो offloading से चलता है; टेम्पलेट की परीक्षण नोट के अनुसार 24GB कार्ड (RTX 4090D) पर 640×640 चलता है।
सीखने के बाद आप क्या कर सकेंगे
- आधिकारिक टेम्पलेट लोड करके Wan2.2 14B टेक्स्ट-टू-वीडियो चला सकेंगे: 20 स्टेप सैंपलिंग, 640×640, 81 फ़्रेम, लगभग 5 सेकंड के वीडियो का आउटपुट
- बता सकेंगे कि MoE डुअल-एक्सपर्ट काम कैसे बाँटते हैं: हाई-नॉइज़ एक्सपर्ट कंपोज़िशन संभालता है, लो-नॉइज़ एक्सपर्ट विवरण संभालता है, 27B पैरामीटर में हर स्टेप पर सिर्फ़ 14B सक्रिय होते हैं
- एक क्लिक में Turbo मोड चालू कर सकेंगे: lightx2v 4-स्टेप LoRA लगाकर 4 स्टेप में आउटपुट; प्रॉम्प्ट आज़माना 20 स्टेप से कई गुना तेज़
- नियमों के अनुसार पैरामीटर बदल सकेंगे: चौड़ाई-ऊँचाई 16 का गुणज, फ़्रेम संख्या 4n+1; खुद 480P/720P और अवधि एडजस्ट करने पर कोई एरर नहीं
- इस पाठ के
EmptyHunyuanLatentVideoऔर पिछले पाठ केWan22ImageToVideoLatentका अंतर समझ सकेंगे, और जान सकेंगे कि 5B से 14B में अपग्रेड कब फ़ायदेमंद है
आपकी मौजूदा दिक़्क़त
- 5B चल गया है, लेकिन औपचारिक आउटपुट में हमेशा कुछ कम लगता है: मोशन थोड़ा जटिल होते ही धुँधला हो जाता है, «सिनेमैटिक फ़ील» से अभी एक क़दम दूर
- 14B पर जाना चाहते हैं, पर देखते हैं कि दो 13GB की diffusion फ़ाइलें डाउनलोड करनी हैं और आधिकारिक स्क्रिप्ट में 80GB VRAM लिखा है — सीधे मन छूट जाता है
- इंटरनेट पर मिलने वाले 14B ट्यूटोरियल टेम्पलेट से मेल नहीं खाते: पुराने ट्यूटोरियल में ढेर सारे बिखरे नोड हैं, जबकि अब आधिकारिक टेम्पलेट सब कुछ एक सबग्राफ़ नोड में समेट चुका है और एक Turbo स्विच भी जुड़ गया है
यह तकनीक कब इस्तेमाल करें
जब आपको चाहिए:
- क्वालिटी को प्राथमिकता देने वाला औपचारिक आउटपुट: सिनेमैटिक सौंदर्य नियंत्रण, बड़े पैमाने का जटिल मोशन, मल्टी-सब्जेक्ट दृश्य
- 480P / 720P, लगभग 5 सेकंड का शॉर्ट-फ़ॉर्मेट सामग्री — आधिकारिक विवरण के अनुसार कंटेंट क्रिएशन, कलात्मक रचना, शिक्षा-प्रशिक्षण जैसे परिदृश्यों के लिए उपयुक्त
- व्यावसायिक प्रोजेक्ट: Apache 2.0 लाइसेंस, कॉपीराइट नोटिस बनाए रखते हुए व्यावसायिक उपयोग किया जा सकता है
और जब आप नहीं चाहते:
- Wan-AI की आधिकारिक Python स्क्रिप्ट से इन्फ़ेरेंस चलाना: कमांड लाइन की दहलीज़ ऊँची है, आधिकारिक अनुमान के अनुसार कम से कम 80GB VRAM चाहिए
- हर वीडियो के लिए 20 स्टेप की पूरी सैंपलिंग का इंतज़ार: पहले Turbo के 4 स्टेप से कंपोज़िशन चुनें, फ़ाइनल के लिए बाद में पूरा चलाएँ
🎒 शुरू करने से पहले की तैयारी
- सफलतापूर्वक चला लिया पिछला पाठ Wan2.2 5B वर्कफ़्लो: वीडियो टेम्पलेट लोड करना, पॉज़िटिव/नेगेटिव प्रॉम्प्ट ठीक करना,
Ctrl+Enterसे चलाना सीखा - मॉडल डायरेक्टरी नियमों से परिचित हों: फ़ाइलें
models/के अंतर्गत संबंधित सबडायरेक्टरी में रखें (दोबारा देखेंमॉडल कहाँ रखें) - ComfyUI 0.16.4 या उससे नया (आधिकारिक टेम्पलेट लाइब्रेरी ने इस टेम्पलेट के लिए जो न्यूनतम संस्करण चिह्नित किया है; टेम्पलेट लाइब्रेरी के उपयोग के लिए देखेंटेम्पलेट लाइब्रेरी ट्यूटोरियल, संस्करण परिवर्तनों के लिए देखेंअपडेट लॉग)
- हार्ड डिस्क पर लगभग 33GB की जगह रखें: चार फ़ाइलों का सेट 13.31 + 13.31 + 6.27 + 0.24 GB; Turbo चालू करना चाहें तो दो 1.14 GB के LoRA और जोड़ें
- 24GB स्तर की VRAM (टेम्पलेट के वास्तविक परीक्षण नोट के अनुसार: RTX 4090D पर 640×640 चलाने पर 84% उपयोग; छोटे कार्ड के लिए एडवांस्ड टिप्स का GGUF समाधान देखें)
मुख्य विचार
पहले Wan2.2 14B के चार मुख्य डिज़ाइन याद रखें, आगे का हर कदम इन्हीं को सत्यापित कर रहा है:
- MoE डबल एक्सपर्ट = डीनॉइज़िंग प्रक्रिया को दो हिस्सों में बाँटना। Wan2.2 ने वीडियो डिफ़्यूज़न मॉडल में मिक्सचर-ऑफ़-एक्सपर्ट्स (Mixture-of-Experts) आर्किटेक्चर पेश किया: हाई-नॉइज़ एक्सपर्ट डीनॉइज़िंग के शुरुआती चरण का काम संभालता है और समग्र लेआउट पर केंद्रित रहता है; लो-नॉइज़ एक्सपर्ट डीनॉइज़िंग के बाद के चरण में वीडियो के फ़ाइन विवरण परिष्कृत करता है। हर एक्सपर्ट लगभग 14B पैरामीटर का है, कुल मिलाकर 27B, लेकिन हर स्टेप पर केवल एक एक्सपर्ट सक्रिय होता है (14B) — इसलिए इन्फ़ेरेंस कंप्यूट और VRAM लगभग नहीं बढ़ते। आधिकारिक कथन: दोनों एक्सपर्ट के बीच स्विचिंग बिंदु सिग्नल-टू-नॉइज़ रेशियो (SNR) से तय होता है।
- टेम्पलेट में यह बस 「दो लोडर + दो सैंपलर」 है। दो Load Diffusion Model क्रमशः हाई-नॉइज़ और लो-नॉइज़ वेट लोड करते हैं; दो KSamplerAdvanced रिले-सैंपलिंग करते हैं — स्टैंडर्ड मोड में हाई-नॉइज़ सैंपलर स्टेप 0→10 चलाता है, फिर लो-नॉइज़ सैंपलर स्टेप 10→20 चलाता है। दोनों ModelSamplingSD3 का shift 5 ही है।
- latent नोड बदलकर
EmptyHunyuanLatentVideoकर दिया गया है। 14Bwan_2.1_vae(आधिकारिक रूप से Wan2.2 के साथ संगत माना गया) पर लौटता है, latent 16 चैनल का है, स्पेस में 8 गुना कंप्रेशन — यह पिछले पाठ के 5B वाले 48 चैनल वाले नए VAE latent के साथ संगत नहीं है, इसलिए नोड भी बदल दिया गया। - Turbo मोड एक स्विच है। टेम्पलेट में lightx2v 4-स्टेप LoRA का ऑटोमैटिक स्विच बना हुआ है:
enable_turbo_modeचालू करने पर मॉडल पाथ स्वतः LoRA लगे संस्करण पर स्विच हो जाता है, स्टेप 20→4, cfg 3.5→1।
5B और 14B में से कैसे चुनें:
| Wan2.2 TI2V 5B (पिछला पाठ) | Wan2.2 T2V 14B (यह पाठ) | |
|---|---|---|
| diffusion वेट | 1 फ़ाइलें (9.31 GB) | हाई-नॉइज़ + लो-नॉइज़ दो फ़ाइलें (प्रत्येक 13.31 GB) |
| पैरामीटर संख्या | 5B डेंस सिंगल मॉडल | MoE डबल एक्सपर्ट: कुल 27B, प्रति स्टेप सक्रिय 14B |
| कार्य | टेक्स्ट-टू-वीडियो + इमेज-टू-वीडियो एक ही मॉडल | केवल टेक्स्ट-टू-वीडियो (इमेज-टू-वीडियो, पहला-आख़िरी फ़्रेम के लिए अलग वेट) |
| VAE | wan2.2_vae.safetensors (16×16×4) | wan_2.1_vae.safetensors (आधिकारिक रूप से 2.2 के साथ संगत माना गया) |
| latent नोड | Wan22ImageToVideoLatent (48 चैनल, चौड़ाई-ऊँचाई स्ट्राइड 32) | EmptyHunyuanLatentVideo (16 चैनल, चौड़ाई-ऊँचाई स्ट्राइड 16) |
| रेज़ोल्यूशन | 720P (1280×704) @ 24fps | 480P / 720P (टेम्पलेट डिफ़ॉल्ट 640×640 @ 16fps) |
| VRAM | आधिकारिक कथन 8GB | टेम्पलेट नोट 24GB वास्तविक परीक्षण 84% (640×640) |
| उपयुक्त | तेज़ प्रोटोटाइप, कम VRAM, रोज़मर्रा की रचनात्मकता | गुणवत्ता-प्राथमिक औपचारिक आउटपुट |
दोनों Apache 2.0 लाइसेंस के तहत हैं, व्यावसायिक उपयोग के लिए अलग से कोई समझौता नहीं करना पड़ता।
मेरे साथ करें
चरण 1: Wan2.2 14B टेक्स्ट-टू-वीडियो टेम्पलेट लोड करें
क्यों: आधिकारिक टेम्पलेट ने डबल एक्सपर्ट लोडिंग, दो सैंपलर, Turbo स्विच — सबको एक Text to Video(Wan2.2) सबग्राफ़ नोड में समेट दिया है, इस्तेमाल होने वाले पैरामीटर नोड की सतह पर ही रखे गए हैं, तार ग़लत जुड़ने का ख़तरा नहीं।
- टेम्पलेट लाइब्रेरी खोलें (Browse Templates), 「Wan2.2 14B T2V」 खोजें, टेम्पलेट Wan万相 2.2 14B 文生视频 ढूँढें (अंग्रेज़ी इंटरफ़ेस में इसे Wan 2.2 14B Text to Video कहते हैं)
- लोड पर क्लिक करें
आपको यह दिखना चाहिए: कैनवास पर एक बड़ा Text to Video(Wan2.2) सबग्राफ नोड और एक SaveVideo है, साथ में दो व्याख्या नोट भी हैं——Model Links(सभी मॉडलों के डाउनलोड लिंक)और VRAM Usage(आधिकारिक परीक्षित VRAM/समय रिकॉर्ड)। सबग्राफ नोड की सतह पर प्रॉम्प्ट, width / height, duration, हाई-नॉइज़/लो-नॉइज़ मॉडल, हाई-नॉइज़/लो-नॉइज़ Lightning LoRA, टेक्स्ट एनकोडर, VAE और enable_turbo_mode ये पैरामीटर रखे गए हैं, कोई लाल नोड नहीं है।
- टेम्पलेट लोड हो गया, कैनवास पर कोई लाल नोड नहीं
सबग्राफ के अंदर क्या है?(जब इंटरनेट के पुराने ट्यूटोरियल से मेल न खाए तो यहाँ देखें)
टेम्पलेट JSON के सबग्राफ Text to Video(Wan2.2) के अंदर शामिल हैं: दो Load Diffusion Model(हाई-नॉइज़/लो-नॉइज़), दो LoraLoaderModelOnly(Turbo के लिए 4 स्टेप LoRA), Load CLIP(type में wan चुनें), Load VAE, दो ModelSamplingSD3(shift 5), पॉज़िटिव और निगेटिव दो CLIP Text Encode, EmptyHunyuanLatentVideo, दो KSamplerAdvanced(रिले सैंपलिंग), VAEDecode, CreateVideo(fps 16)। पुराने ट्यूटोरियल में ये अलग-अलग नोड थे, अब आधिकारिक रूप से इन्हें एक सबग्राफ में पैक किया गया है, बाहर सिर्फ़ सामान्य पैरामीटर रखे गए हैं।
चरण 2: चार मॉडल सेट डाउनलोड करके सही जगह रखें
क्यों: 14B डुअल-एक्सपर्ट आर्किटेक्चर है, diffusion वेट दो फ़ाइलों में होते हैं; टेक्स्ट एनकोडर और VAE मिलाकर कुल चार चीज़ें। हर एक अपनी जगह पर हो, तभी सबग्राफ नोड की ड्रॉपडाउन सूची में चुना जा सकेगा।
| फ़ाइल | इसमें रखें | आकार |
|---|---|---|
wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors | models/diffusion_models/ | 13.31 GB |
wan2.2_t2v_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 |
दो「सहज बुद्धि के विरुद्ध」बिंदुओं पर ध्यान दें: टेक्स्ट एनकोडर ** Wan2.1 रिपॉज़िटरी** के umt5 fp8 वर्ज़न का पुनः उपयोग करता है; VAE भी 2.1 का ही है(आधिकारिक रूप से Wan2.2 के साथ संगत बताया गया)——पिछले पाठ में 5B द्वारा उपयोग किया गया wan2.2_vae इस पाठ मेंलागू नहीं होता।
📂 ComfyUI/
└── 📂 models/
├── 📂 diffusion_models/
│ ├─── wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors
│ └─── wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors
├── 📂 text_encoders/
│ └─── umt5_xxl_fp8_e4m3fn_scaled.safetensors
└── 📂 vae/
└─── wan_2.1_vae.safetensorsडाउनलोड पते(टेम्पलेट के Model Links नोट में भी ये दोनों सेट हैं):
- Hugging Face: Comfy-Org/Wan_2.2_ComfyUI_Repackaged(दो diffusion + VAE), Comfy-Org/Wan_2.1_ComfyUI_repackaged(टेक्स्ट एनकोडर), फ़ाइलें रिपॉज़िटरी के
split_files/के नीचे संबंधित सबडायरेक्टरी में - घरेलू सीधा कनेक्शन: मोडा ModelScope पर इसी नाम का मिरर है Comfy-Org/Wan_2.2_ComfyUI_Repackaged, Comfy-Org/Wan_2.1_ComfyUI_repackaged
(वैकल्पिक)Turbo मोड चालू करना चाहते हैं तो दो और एक्सेलेरेशन LoRA डाउनलोड करके models/loras/ में रखें:
| फ़ाइल | आकार |
|---|---|
wan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensors | 1.14 GB |
wan2.2_t2v_lightx2v_4steps_lora_v1.1_low_noise.safetensors | 1.14 GB |
आपको यह दिखना चाहिए: सबग्राफ नोड की high_noise_model / low_noise_model / clip_name / vae_name चारों ड्रॉपडाउन सूचियों में संबंधित फ़ाइलें चुनी जा सकती हैं।
- चार मॉडल सेट(+वैकल्पिक दो LoRA)सही डायरेक्टरी में दिखें, ड्रॉपडाउन में चुने जा सकें
💡 घरेलू उपयोगकर्ता पहले ModelScope से जाएँ
दोनों रिपॉज़िटरी का मोडा पर आधिकारिक मिरर है, सीधा कनेक्शन तेज़ है, फ़ाइल नाम HF जैसे ही हैं, ऊपर की तालिका के अनुसार सही जगह रखें।
चरण 3: प्रॉम्प्ट लिखें, Wan2.2 टेक्स्ट-टू-वीडियो चलाएँ(20 स्टेप में वीडियो)
क्यों: पहले टेम्पलेट के डिफ़ॉल्ट पैरामीटर से पूरी चेन सत्यापित करें। डिफ़ॉल्ट स्टैंडर्ड मोड है: 20 स्टेप, cfg 3.5, euler + simple, हाई-नॉइज़ एक्सपर्ट पहले 10 स्टेप, लो-नॉइज़ एक्सपर्ट बाद के 10 स्टेप चलाता है——ये डिफ़ॉल्ट मान ही आधिकारिक रूप से ट्यून किया गया संतुलन बिंदु हैं, सफलतापूर्वक चलने से पहले जल्दबाज़ी में कुछ न बदलें।
- सबग्राफ नोड के पॉज़िटिव प्रॉम्प्ट(text)में एक पूर्ण दृश्य विवरण लिखें। टेम्पलेट उदाहरण:
Beautiful young European woman with honey blonde hair gracefully turning
her head back over shoulder, gentle smile, bright eyes looking at camera.
Hair flowing in slow motion as she turns. Soft natural lighting, clean
background, cinematic slow-motion portrait.- निगेटिव प्रॉम्प्ट टेम्पलेट में शामिल चीनी पैराग्राफ है, पहले वैसा ही रखें:
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,裸露,NSFW- पुष्टि करें कि
enable_turbo_modeबंद स्थिति में है(डिफ़ॉल्ट रूप से बंद) Ctrl+Enterदबाकर चलाएँ
आपको यह दिखना चाहिए: प्रोग्रेस बार पूरे 20 स्टेप चलता है, वीडियो SaveVideo नोड द्वारा आउटपुट डायरेक्टरी के video/ सबडायरेक्टरी में सहेजा जाता है(फ़ाइल नाम ComfyUI से शुरू, फ़ॉर्मेट डिफ़ॉल्ट auto), रेज़ोल्यूशन 640×640, 81 फ़्रेम, 16fps, अवधि लगभग 5 सेकंड। टेम्पलेट का परीक्षित नोट(RTX 4090D, 640×640): स्टैंडर्ड मोड(fp8_scaled)पहली बार लगभग 536 सेकंड, दूसरी बार लगभग 513 सेकंड।
- आउटपुट डायरेक्टरी में आपका पहला Wan2.2 14B वीडियो दिखेगा
चरण 4: Turbo मोड चालू करें, 4 स्टेप में तेज़ वीडियो
क्यों: 20 स्टेप में आठ-नौ मिनट इंतज़ार करना पड़ता है, बार-बार प्रॉम्प्ट आज़माना बहुत धीमा है। टेम्पलेट में lightx2v 4 स्टेप LoRA का ऑटो स्विच बना है——एक स्विच से साथ-साथ मॉडल पाथ, स्टेप संख्या और cfg बदल जाते हैं, तीन जगहों पर मैन्युअल रूप से बदलने की ज़रूरत नहीं।
- पुष्टि करें कि दोनों 4steps LoRA डाउनलोड होकर सही जगह पर हैं(चरण 2 का वैकल्पिक भाग)
- सबग्राफ नोड पर
enable_turbo_modeचालू करें - चलाएँ
आपको यह दिखना चाहिए: इस बार सिर्फ 4 चरण चलते हैं — हाई-नॉइज़ एक्सपर्ट 0→2, लो-नॉइज़ एक्सपर्ट 2→4, cfg घटकर 1 हो जाता है; टेम्पलेट के वास्तविक माप: पहला क्लिप लगभग 108 सेकंड, दूसरा क्लिप लगभग 71 सेकंड।
- Turbo मोड सफलतापूर्वक चला, वीडियो बनने का समय काफी कम हो गया
स्विच के पीछे क्या होता है:
| पैरामीटर | स्टैंडर्ड मोड | Turbo मोड |
|---|---|---|
| कुल चरण | 20 | 4 |
| हाई-नॉइज़/लो-नॉइज़ सीमा | चरण 10 | चरण 2 |
| cfg | 3.5 | 1 |
| Lightning LoRA | नहीं लगाया जाता | हाई-नॉइज़ और लो-नॉइज़ पर एक-एक लगाया जाता है (strength 1.0) |
| उपयुक्त | अंतिम वीडियो बनाने के लिए | प्रॉम्प्ट जल्दी आज़माने और कंपोज़िशन चुनने के लिए |
⚠️ Turbo से कंपोज़िशन चुनें, अंतिम वीडियो स्टैंडर्ड मोड से बनाएं
4 चरण वाला Turbo, चरणों को गति से बदलने वाली त्वरण योजना है। सुझाया गया वर्कफ़्लो: Turbo चालू रखकर प्रॉम्प्ट और कंपोज़िशन का बैच ट्रायल करें, चुन लेने के बाद स्विच बंद करके 20 चरण वाले स्टैंडर्ड मोड से अंतिम रन करें।
चरण 5: रेज़ोल्यूशन, अवधि और फ़्रेम संख्या बदलें
क्यों: टेम्पलेट का डिफ़ॉल्ट 640×640, 5 सेकंड तय नहीं है; लेकिन चौड़ाई, ऊँचाई और फ़्रेम संख्या के अपने-अपने स्टेप-साइज़ नियम हैं, बेतरतीब भरने पर समस्या आएगी।
सबग्राफ़ नोड पर तीन पैरामीटर:
| पैरामीटर | टेम्पलेट डिफ़ॉल्ट | नियम | विवरण |
|---|---|---|---|
| width | 640 | 16 का गुणज | latent नोड के स्टेप-साइज़ 16 से मेल खाता है |
| height | 640 | 16 का गुणज | ऊपर जैसा ही |
| duration | 5 | इकाई: सेकंड | फ़्रेम संख्या आंतरिक रूप से स्वतः बदली जाती है: length = duration × fps + 1 |
- 480P चलाना चाहते हैं: width में 848 और height में 480 भरें (
EmptyHunyuanLatentVideoनोड का अपना डिफ़ॉल्ट मान भी यही सेट है) - 720P चलाना चाहते हैं: width में 1280 और height में 720 भरें (आधिकारिक कमांड-लाइन उदाहरण में भी यही साइज़ इस्तेमाल हुई है)
- अवधि बदलनी है: duration (सेकंड) सीधे बदलें। 5 सेकंड × 16fps + 1 = 81 फ़्रेम; 3 सेकंड करने पर 49 फ़्रेम होंगे
- फ़्रेम रेट सबग्राफ़ के भीतर CreateVideo नोड पर है (टेम्पलेट में 16 सेट है), आम तौर पर इसे छेड़ने की ज़रूरत नहीं — अवधि बदलने के लिए duration बदलना ही काफ़ी है
आपको यह दिखना चाहिए: पैरामीटर बदलकर दोबारा चलाने पर आउटपुट वीडियो का रेज़ोल्यूशन और अवधि उसी हिसाब से बदल जाता है।
- width / height / duration बदल सकते हैं, और बता सकते हैं कि फ़्रेम संख्या 4n+1 क्यों होती है
फ़्रेम संख्या फिर भी 4n+1 क्यों?
EmptyHunyuanLatentVideo जनरेट किया गया latent समय आयाम में 4 गुना संकुचित होता है: length फ़्रेम ((length−1)÷4)+1 समय-स्लाइस में सिकुड़ जाते हैं। इसलिए length केवल 1, 5, 9……81 जैसी 4n+1 वाली वैल्यू ही ले सकता है, और नोड का स्टेप-साइज़ 4 रखना यही सुनिश्चित करता है। duration × fps + 1 (5×16+1=81) ठीक इसी संख्या-श्रृंखला पर पड़ता है।
चेकपॉइंट ✅
- स्टैंडर्ड मोड सफलतापूर्वक चला: 20 चरण, 640×640, 81 फ़्रेम, लगभग 5 सेकंड का वीडियो आउटपुट डायरेक्टरी में दिखा
- Turbo मोड सफलतापूर्वक चला: 4 चरणों में वीडियो बना, समय घटकर 2 मिनट से कम रहा (24GB कार्ड के माप पर)
- चार फ़ाइलों के नाम और उनकी डायरेक्टरी बता सकते हैं (diffusion_models ×2 / text_encoders / vae)
- MoE डबल-एक्सपर्ट का विभाजन बता सकते हैं: हाई-नॉइज़ समग्र लेआउट संभालता है, लो-नॉइज़ बारीकी की फ़ाइनल पॉलिश करता है, कुल पैरामीटर 27B, हर चरण पर सक्रिय 14B
- जानते हैं कि चौड़ाई-ऊँचाई 16 का गुणज और length 4n+1 लेता है, और खुद 480P/720P तथा अवधि बदल सकते हैं
आम ग़लतियों की चेतावनी
❌ केवल एक diffusion फ़ाइल डाउनलोड की
14B डबल-एक्सपर्ट है: high_noise और low_noise दोनों फ़ाइलें ज़रूरी हैं। केवल एक डाउनलोड करने पर सबग्राफ़ नोड पर दूसरे unet की ड्रॉपडाउन सूची में फ़ाइल नहीं दिखेगी और वर्कफ़्लो नहीं चलेगा।
सही तरीका: चरण 2 की तालिका के अनुसार चारों फ़ाइलें पूरी डाउनलोड करें, हाई-नॉइज़ और लो-नॉइज़ दोनों अपनी-अपनी जगह पर रखें।
❌ VAE फिर ग़लत डाउनलोड हुआ: इस बार 2.1 वाला चाहिए
पिछले पाठ में 5B ने wan2.2_vae इस्तेमाल किया था, इस पाठ में 14B इसके उलट wan_2.1_vae इस्तेमाल करता है (आधिकारिक रूप से Wan2.2 के साथ संगत बताया गया है)। दोनों मॉडल परिवारों के latent चैनल संख्या अलग हैं (5B के 48 चैनल, 14B के 16 चैनल), VAE को आपस में मिलाकर इस्तेमाल नहीं कर सकते।
सही तरीका: इस पाठ में केवल wan_2.1_vae.safetensors मान्य है, पिछले पाठ का VAE सुविधा के लिए दोबारा इस्तेमाल न करें।
❌ Turbo चालू रखा लेकिन LoRA फ़ाइल डाउनलोड नहीं की
enable_turbo_mode चालू होने पर टेम्पलेट दोनों सैंपलर के मॉडल इनपुट को LoRA वाले पाथ पर स्विच कर देता है; LoRA फ़ाइल models/loras/ में न हो तो ड्रॉपडाउन सूची में चुनी नहीं जाएगी और काम सीधे अटक जाएगा।
सही तरीका: पहले दोनों wan2.2_t2v_lightx2v_4steps_lora_v1.1_*.safetensors (हर एक 1.14 GB) डाउनलोड करके सही जगह रखें, फिर स्विच चालू करें।
❌ VRAM 24GB से कम होने पर भी 720P ज़बरदस्ती चलाना
टेम्पलेट का डिफ़ॉल्ट 640×640 होने की एक वजह है: टेम्पलेट के वास्तविक परीक्षण में 24GB कार्ड पर इस साइज़ पर ही 84% VRAM खा लिया गया था। सीधे 1280×720 पर जाने से latent बड़ा हो जाता है, VRAM उपयोग भी बढ़ता है, और OOM होने की पूरी संभावना है।
सही तरीका: पहले अवधि घटाएँ (duration 5→3), फिर चौड़ाई-ऊँचाई को 16 के गुणजों में छोटा करें (ध्यान दें कि 848×480 और 640×640 के पिक्सेल लगभग बराबर हैं, उस पर जाने से VRAM ज़्यादा नहीं बचेगा)। अगर VRAM सच में बहुत कम हो, तो नीचे दिया GGUF क्वांटाइज़ेशन विकल्प देखें।
एडवांस्ड टिप्स (वैकल्पिक)
प्रॉम्प्ट एक्सटेंशन: छोटे वाक्य से लंबे वाक्य
आधिकारिक सिफ़ारिश है कि वीडियो के विवरण को समृद्ध करने के लिए प्रॉम्प्ट एक्सटेंशन (prompt extension) चालू करें: आधिकारिक स्क्रिप्ट dashscope API के qwen-plus (टेक्स्ट-टू-वीडियो टास्क) से एक्सटेंशन करती है, और आप इसकी जगह लोकल Qwen मॉडल (जैसे Qwen2.5-14B-Instruct) भी इस्तेमाल कर सकते हैं। ComfyUI टेम्पलेट में यह चरण नहीं है, लेकिन विचार सीधे उठाया जा सकता है: छोटे वाक्य को पहले किसी भी LLM से विस्तारित कराकर पूर्ण दृश्य विवरण बनवाएँ, फिर उसे पॉज़िटिव प्रॉम्प्ट में पेस्ट करें।
आधिकारिक मॉडल कार्ड का टेक्स्ट-टू-वीडियो उदाहरण प्रॉम्प्ट बस एक छोटा वाक्य है:
Two anthropomorphic cats in comfy boxing gear and bright gloves fight
intensely on a spotlighted stage.VRAM कम पड़े: GGUF क्वांटाइज़्ड संस्करण
कम्युनिटी में T2V-A14B का GGUF क्वांटाइज़्ड संस्करण उपलब्ध है (bullerwins/Wan2.2-T2V-A14B-GGUF, QuantStack का Wan2.2 GGUF संग्रह), जिसे city96/ComfyUI-GGUF कस्टम नोड से लोड किया जाता है——कम VRAM पर 14B चलाने का मुख्य समाधान, विस्तृत उपयोग देखें GGUF क्वांटाइज़्ड मॉडल।
आधिकारिक प्रॉम्प्ट गाइड
Alibaba आधिकारिक रूप से एक Wan2.2 प्रॉम्प्ट गाइड (DingTalk दस्तावेज़) मेंटेन करता है, जो चीनी और अंग्रेज़ी दोनों प्रॉम्प्ट को सपोर्ट करता है——इस पाठ्यक्रम के टेम्पलेट में शामिल नेगेटिव प्रॉम्प्ट वैसे भी चीनी में ही है।
इस पाठ का सारांश
✅ इस पाठ में Wan2.2 टेक्स्ट-टू-वीडियो का 14B डुअल-एक्सपर्ट वर्कफ़्लो सफलतापूर्वक चलाया:
- ✅ स्टैंडर्ड मोड: चार-भाग के वेट + आधिकारिक टेम्पलेट, 20 स्टेप, cfg 3.5, euler + simple, 640×640 पर लगभग 5 सेकंड में आउटपुट
- ✅ MoE सिद्धांत: हाई-नॉइज़ एक्सपर्ट कंपोज़िशन संभालता है, लो-नॉइज़ एक्सपर्ट विवरण संभालता है, कुल पैरामीटर 27B, हर स्टेप पर केवल 14B सक्रिय, कंप्यूट नहीं बढ़ता
- ✅ Turbo मोड:
enable_turbo_modeएक स्विच, 4 स्टेप LoRA + cfg 1, प्रॉम्प्ट टेस्टिंग में बड़ी तेज़ी - ✅ पैरामीटर नियम: चौड़ाई-ऊँचाई 16 के गुणज, length = 4n+1, और खुद 480P/720P व अवधि बदलना सीखा
मुख्य कॉन्फ़िगरेशन फ़ील्ड्स की समीक्षा:
| फ़ील्ड | अनुशंसित मान | विवरण |
|---|---|---|
| high_noise_model | wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors | हाई-नॉइज़ एक्सपर्ट, डीनॉइज़िंग का पहला भाग संभालता है |
| low_noise_model | wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors | लो-नॉइज़ एक्सपर्ट, डीनॉइज़िंग का दूसरा भाग संभालता है |
| clip_name | umt5_xxl_fp8_e4m3fn_scaled.safetensors | type में wan चुनें, 2.1 रिपॉज़िटरी की फ़ाइल पुनः उपयोग करें |
| vae_name | wan_2.1_vae.safetensors | आधिकारिक रूप से Wan2.2 के साथ संगत बताया गया है, 5B वाला इस्तेमाल न करें |
| सैंपलिंग (स्टैंडर्ड मोड) | 20 स्टेप / cfg 3.5 / euler + simple / सीमा 10वें स्टेप पर | टेम्पलेट डिफ़ॉल्ट |
| सैंपलिंग (Turbo) | 4 स्टेप / cfg 1 / सीमा 2वें स्टेप पर + दो 4steps LoRA | enable_turbo_mode चालू |
| ModelSamplingSD3 | shift 5 (हाई-नॉइज़ और लो-नॉइज़ के लिए एक-एक) | टेम्पलेट डिफ़ॉल्ट |
| width / height | 640×640 (16 का गुणज) | 480P पर 848×480, 720P पर 1280×720 |
| duration | 5 सेकंड (length = duration×fps+1 = 81 फ़्रेम) | fps 16 सबग्राफ़ के अंदर CreateVideo |
| SaveVideo | video/ComfyUI प्रीफ़िक्स, फ़ॉर्मैट auto | आउटपुट video/ सबडायरेक्टरी में |
अगले पाठ की झलक
टेक्स्ट-टू-वीडियो शून्य से रचना है; अगले पाठ में मौजूदा तस्वीरों को हिलाडालेंगे: Wan2.2 14B इमेज-टू-वीडियो: तस्वीरों को गतिमान बनाएँ। आप सीखेंगे:
- 14B इमेज-टू-वीडियो के समर्पित वेट कैसे दिखते हैं (ध्यान दें: I2V एक fp16 फ़ाइल है, इस पाठ की fp8 से अलग)
- Load Image से पहला फ़्रेम अपलोड करें, वीडियो आपकी तस्वीर से चलना शुरू होता है
- कब T2V से शून्य से रचना करें, कब I2V से मौजूदा सामग्री को रूपांतरित करें
परिशिष्ट: सोर्स कोड संदर्भ
पर क्लिक करके सोर्स कोड की स्थिति देखें
अपडेट समय: 2026-11-05 (टेम्पलेट लाइब्रेरी का टेम्पलेट video_wan2_2_14B_t2v, आधिकारिक रूप से चिह्नित न्यूनतम ComfyUI संस्करण 0.16.4)
| सामग्री | स्थान |
|---|---|
| आधिकारिक ट्यूटोरियल (Wan2.2, 14B T2V सेक्शन शामिल) | https://docs.comfy.org/tutorials/video/wan/wan2_2 |
| वर्कफ़्लो टेम्पलेट JSON | https://github.com/Comfy-Org/workflow_templates/blob/main/templates/video_wan2_2_14B_t2v.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 मॉडल कार्ड (T2V-A14B: MoE 27B/14B, 480P/720P, 80GB आधार) | https://huggingface.co/Wan-AI/Wan2.2-T2V-A14B |
EmptyHunyuanLatentVideo नोड सोर्स कोड | comfy_extras/nodes_hunyuan.py (L43–L64) |
इस पृष्ठ के पैरामीटर (स्टैंडर्ड मोड 20 स्टेप / cfg 3.5 / बाउंड्री 10वाँ स्टेप, Turbo 4 स्टेप / cfg 1 / बाउंड्री 2वाँ स्टेप, shift 5, 640×640 / 81 फ़्रेम / fps 16, चार-फ़ाइल सेट और LoRA फ़ाइल नाम व आकार, परीक्षण नोट्स 536s / 108s) सभी टेम्पलेट JSON video_wan2_2_14B_t2v.json के वास्तविक नोड मानों से सत्यापित हैं; MoE आर्किटेक्चर, 480P/720P और VRAM आधार Wan-AI मॉडल कार्ड तथा आधिकारिक ट्यूटोरियल से लिए गए हैं।