WAN 2.2 image-to-video — нейросеть, на которой мы делаем видео из картинки для заказов: на входе кадр, на выходе короткий вертикальный ролик. Ниже наш рабочий граф WAN 2.2 в ComfyUI по нодам, с настройками из самого файла графа. Пригодится, если вы хотите оживлять фото нейросетью WAN не по одному, а сотнями.
Сведения о самой модели взяты из официального репозитория Wan2.2, карточек на Hugging Face и документации ComfyUI; цифры о нашем пайплайне — из нашего графа и тестовых прогонов.
Что такое WAN 2.2 image-to-video и почему мы на нём работаем
WAN 2.2 — открытое семейство видеомоделей от команды Wan из Alibaba. Веса и код вышли в июле 2025 года под лицензией Apache 2.0. Это про сам WAN: у LoRA, апскейлеров и аудиомоделей в том же графе свои условия (как их проверять — в гайде о лицензиях моделей с Civitai).
Модель image-to-video, I2V-A14B, состоит из двух экспертов примерно по 14B параметров: всего 27B, но на каждом шаге работают только 14B. High-noise эксперт ведёт ранние шаги расшумления и задаёт композицию и движение, low-noise эксперт подключается позже и прорабатывает детали. В официальном коде переключение идёт по порогу соотношения сигнал/шум, в ComfyUI его делают руками: по загрузчику и семплеру на каждого эксперта. Официально модель поддерживает 480P и 720P (480×832, 832×480, 720×1280, 1280×720), клип по умолчанию — 81 кадр при 16 fps, чуть больше 5 секунд.
Почему именно он: за ролик мы платим временем GPU, а не вендору поштучно; любую ноду можно поменять; граф можно заморозить, чтобы 300-й ролик партии вышел из того же пайплайна, что и третий.
Наш граф WAN 2.2 в ComfyUI по шагам
Один прогон превращает одну стартовую картинку и короткий бриф в один вертикальный ролик около 10 секунд с музыкой.
| № | Шаг | Что происходит | Основные ноды |
|---|---|---|---|
| 1 | Стартовый кадр | Картинка, которую оживляем, вертикальная | LoadImage |
| 2 | Режиссёр движения | Локальная мультимодальная LLM смотрит на картинку и бриф и пишет три промпта: движение для части 1, движение для части 2, теги музыки | ноды LLM, парсер JSON |
| 3 | Клип 1 | WAN 2.2 I2V 14B, 81 кадр в 624×1104, сначала high-noise, потом low-noise эксперт | WanImageToVideo, 2× KSamplerAdvanced |
| 4 | Клип 2 | Стартует с последнего кадра клипа 1, второй промпт | ImageFromBatch, WanImageToVideo |
| 5 | Склейка | 162 кадра, около 10 с при 16 fps | ImageBatchMulti |
| 6 | Интерполяция | RIFE 4.9 удваивает кадры: 16 → 32 fps | RIFE VFI |
| 7 | Апскейл | NVIDIA RTX Video Super Resolution ×2.5 | RTXVideoSuperResolution |
| 8 | Музыка | Трек на 10 секунд по тегам режиссёра | Stable Audio (основная сборка) или ACE-Step (облегчённая) |
| 9 | Кодирование | mp4, H.264, CRF 25, 32 fps, обрезка по длине звука | VHS_VideoCombine |
Апскейл переводит 624×1104 примерно в 1560×2760 — это больше, чем 1080×1920, которые нужны вертикальным площадкам.
Музыка в заказах — по желанию: по умолчанию ролики сдаём без звука, по запросу пайплайн генерирует фоновую дорожку или мы накладываем ваш трек.
Режиссёр движения
Один общий промпт на всю партию даёт одинаковое безликое движение, а писать промпт к каждой картинке руками на сотнях кадров не получится. Поэтому первая нода графа — мультимодальная LLM, которая работает локально на той же GPU-машине, что и WAN. Она получает стартовую картинку и короткий бриф и возвращает JSON с тремя полями. Системный промпт требует описать объект ровно так, как он выглядит на картинке, дать два-три конкретных действия и подсказку для камеры, а в теги музыки добавить фоновые звуки сцены.
Бриф пишется коротко и просто, можно по-русски: режиссёр сам переводит его на английский.
Девушка с картинки медленно поднимает чашку, делает один глоток и улыбается в камеру.
Одно непрерывное действие. Статичный средний план, камера не двигается.Два клипа и шов
Одна генерация в нашем графе — 81 кадр, около 5 секунд. Чтобы получить 10, граф берёт 81-й кадр первого клипа стартовым кадром второго. Клип 2 — новая генерация со своим промптом и своим шумом, поэтому шов в районе 5-й секунды — самое слабое место пайплайна. Причин мы нашли две:
- Скачок камеры. Режиссёр пишет «средний план» для первой части и «крупный» для второй, и WAN честно это рендерит. Лечится жёсткой фиксацией камеры в системном промпте режиссёра: один и тот же план и ракурс в обеих частях, никакого зума на стыке, вторая часть начинается с той позы, где закончилась первая, и одна и та же фраза про камеру слово в слово в обоих промптах.
- Подмена предмета или действия. Если в брифе несколько действий, режиссёр раскидывает их по частям, и второй клип начинается уже с другим предметом в руке. Фиксация камеры тут не помогает; помогает бриф с одним непрерывным действием на все 10 секунд.
Чистый стык получается только при обоих условиях. Динамичный фон с летающими объектами или молниями всё равно может слегка измениться во втором клипе; спокойные сцены держатся гораздо лучше.
Почему стартовая картинка решает всё
В image-to-video первый кадр — главная инструкция для модели: внешность, одежда, свет, палитра и композиция берутся из него. Слабый кадр WAN не исправит, а оживит вместе со всеми недостатками. Перед партией проверяем каждую стартовую картинку:
- Формат. Вертикаль, близко к 9:16, не меньше рабочего размера (624×1104 в основной сборке).
- Место для движения. Если рука поднимется или голова повернётся, оставьте для этого место. Объект, обрезанный краем кадра с той стороны, куда он движется, — частая причина брака.
- Действие начинается в кадре. Оживить чашку, которая уже есть, надёжнее, чем просить модель её принести.
- Детали, которые должны остаться. Очки, шляпы, цепочки и логотипы должны быть хорошо видны. Мелкие аксессуары «уплывают» первыми — и внутри клипа, и на стыке.
- Никакого текста поверх. Подписи и водяные знаки размазываются; титры лучше добавить при монтаже.
Кадры одной партии должны ещё и быть согласованы между собой. Если их пока нет, сначала делаем их: по референсам на FLUX.1 Kontext [pro] или Nano Banana либо как фото товаров для каталога — это услуга ИИ-фото товаров.
Что WAN 2.2 делает хорошо, а где ломается
Достаточно надёжно для пачек: одно медленное непрерывное действие одного персонажа; мягкая физика — дым, пар, дождь, вода, ткань, волосы, шерсть; свет, который меняется или движется по сцене; статичный план или медленный наезд камеры.
Плохо или ненадёжно:
- Сложная работа камеры. Облёт вокруг объекта и пролёты требуют показать стороны, которых нет на стартовой картинке, и модель их придумывает.
- Быстрое действие. Трюки и драки. В карточке Lightning среди известных ограничений text-to-video версии названы артефакты на очень резком движении и машины, которые едут задом наперёд; для image-to-video это тоже полезное предупреждение.
- Руки крупным планом. Пальцы слипаются, множатся или гнутся не туда.
- Текст и логотипы в движении. Стартуют точными, потому что первый кадр — ваша картинка, а потом расплываются или меняют форму.
Настройки WAN 2.2 i2v: Lightning LoRA, шаги, разрешение, fp8
Наши значения рядом с официальными значениями по умолчанию для I2V-A14B:
| Параметр | Официально по умолчанию | Наша основная сборка | Облегчённая сборка |
|---|---|---|---|
| Шаги семплинга | 40 | 8 (4 high + 4 low) | 6 (3 + 3) |
| CFG | 3.5 | 1.0 | 1.0 |
| Shift | 5.0 | 5.0 | 5.0 |
| Кадров в клипе | 81 при 16 fps | 81 | 81 |
| Разрешение | 480P или 720P | 624×1104 | 480×848 |
| Веса | fp16 в файлах ComfyUI | fp8, scaled | fp8, scaled |
| Lightning LoRA | нет | сила 0.9 | сила 0.9 |
Lightning LoRA. Wan2.2-Lightning от команды lightx2v — дистиллированная по шагам версия моделей A14B. В карточке сказано, что ей хватает 4 шагов без CFG, и заявлено ускорение в 20 раз. Для image-to-video это две LoRA, по одной на эксперта, подключаются через LoraLoaderModelOnly. Мы ставим 8 или 6 шагов — чуть больше тех 4, под которые её дистиллировали; каждый шаг добавляет время семплинга. Деление шагов между экспертами:
High-noise: KSamplerAdvanced steps 8, start 0, end 4, add_noise on, leftover noise on
Low-noise: KSamplerAdvanced steps 8, start 4, end 8, add_noise off, leftover noise off
Оба: cfg 1.0, euler, simple, ModelSamplingSD3 shift 5.0Побочный эффект CFG 1.0. При CFG 1.0 ComfyUI вообще не считает негативный проход, так что в графе с Lightning негативный промпт ничего не делает. Управляйте результатом позитивным промптом и стартовым кадром.
Разрешение. 624×1104 — почти 9:16, обе стороны кратны 16, по площади кадр между официальными 480P и 720P. Генерируем в среднем размере, а финальный отдаём апскейлу RTX. Облегчённая сборка работает в 480×848 и с SageAttention вместо стандартного внимания PyTorch.
fp8 и видеопамять. Файлы fp8 e4m3fn scaled весят около 15 ГБ на эксперта, вдвое меньше fp16; текстовый энкодер — umT5-XXL в fp8, VAE — от Wan 2.1. По официальному репозиторию, запуск A14B на одной видеокарте в 1280×720 с --offload_model True --convert_model_dtype требует не меньше 80 ГБ видеопамяти. Наш граф тяжелее одного WAN: на той же карте живут LLM-режиссёр (около 20 ГБ весов) и музыкальная модель. Поэтому требуем от 64 ГБ и работаем на арендованных RTX PRO 6000 Blackwell с 96 ГБ.
Скорость — на нашем железе в тот день, по одному прогону на одной RTX PRO 6000 Blackwell: основная сборка — около 7 минут от старта прогона до готового 10-секундного ролика с музыкой; облегчённая отработала граф примерно за 3 минуты.
Как масштабировать WAN 2.2 image-to-video на пачку
Общая механика — в гайде как масштабировать воркфлоу ComfyUI до тысяч генераций. Что специфично для WAN:
- Сначала пробная партия. Выборка из набора, включая сложные картинки. На ней фиксируем стиль брифа и настройки, а клиент утверждает результат.
- Замороженный пайплайн. Версия ComfyUI, кастомные ноды на закреплённых коммитах, файлы моделей сверены по контрольным суммам. Новая идея по настройкам — это новая версия графа; запущенная партия остаётся на старой.
- Пул видеокарт. Небольшие партии идут на наших видеокартах, крупные — на арендованных GPU (Vast.ai), несколько инстансов параллельно. Каждый новый инстанс скачивает около 70 ГБ весов, поэтому холодный старт занимает минуты. Диск даём 110 ГБ: одна из первых попыток упёрлась в место, пока качалась LLM.
- Проверка апскейлера. RTX Video Super Resolution зависит от драйвера и графических библиотек хоста, а не только от модели GPU: та же карта с другим драйвером не смогла загрузить эффект. В объявлениях об аренде этого не видно, поэтому каждый новый инстанс при загрузке проходит короткий тест VSR, а инстанс, который его не прошёл, заменяем.
- Режиссёр каждый раз разный. Сид WAN управляет только шумом, а LLM на каждом прогоне пишет новые промпты, так что тот же сид и тот же бриф не дают тот же ролик. Сохраняйте промпты тех роликов, которые может понадобиться повторить.
- Ручной отсмотр. Каждый ролик смотрит человек: шов, лица и руки, предметы, этикетки. Брак уходит на повторную генерацию.
Когда проще отдать нам
Если нужны готовые ролики, а не проект по сборке пайплайна, это наша услуга массовой генерации видео из фото. Запускаем этот граф или ваш собственный воркфлоу WAN, вручную отсматриваем каждый ролик и сдаём mp4 ZIP-архивом или ссылкой на папку. Цена — от $1.50 за ролик для короткого ролика на 5 секунд; более длинные, как описанные здесь 10-секундные, и более высокое разрешение — по запросу. Настройка и пробная партия входят в заказ, минимальный заказ — $50.
Пришлите несколько картинок и описание нужного движения через форму заявки.
