~9 мин

Wan: видео из текста и из фото

Открытое видео прямо в ComfyUI - оживить картинку или собрать ролик с нуля, и трезво про железо

Что такое Wan от Alibaba, чем Wan 2.1 и 2.2 отличаются, как сделать видео из текста (T2V) и оживить фото (image-to-video), почему Wan 2.5 со звуком - закрытый API, и как запустить видеогенерацию на слабой видеокарте. Реалистичные ожидания по длине ролика и времени рендера.

Видео перестало быть магией для избранных

Ещё недавно сгенерировать видео локально было почти невозможно: либо платный сервис, либо танцы с бубном. В 2026-м открытое видео приехало в ComfyUI, и правит тут Wan от Alibaba. Скачал модель - и делаешь короткие ролики у себя на видеокарте.

Sodi оживляет одно фото: из кадра вырываются линии движения и киноплёнка — Image-to-video: Sodi оживляет готовый кадр в короткий ролик.

Два режима: из текста и из фото

Текст-в-видео (T2V). Описываешь сцену словами - модель собирает ролик с нуля. Удобно, когда исходника нет: «кофе медленно наливается в чашку, пар поднимается».
Фото-в-видео (I2V, image-to-video). Даёшь готовую картинку - модель её оживляет: добавляет движение, ветер, блики, лёгкую анимацию. Вот где магия для вайбкодера: сгенерировал кадр во FLUX или Qwen - и Wan’ом превратил его в живой ролик.

Связка, которую стоит запомнить: FLUX/Qwen рисует кадр - Wan его оживляет. Сначала идеальная картинка, потом движение. Так контроля больше, чем просить видео сразу из текста.

Какую Wan брать

Внутри Wan 2.2 есть варианты под разное железо - тот же принцип «лёгкий против тяжёлого», что и с картинками.

Wan 2.2 TI2V-5B (лёгкая)

Один компактный чекпоинт на оба режима (текст- и фото-в-видео).
Скромнее к видеопамяти - реальнее запустить на домашней карте.
Быстрее - удобно пробовать и перебирать.

Wan 2.2 A14B (тяжёлая)

Качество выше - чище движение и детали.
Отдельные чекпоинты под текст- и фото-в-видео.
Просит мощную видеокарту и больше времени на рендер.

А где Wan со звуком?

Тебе попадётся Wan 2.5 - там и синхронный звук, и 1080p, и ролики подлиннее. Звучит шикарно, но есть нюанс: веса Wan 2.5 закрыты - это платный API, а не модель для скачивания. В ComfyUI ты работаешь с открытыми 2.1 и 2.2. Звук к ним обычно добавляют отдельным шагом или инструментом уже после генерации видео.

Запуск и трезвые ожидания

Видео на Wan - по шагам


Обнови ComfyUI до свежей версии - Wan поддержан нативно, в меню есть готовые шаблоны.
Скачай Wan 2.2: слабое железо - TI2V-5B, мощное - A14B. Очень слабое - ищи квантованную (GGUF) сборку.
Реши режим: оживить готовое фото (I2V) или собрать из текста (T2V). Новичку - I2V.
Открой соответствующий шаблон Wan из примеров ComfyUI.
Для I2V подай свою картинку и короткое описание движения. Запусти и дай времени на рендер.

Частые ошибки с видео

Ставить тяжёлую A14B на слабую карту. Вылетит по памяти. Под домашнее железо - лёгкая TI2V-5B или GGUF.
Ждать кино. Локальное опенсорс-видео - это короткие клипы. Реалистичные ожидания экономят нервы.
Идти сразу в текст-в-видео. Меньше контроля над кадром. Начни с оживления готового фото.
Искать Wan 2.5 для скачивания. Её веса закрыты. Локально - только 2.1 / 2.2.
Описывать слишком сложное движение. Простое и понятное движение Wan делает аккуратнее, чем десять одновременных действий в кадре.

TL;DR - если коротко

Wan (Alibaba) - главные открытые видеомодели 2026 года. Wan 2.1 и 2.2 - с открытыми весами, работают в ComfyUI нативно.
Два режима: текст-в-видео (ролик с нуля по описанию) и фото-в-видео (image-to-video) - оживить готовую картинку. Второе - самое вкусное.
Wan 2.2 есть в лёгком варианте (один компактный чекпоинт TI2V-5B) и тяжёлом (A14B - чище, но прожорливее к видеопамяти).
Wan 2.5 добавил звук и 1080p, но это уже закрытый API - локально веса не запустить. В ComfyUI работаешь с открытыми 2.1 / 2.2.
Трезвый настрой: видео ест видеопамять и время. Ролики короткие (секунды), рендер не мгновенный. Слабое железо - бери лёгкую TI2V-5B или квантованную сборку.

Скилл урока для ИИ-агента (.md) Все уроки