Wan: Video aus Text und aus Foto
Offenes Video direkt in ComfyUI - ein Bild zum Leben erwecken oder einen Clip von Grund auf bauen, und ein nüchterner Blick auf die Hardware
Was Wan von Alibaba ist, wie sich 2.1 und 2.2 unterscheiden, wie man Text-zu-Video und image-to-video in ComfyUI nutzt und warum Wan 2.5 ein geschlossenes API bleibt. Realistische Erwartungen an Videolänge und Renderzeit.
Video ist kein Kunststück für Eingeweihte mehr
Noch vor kurzem war es fast unmöglich, Video lokal zu generieren: entweder bezahlter Dienst oder Verrenkungen mit endlosen Werkzeugen. 2026 ist offenes Video in ComfyUI angekommen, und hier regiert Wan Wan - eine Familie offener Videomodelle von Alibaba. Wan 2.1 (Anfang 2025) und Wan 2.2 (Mitte 2025) wurden mit offenen Gewichten veröffentlicht und laufen in ComfyUI. Können Video aus Text generieren und ein statisches Foto zum Leben erwecken. von Alibaba. Modell herunterladen - und du machst kurze Clips auf deiner Grafikkarte.
Zwei Modi: aus Text und aus Foto
- Text-zu-Video (T2V). Du beschreibst eine Szene mit Worten - das Modell baut einen Clip von Grund auf. Praktisch, wenn es keine Vorlage gibt: „Kaffee wird langsam in eine Tasse gegossen, Dampf steigt auf“.
- Foto-zu-Video (I2V, image-to-video). Du gibst ein fertiges Bild - das Modell erweckt es zum Leben: fügt Bewegung, Wind, Reflexionen, leichte Animation hinzu. Hier steckt die Magie für den Vibecoder: hast du einen Frame in FLUX oder Qwen gezeichnet - machst du ihn mit Wan zu einem lebendigen Clip.
Die Verbindung, die man sich merken sollte: FLUX/Qwen zeichnet den Frame - Wan erweckt ihn zum Leben. Erst das perfekte Bild, dann Bewegung. So hat man mehr Kontrolle, als Video direkt aus Text zu verlangen.
Welches Wan man nimmt
Innerhalb von Wan 2.2 gibt es Varianten für unterschiedliche Hardware - dasselbe Prinzip „leicht gegen schwer“ wie bei Bildern.
- Ein kompakter Checkpoint für beide Modi (Text- und Foto-zu-Video).
- Sparsamer mit Videospeicher - realistischer auf einer Heimkarte zu starten.
- Schneller - praktisch zum Ausprobieren und Durchprobieren.
- Höhere Qualität - sauberere Bewegung und Details.
- Getrennte Checkpoints für Text- und Foto-zu-Video.
- Braucht eine leistungsstarke Grafikkarte und mehr Zeit zum Rendern.
Und wo ist Wan mit Ton?
Dir wird Wan 2.5 begegnen - dort gibt es synchronen Ton, 1080p und längere Clips. Klingt großartig, aber es gibt einen Haken: die Gewichte von Wan 2.5 sind geschlossen Wan 2.5 - eine Version vom September 2025 mit synchronem Ton, 1080p-Auflösung und längeren Clips. Aber ihre Gewichte sind NICHT veröffentlicht: Zugang nur über ein kostenpflichtiges API, lokal nicht ausführbar. - das ist ein kostenpflichtiges API, kein Modell zum Herunterladen. In ComfyUI arbeitest du mit den offenen 2.1 und 2.2. Ton fügt man gewöhnlich in einem separaten Schritt oder Werkzeug nach der Videogenerierung hinzu.
Start und nüchterne Erwartungen
- Aktualisiere ComfyUI auf eine aktuelle Version - Wan wird nativ unterstützt, im Menü gibt es fertige Vorlagen.
- Lade Wan 2.2 herunter: schwache Hardware - TI2V-5B, leistungsstarke - A14B. Sehr schwache - suche nach einer quantisierten (GGUF) Version.
- Wähle den Modus: fertiges Foto zum Leben erwecken (I2V) oder aus Text aufbauen (T2V). Einsteiger - I2V.
- Öffne die entsprechende Wan-Vorlage aus den ComfyUI-Beispielen.
- Für I2V gib dein Bild und eine kurze Beschreibung der Bewegung an. Starte und gib dem Rendern Zeit.
Häufige Fehler mit Video
- Das schwere A14B auf schwache Hardware setzen. Es stürzt wegen Speichermangels ab. Für Heimhardware - das leichte TI2V-5B oder GGUF.
- Einen Film erwarten. Lokales Open-Source-Video - das sind kurze Clips. Realistische Erwartungen schonen die Nerven.
- Direkt mit Text-zu-Video anfangen. Weniger Kontrolle über den Frame. Fang mit dem Beleben eines fertigen Fotos an.
- Wan 2.5 zum Herunterladen suchen. Ihre Gewichte sind geschlossen. Lokal - nur 2.1 / 2.2.
- Zu komplexe Bewegung beschreiben. Eine einfache und klare Bewegung macht Wan sauberer als zehn gleichzeitige Aktionen im Bild.
TL;DR - если коротко
- Wan (Alibaba) - die wichtigsten offenen Videomodelle des Jahres 2026. Wan 2.1 und 2.2 - mit offenen Gewichten, laufen nativ in ComfyUI.
- Zwei Modi: Text-zu-Video (Clip von Grund auf nach Beschreibung) und Foto-zu-Video (image-to-video) - ein fertiges Bild zum Leben erwecken. Das Zweite ist das Interessanteste.
- Wan 2.2 gibt es in einer leichten Variante (ein kompakter Checkpoint TI2V-5B) und einer schweren (A14B - sauberer, aber hungriger nach Videospeicher).
- Wan 2.5 hat Ton und 1080p hinzugefügt, ist aber bereits ein geschlossenes API - das Modell lässt sich lokal nicht betreiben. In ComfyUI arbeitest du mit den offenen 2.1 / 2.2.
- Nüchterne Einstellung: Video frisst Videospeicher und Zeit. Clips sind kurz (Sekunden), das Rendern ist nicht augenblicklich. Schwache Hardware - nimm das leichte TI2V-5B oder eine quantisierte Version.