什么是 Wan2.2？

Wan2.2 是相当于 Wan-2.1 的正统后继的视频生成模型家族。 大体由 2 个模型构成。

  • 14B：切换 high_noise / low_noise 2 个模型的二段构成
  • 5B：在单一模型处理 text2video 和 image2video 的 TI2V 模型＋Wan2.2 VAE

Wan2.2 14B 模型

Wan2.2-A14B 是前半段采样由 high_noise 模型，后半段由 low_noise 模型担当的二段管线。

通过分为 2 个模型，如果不增加 VRAM 的使用量，将模型的大小加倍，谋求性能提升。

推荐设定值

  • 推荐分辨率
    • 480p（854×480）〜 720p（1280×720）
  • 最大帧数
    • 81 帧
  • FPS
    • 经常以 16fps 附近输出
    • 不过，16fps 的话经常会变成像慢动作一样的视频，所以请以 24fps 保存，或者用丢帧来调整。

模型的下载

📂ComfyUI/
└── 📂models/
    ├── 📂diffusion_models/
    │   ├── wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors
    │   ├── wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors
    │   ├── wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
    │   └── wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
    ├── 📂text_encoders/
    │   └── umt5_xxl_fp8_e4m3fn_scaled.safetensors
    ├── 📂unet/
    │   ├── wan2.2_t2v_high_noise_14B-XXXX.gguf    ← 仅在使用 gguf 时
    │   ├── wan2.2_t2v_low_noise_14B-XXXX.gguf     ← 仅在使用 gguf 时
    │   ├── wan2.2_i2v_high_noise_14B-XXXX.gguf    ← 仅在使用 gguf 时
    │   └── wan2.2_i2v_low_noise_14B-XXXX.gguf     ← 仅在使用 gguf 时
    └── 📂vae/
        └── wan_2.1_vae.safetensors

text2video（14B）

使用 KSampler Advanced，前半用 high_noise，后半用 low_noise 模型处理。

Wan2.2_text2video_14B.json
  • 🟩 指定全体 20 steps 中，在第几 step 切换 high_noise → low_noise
    • 关于这个切换的时机，规定推荐 “非噪声部分”和“噪声部分”的比例 为 1 : 1 时。
    • 虽然可以计算这个，但 Sampler / Scheduler / sigma_shift / step 数相互纠缠很难。
    • 而且，也没理由说完全对上的就一定是最佳。
    • 在这个工作流中，在 4 steps 切换，首先请以此为基准尝试各种设定。
  • 🟨🟥 文本编码器和 VAE 与 Wan2.1 相同。

image2video（14B）

Wan2.2_image2video_14B.json
  • 🟦 初始图像输入到 WanImageToVideo 系节点。
  • Wan2.2 与 Wan2.1 时不同，不使用 clip_vision。

FLF2V（14B / First–Last Frame to Video）

Wan2.1 中 FLF2V 有专用模型，但 Wan2.2 的 image2video 模型也对应 FLF2V。

在 ComfyUI 中，只要向 WanFirstLastFrameToVideo 节点输入 Start / End 的 2 张图像，就能生成补充了 2 张之间的视频。

Wan2.2_image2video_FLF2V_14B.json
  • 🟦 与 Wan2.1 同样，向 WanFirstLastFrameToVideo 节点输入 Start / End 图像。

Wan2.2 5B 模型（TI2V-5B）

Wan2.2-TI2V-5B 是在 1 个模型处理 text2video / image2video 双方的 TI2V 模型。 通过组合压缩率更高的 VAE 和补丁化处理，可以用 比 14B 更轻的计算成本 生成 720p・24fps・5秒左右的视频。

与其说是 14B 的 1.3B 式的缩小版，不如认为是稍微从根本上设计不同的路线比较好吧。

虽然设计很有趣，但遗憾的是果然在性能上赢不了 14B，实际上几乎不被使用。

推荐设定值

  • 推荐分辨率
    • 720p（1280×720）
  • 最大帧数
    • 121 帧
  • FPS
    • 24fps

模型的下载

配置例。

📂ComfyUI/
└── 📂models/
    ├── 📂diffusion_models/
    │   └── wan2.2_ti2v_5B_fp16.safetensors
    ├── 📂unet/
    │   └── Wan2.2-TI2V-5B-XXXX.gguf     ← 仅在使用 gguf 时
    └── 📂vae/
        └── wan2.2_vae.safetensors

text2video（5B）

Wan2.2_text2video_5B.json

5B 的 text2video，在内部经由“最初的帧 latent”生成视频。

  • 🟥 VAE 使用 wan2.2_vae 因为与 Wan2.1 的 VAE 压缩构造不同，所以忘记替换的话画质和动作会严重崩溃。
  • 🟩 在 text2video 也夹入 TI2V 用的 latent 节点（例：Wan22ImageToVideoLatent） 5B 是以“1 帧 latent → 视频”的管线为前提设计的，所以没有预想跳过这里的构成。

如果理解为“虽然是 text2video，但里面是 image2video 的特别案例”，就容易与其他 TI2V 系模型合并整理。

image2video（5B）

Wan2.2_image2video_5B.json

image2video 也使用与 text2video 相同的 TI2V 模型。 只是输入增加，后段的 KSampler 以后几乎通用。

  • 🟦 start 图像输入到 TI2V 用的 latent 节点，制作压缩 latent。
  • 🟩 text2video / image2video 双方都能用同一模型解决，所以 首先用 5B 固化工作流，再根据需要加上 14B，这样的运用变得容易了。

参考链接