Wan 2.2 LoRA tekst na wideo w teście: sloty, prompty i limity

Wan 2.2 LoRA przyjmuje teraz samą opisaną scenę: jeden prompt zwraca klip 5- lub 8-sekundowy w 480p albo 720p, w poziomie lub w pionie, z maksymalnie trzema LoRA w każdym z trzech slotów. W naszych testach z 5 października 2026 każda z czterech uruchomionych kombinacji rozmiaru wróciła dokładnie w zażądanym rozmiarze w pikselach, instrukcja kamery na końcu promptu była wykonana w każdym klipie, a endpoint pozostał bez cenzury: bez odmów i bez podmienionych klipów. Jego ograniczenia są równie jasne: brak dźwięku, brak kształtu kwadratowego, nic powyżej 720p, a najmocniejszy poziom naszej drabiny treści został złagodzony.

Do dziś rodzina Wan 2.2 LoRA miała jeden endpoint, obraz na wideo, który animuje dostarczony przez ciebie obraz. Nowy endpoint tekst-na-wideo nie potrzebuje żadnego obrazu. Ten artykuł opisuje, co zmierzyliśmy, jak zachowują się trzy sloty LoRA, prompty, które działały, i kiedy wybrać go zamiast rodzeństwa. Każdy drukowany prompt to codzienna scena albo scena w stylu glamour z ubranymi dorosłymi; to wystarczy, by poznać sterowanie.

W skrócie

Wan 2.2 LoRA tekst na wideo, 720p, 16:9, 5 s, seed 20261005, bez LoRA, z promptem negatywnym. Pierwsza klatka klipu; prompt jest podany niżej.

Czym jest model

Wan 2.2 to model dyfuzyjny wideo od zespołu Tongyi Wan z Alibaby. Wersja tekst-na-wideo ma architekturę Mixture-of-Experts z dwoma ekspertami po około 14 miliardów parametrów każdy. Naraz działa tylko jeden: ekspert wysokiego szumu obsługuje wczesne kroki odszumiania i ustala układ oraz ruch, a ekspert niskiego szumu przejmuje późniejsze kroki i dopracowuje szczegóły. Ten podział jest powodem, dla którego ten endpoint ma trzy sloty LoRA zamiast jednego.

Wydawca twierdzi, że trenowano go na wyselekcjonowanych danych oznaczonych pod kątem światła, kompozycji, kontrastu i tonacji kolorów, ze znacznie większą ilością materiału niż Wan 2.1 (o 65,6% więcej obrazów i o 83,2% więcej wideo), oraz że obsługuje 480P i 720P. W naszych przebiegach przejawiało się to jako fotorealistyczni ludzie i skóra, ciepłe wnętrza w słabym świetle, złota godzina, neon i deszcz oraz powolne ruchy kamery: dolly, najazd i orbita. Zwykłe angielskie zdania działały dobrze. Nigdy nie potrzebowaliśmy zupy z tagów.

Co zmienia się w porównaniu z obrazem na wideo

Oba endpointy mają te same pola LoRA i te same długości 5 lub 8 sekund. Różnice decydują, po który sięgnąć:

Praktyczna reguła: jeśli twarz, strój albo produkt muszą pasować do czegoś, co już masz, użyj obrazu na wideo. Jeśli badasz scenę, nastrój albo ruch kamery i nie zależy ci na tym, która dorosła osoba się pojawi, użyj tekstu na wideo. Dobry workflow to eksplorować tekstem na wideo, wybrać najlepszą klatkę, a potem kontynuować od tej klatki na endpoincie rodzeństwa.

Rozmiary, długości i co faktycznie wraca

Uruchomiliśmy wszystkie cztery kombinacje rozmiaru i obie długości. Każde żądanie zwróciło dokładnie zażądany rozmiar w pikselach:

Dwa szczegóły warte zapamiętania. Klipy są nieco dłuższe niż zażądano z powodu interpolacji klatek: żądanie 5 sekund dało 5,37 sekundy, a żądanie 8 sekund 8,23 sekundy. Wynik jest niemy. Jeśli klip potrzebuje dźwięku, dodaj go potem.

Ilustracja z grafiki strony docelowej modelu, nie klip testowy: dwie długości, 5 sekund po lewej i 8 po prawej.

Nasza reguła kciuka dla rozdzielczości: szkicuj w 480p, bo to wartość domyślna, kończy się w około minutę, a kompozycja, którą widzisz, to kompozycja, którą dostaniesz w 720p. Do finalnego renderu przejdź na 720p. Dla długości: 5 sekund wystarczy na jedną akcję i jeden ruch kamery; wybierz 8 tylko wtedy, gdy akcja ma początek, środek i koniec.

Prompty, które działały

Struktura, która nigdy nas nie zawiodła, ma cztery części w jednym akapicie: kto, co robi, światło i na końcu ruch kamery. Wszystko niżej dotyczyło dorosłych i codziennych albo glamour scenerii.

Dach o zmierzchu (16:9, 720p, 5 s, seed 20261005):

{
  "model": "alibaba/wan-2.2-lora/text-to-video",
  "prompt": "An adult woman in her late twenties in a red silk slip dress walks slowly along the edge of a rooftop infinity pool at dusk, the city skyline glowing orange behind her; she stops, looks back over her bare shoulder at the camera and smiles. Warm golden-hour light, slow dolly tracking shot, cinematic, shallow depth of field.",
  "negative_prompt": "blurry, low quality, distorted hands, extra fingers, text, watermark, logo",
  "aspect_ratio": "16:9",
  "resolution": "720p",
  "duration_seconds": 5,
  "seed": 20261005
}

Jedwab, odbicia panoramy i ciepłe światło dotarły, a kobieta zachowała tę samą twarz i suknię przez cały klip. Pasek niżej pokazuje cztery klatki z pięciu sekund:

Klatki w okolicy 0,1, 1,8, 3,6 i 5,2 sekundy klipu z dachem. Spacer, obrót i jazda kamery następują tak, jak opisano.

Portret w neonowym deszczu (9:16, 720p, 5 s, seed 32):

{
  "model": "alibaba/wan-2.2-lora/text-to-video",
  "prompt": "An adult man in his thirties in an open white linen shirt, soaked by rain, stands beneath bare pink and teal neon light tubes in a narrow alley at night, no signs or lettering anywhere, pushes his wet hair back with one hand and looks straight into the camera. Raindrops glittering in the light, slow push-in, cinematic, shallow depth of field.",
  "aspect_ratio": "9:16",
  "resolution": "720p",
  "duration_seconds": 5,
  "seed": 32
}

Portret 720p, 5 s, seed 32. Klatka plakatowa; odgarnięcie włosów i powolny najazd obie dzieją się na ekranie.

Zwróć uwagę na frazę „no signs or lettering anywhere”. Pierwsza wersja tego promptu miała w tle neonowy szyld, a model narysował na nim zniekształcone litery. Przepisaliśmy scenę wokół gołych rur świetlnych i problem zniknął. Wan 2.2 nie literuje niezawodnie, więc daj mu scenę, w której nie ma czego literować.

Klatki w okolicy 0,1, 1,8, 3,6 i 5,2 sekundy klipu portretowego. Twarz i koszula pozostają spójne od pierwszej klatki do ostatniej.

Tango przy świecach (16:9, 720p, 5 s, seed 47): „Two adults in their thirties dance a slow tango in an empty candle-lit ballroom: she wears a backless black evening gown with a high slit, he wears a dark suit with an open collar; he dips her low and their faces almost touch. Warm candlelight, reflections on the polished floor, slow orbiting camera, cinematic.”

Klip z tangiem, 16:9, 720p, 5 s, seed 47. Klatka plakatowa z opublikowanego przykładu.

Inscenizacja dwóch osób to miejsce, w którym modele wideo zwykle się rozpadają, a ten trzymał się razem lepiej, niż się spodziewaliśmy. Klatki niżej pokazują parę zbliżającą się do siebie i kończącą w pochyleniu. Odbicia świec na podłodze zostają na miejscu, gdy kamera okrąża parę.

Klatki w okolicy 0,1, 1,8, 3,6 i 5,2 sekundy klipu z tangiem.

Nawyki, które się opłaciły we wszystkich naszych przebiegach:

• Pisz „adult” i podaj przedział wiekowy. Utrzymuje to rozsądną obsadę i jest zasadą domu dla wszystkiego, co publikujemy.
• Instrukcję kamery daj na końcu. „Slow dolly tracking shot”, „slow push-in” i „slow orbiting camera” były wykonane w klipie, w którym się pojawiły.
• Proś o jedną akcję na klip. Spacer i obrót mieszczą się w pięciu sekundach; opowieść nie.
• Prompt negatywny stosuj do artefaktów, nie do gustu. „Blurry, low quality, distorted hands, extra fingers, text, watermark, logo” to rozsądna wartość domyślna; klip neonowy uruchomiono bez niego.
• Ustaw stały seed, gdy iterujesz. W naszych testach ten sam seed i te same dane wejściowe dały identyczny co do bajta plik, więc zmiana w wyniku jest zmianą, którą wprowadziłeś.

Trzy sloty LoRA i kiedy których używać

Tu endpoint różni się od zwykłego wywołania Wan 2.2. Każdy slot przyjmuje do trzech wpisów w postaci {path, scale}, gdzie path to bezpośredni link HTTPS do pliku .safetensors, a scale mieści się w przedziale od 0 do 4 (domyślnie 1).

Ilustracja z grafiki strony docelowej modelu, nie klip testowy: trzy klucze, trzy otwory, po jednym na slot.

Większość LoRA do Wan 2.2 na Hugging Face i Civitai jest publikowana jako para: plik high_noise i plik low_noise. Każdy włóż do własnego slotu. LoRA wydana jako jeden plik trafia do loras. Jeśli karta nic nie mówi o tym, na który etap celuje plik, zacznij od loras, a potem przetestuj plik osobno w każdym wyspecjalizowanym slocie. Uzasadnienie tego wyboru i dłuższą procedurę testową opartą na endpoincie obraz-na-wideo znajdziesz w naszym poradniku o slotach wysokiego i niskiego szumu; ten artykuł raportuje tylko to, co zrobił tekst na wideo.

Co zobaczyliśmy z LoRA wytrenowaną pod dokładnie tę bazę (Wan2.2-T2V-A14B), wczytaną do obu wyspecjalizowanych slotów przy stałym seedzie:

Ostatni wiersz warto zapamiętać. LoRA zbudowana pod inny model bazowy dała dokładnie ten sam plik co brak LoRA: bez błędu, bez ostrzeżenia, bez efektu. Slot ją przyjął i po prostu nic się nie stało. Dlatego zawsze porównuj z przebiegiem bez LoRA na tym samym seedzie, zanim uznasz, że LoRA działa albo że twój scale jest za niski. Użyta przez nas LoRA wyglądu zmieniała bardziej osobę niż styl, dlatego pokazujemy efekt w tabeli, a nie w galerii: dowodzi, że wczytanie jest prawdziwe i że efekt rośnie ze scale, ale nie jest to plik pokazowy.

Wczytanie nie dodaje osobnej opłaty, a w naszych przebiegach dodawało 5 do 15 sekund czasu modelu.

Gdy link do LoRA zawodzi

Dwa błędy kosztowały nas po jednym przebiegu i obu łatwo uniknąć:

• Link wymagający logowania. Zablokowane repozytorium kończy się komunikatem, że serwer zwrócił HTTP 401, z prośbą o sprawdzenie, czy adres URL jest publicznie dostępny. Użyj pliku publicznego albo podpisanego linku.
• Strona repozytorium zamiast pliku. Wklejenie strony modelu zamiast linku resolve/main/...safetensors dało ogólny komunikat „the job failed unexpectedly”. Nie jest zbyt opisowy, więc jeśli widzisz go z dołączoną LoRA, najpierw sprawdź link.

Żądania łamiące limity nigdy nie rozpoczynają pracy: czwarty wpis w jednym slocie, scale powyżej 4, czas trwania inny niż 5 lub 8 albo pusty prompt są odrzucane od razu.

Jak daleko to sięga

Platforma nie dodaje filtra treści, a to, co model narysuje, zależy od modelu. Uruchomiliśmy po jednym klipie na każdym poziomie naszej drabiny treści, 5 października 2026, po jednym przebiegu na poziom, i obejrzeliśmy każdy arkusz klatek. Poziomy mają te same nazwy co w naszych pozostałych recenzjach:

Żaden przebieg nie został odrzucony i żaden klip nie został podmieniony na inny. Wiersze L4 i gore czytaj uczciwie: model sięga daleko, a potem się uspokaja. Jeśli twój przypadek użycia leży na szczycie drabiny, zaplanuj, że nie dosięgnie. To jeden przebieg na poziom, więc traktuj tabelę jako pierwszy odczyt, a nie gwarancję. Nasza recenzja Wan 2.2 LoRA ma dłuższy zapis z wcześniejszych dat.

Gdzie zawodzi

• Wideo bez dźwięku. Nie ma ścieżki dźwiękowej ani opcji dźwięku.
• Tylko dwa kształty. 16:9 i 9:16. Do kwadratowego posta przytnij potem.
• 720p to sufit. Nie ma poziomu 1080p.
• Stałe długości. Dokładnie 5 lub 8 sekund. Poprosiliśmy o 6 i dostaliśmy odrzucenie, co jest lepsze niż ciche zaokrąglenie.
• Mało elementów sterowania. Brak liczby klatek na sekundę, kroków, guidance i rozszerzania promptu. Sterujesz słowami, seedem, promptem negatywnym i LoRA.
• Tekst w kadrze jest zawodny. Zobacz przykład z neonem wyżej.
• Wolniej niż obraz statyczny. Klip 720p, 5 sekund zajął w naszych przebiegach około dwóch minut czasu modelu, więc planuj partie z tym na uwadze.
• Wąska baza testowa. Uruchomiliśmy jeden klip na poziom drabiny i kilka porównań LoRA. Nie testowaliśmy skrajów zakresu seedów, wpływu promptu negatywnego na treść ani przebiegu z wczytanymi wszystkimi dziewięcioma wpisami LoRA.

Który endpoint wybrać

FAQ

Czy Wan 2.2 LoRA tekst na wideo generuje dźwięk?

Nie. Wynik to MP4 wyłącznie ze ścieżką wideo, 30 fps, bez dźwięku. Muzykę lub mowę dodaj w edytorze po utworzeniu klipu.

Jaka jest różnica między slotami LoRA wysokiego i niskiego szumu?

Slot wysokiego szumu dociera do eksperta, który ustala układ i ruch, a slot niskiego szumu do eksperta, który dopracowuje szczegóły i fakturę. Użyj loras, by zastosować jeden plik do obu. Większość LoRA do Wan 2.2 jest publikowana jako para plików wysokiego i niskiego szumu, więc każdy plik trafia do własnego slotu.

Dlaczego moja LoRA niczego nie zmieniła?

Najpewniej została wytrenowana pod inny model bazowy. W naszym teście LoRA zbudowana pod inną bazę dała plik identyczny co do bajta z przebiegiem bez niej, bez błędu. Sprawdź, czy karta wymienia Wan 2.2 text-to-video, a potem porównaj z przebiegiem bez LoRA na tym samym seedzie.

Jakie proporcje obrazu, rozdzielczości i długości obsługuje?

16:9 lub 9:16, 480p lub 720p i dokładnie 5 lub 8 sekund. Kwadrat, 4:3, 1080p i inne długości są niedostępne, a wartość spoza listy jest odrzucana, a nie zaokrąglana.

Czy mogę dostać ten sam klip dwa razy?

W naszych testach tak: z tym samym promptem, tym samym seedem i tymi samymi danymi wejściowymi dostaliśmy identyczny co do bajta plik. Nie traktuj tego jednak jako gwarancji. Bez seeda każde żądanie jest losowe.

Czy LoRA kosztuje dodatkowo?

Nie. Rozliczenie jest za sekundę wideo w wybranej rozdzielczości, a wczytanie LoRA nie dodaje osobnej opłaty. Proporcje obrazu nie zmieniają ceny, a nieudane żądania nie są rozliczane. Aktualna cena jest na stronie modelu.

Czy jest bez cenzury?

Platforma nie dodaje filtra treści. Na naszej drabinie poziomy od L1 do L3 oraz dobrowolne skrępowanie między dorosłymi zostały dostarczone, a najmocniejsze poziomy złagodzone. Szczegóły są w tabeli wyżej.

Użyć tekstu na wideo czy obrazu na wideo?

Użyj tekstu na wideo, gdy badasz scenę i pasuje dowolna odpowiednia dorosła osoba, a obrazu na wideo, gdy twarz, strój albo otoczenie muszą pasować do obrazu, który już masz. Częsta rutyna to eksplorować tekstem na wideo i przenieść najlepszą klatkę do obrazu na wideo.