Wan 2.2 LoRA texto para vídeo testado: slots, prompts e limites

O Wan 2.2 LoRA agora aceita uma cena escrita por conta própria: um prompt devolve um clipe de 5 ou 8 segundos em 480p ou 720p, em paisagem ou retrato, com até três LoRAs em cada um de três slots. Nos nossos testes de 5 de outubro de 2026, cada uma das quatro combinações de tamanho que rodamos voltou exatamente no tamanho de pixels pedido, a instrução de câmera no fim do prompt foi seguida em todos os clipes e o endpoint continuou sem censura: nenhuma recusa e nenhum clipe substituído. Os limites também são claros: sem áudio, sem formato quadrado, nada acima de 720p, e o nível mais intenso da nossa escada de conteúdo foi suavizado.

Até hoje, a família Wan 2.2 LoRA tinha um único endpoint, de imagem para vídeo, que anima uma imagem que você fornece. O novo endpoint de texto para vídeo não precisa de imagem nenhuma. Este artigo cobre o que medimos, como os três slots de LoRA se comportam, os prompts que funcionaram e quando escolhê-lo em vez do seu irmão. Todos os prompts que imprimimos são cenas do dia a dia ou de glamour com adultos vestidos; isso basta para aprender os controles.

Visão geral

Wan 2.2 LoRA texto para vídeo, 720p, 16:9, 5 s, seed 20261005, sem LoRA, com prompt negativo. Primeiro quadro do clipe; o prompt está impresso abaixo.

O que é o modelo

O Wan 2.2 é um modelo de difusão de vídeo da equipe Tongyi Wan da Alibaba. A versão de texto para vídeo tem uma arquitetura de mistura de especialistas (Mixture-of-Experts), com dois especialistas de cerca de 14 bilhões de parâmetros cada. Só um roda por vez: o especialista de ruído alto cuida das primeiras etapas de remoção de ruído e define a disposição e o movimento, e o especialista de ruído baixo assume nas etapas finais e refina os detalhes. Essa divisão é o motivo de este endpoint ter três slots de LoRA em vez de um.

Quem publica diz que o modelo foi treinado com dados selecionados e rotulados por iluminação, composição, contraste e tom de cor, com muito mais material que o Wan 2.1 (65,6% mais imagens e 83,2% mais vídeos), e que suporta 480P e 720P. Nas nossas execuções isso apareceu como pessoas e pele fotorrealistas, interiores quentes com pouca luz, hora dourada, neon e chuva, e movimentos de câmera lentos de dolly, aproximação e órbita. Frases simples em inglês funcionaram bem. Nunca precisamos de uma sopa de tags.

O que muda em relação à imagem para vídeo

Os dois endpoints compartilham os mesmos campos de LoRA e as mesmas durações de 5 ou 8 segundos. As diferenças decidem qual você escolhe:

A regra prática: se um rosto, uma roupa ou um produto precisa combinar com algo que você já tem, use imagem para vídeo. Se você está explorando uma cena, um clima ou um movimento de câmera e não se importa com qual adulto aparece, use texto para vídeo. Um bom fluxo é explorar com texto para vídeo, escolher o melhor quadro e depois continuar a partir dele no endpoint irmão.

Tamanhos, durações e o que realmente volta

Rodamos as quatro combinações de tamanho e as duas durações. Todas as requisições devolveram exatamente o tamanho de pixels pedido:

Dois detalhes que valem saber. Os clipes saem um pouco mais longos que o pedido por causa da interpolação de quadros: um pedido de 5 segundos deu 5,37 segundos e um de 8 segundos deu 8,23 segundos. E a saída é silenciosa. Se o clipe precisa de som, adicione-o depois.

Ilustração da arte da página do modelo, não um clipe de teste: as duas durações, 5 segundos à esquerda e 8 à direita.

Nossa regra prática para a resolução: faça o rascunho em 480p, porque é o padrão, termina em cerca de um minuto e a composição que você vê é a que terá em 720p. Passe para 720p na renderização final. Para a duração: 5 segundos bastam para uma ação e um movimento de câmera; escolha 8 apenas quando a ação tiver começo, meio e fim.

Prompts que funcionaram

A estrutura que nunca nos falhou tem quatro partes em um parágrafo: quem, o que faz, a luz e, por último, o movimento de câmera. Tudo abaixo usou adultos e cenários do dia a dia ou de glamour.

Terraço ao entardecer (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
}

A seda, os reflexos do horizonte e a luz quente chegaram, e a mulher manteve o mesmo rosto e o mesmo vestido durante o clipe inteiro. A tira abaixo mostra quatro quadros ao longo dos cinco segundos:

Quadros em cerca de 0,1, 1,8, 3,6 e 5,2 segundos do clipe do terraço. A caminhada, a virada e o movimento de acompanhamento acontecem como escritos.

Retrato com neon e chuva (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
}

Retrato 720p, 5 s, seed 32. Quadro de pôster; o gesto de jogar o cabelo para trás e a aproximação lenta acontecem na tela.

Repare na frase "no signs or lettering anywhere". A primeira versão deste prompt tinha um letreiro de neon ao fundo, e o modelo desenhou letras embaralhadas nele. Reescrevemos a cena em torno de tubos de luz nus e o problema sumiu. O Wan 2.2 não soletra de forma confiável, então dê a ele uma cena sem nada para soletrar.

Quadros em cerca de 0,1, 1,8, 3,6 e 5,2 segundos do clipe em retrato. O rosto e a camisa se mantêm consistentes do primeiro quadro ao último.

Tango à luz de velas (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."

Clipe do tango, 16:9, 720p, 5 s, seed 47. Quadro de pôster do exemplo publicado.

A encenação com duas pessoas é onde os modelos de vídeo costumam se desfazer, e este se manteve melhor do que esperávamos. Os quadros abaixo mostram o casal se aproximando e terminando no mergulho. Os reflexos das velas no piso ficam no lugar enquanto a câmera orbita.

Quadros em cerca de 0,1, 1,8, 3,6 e 5,2 segundos do clipe do tango.

Hábitos que compensaram em todas as nossas execuções:

• Diga "adult" e dê uma faixa de idade. Mantém o elenco sensato e é a regra da casa para tudo o que publicamos.
• Coloque a instrução de câmera por último. "Slow dolly tracking shot", "slow push-in" e "slow orbiting camera" foram seguidos cada um no clipe em que apareceram.
• Peça uma ação por clipe. Uma caminhada e uma virada cabem em cinco segundos; uma história, não.
• Use o prompt negativo para artefatos, não para gosto. "Blurry, low quality, distorted hands, extra fingers, text, watermark, logo" é um padrão sensato; o clipe de neon rodou sem um.
• Fixe o seed enquanto itera. O mesmo seed e as mesmas entradas deram um arquivo idêntico byte a byte, então uma mudança no resultado é uma mudança que você fez.

Os três slots de LoRA e quando usar cada um

Aqui o endpoint difere de uma chamada simples do Wan 2.2. Cada slot aceita até três entradas na forma {path, scale}, em que path é um link HTTPS direto para um arquivo .safetensors e scale vai de 0 a 4 (padrão 1).

Ilustração da arte da página do modelo, não um clipe de teste: três chaves, três aberturas, uma para cada slot.

A maioria das LoRAs de Wan 2.2 no Hugging Face e no Civitai é publicada como um par: um arquivo high_noise e um arquivo low_noise. Coloque cada um no seu slot. Uma LoRA lançada como um arquivo só vai em loras. Se o cartão não diz a qual etapa um arquivo se destina, comece com loras e depois teste o arquivo sozinho em cada slot especializado. Para o raciocínio por trás dessa escolha, e uma rotina de testes mais longa construída sobre o endpoint de imagem para vídeo, leia o nosso guia dos slots de ruído alto e ruído baixo; este artigo relata apenas o que o texto para vídeo fez.

O que vimos com uma LoRA treinada para exatamente esta base (Wan2.2-T2V-A14B), carregada nos dois slots especializados com o seed fixo:

A última linha é a que deve ficar na memória. Uma LoRA feita para outro modelo base produziu exatamente o mesmo arquivo que nenhuma LoRA: sem erro, sem aviso, sem efeito. O slot a aceitou e simplesmente nada aconteceu. Portanto, compare sempre com uma execução sem LoRA no mesmo seed antes de concluir que uma LoRA funciona, ou que o seu scale está baixo demais. A LoRA de aparência que usamos mudou mais a pessoa que o estilo, e é por isso que mostramos o efeito em uma tabela e não em uma galeria: ela provou que o carregamento é real e que o efeito cresce com o scale, mas não é um arquivo de vitrine.

Carregar não acrescenta cobrança separada e, nas nossas execuções, acrescentou de 5 a 15 segundos de tempo de modelo.

Quando um link de LoRA falha

Dois erros nos custaram uma execução cada, e os dois são fáceis de evitar:

• Um link que exige login. Um repositório restrito falha com uma mensagem dizendo que o servidor devolveu HTTP 401 e pedindo que você confira se a URL é acessível publicamente. Use um arquivo público ou um link assinado.
• Uma página de repositório em vez do arquivo. Colar a página do modelo em vez do link resolve/main/...safetensors deu uma mensagem genérica "the job failed unexpectedly". Não é muito descritiva, então, se você a vir com uma LoRA anexada, confira o link primeiro.

Requisições que violam os limites nunca iniciam trabalho: uma quarta entrada em um slot, um scale acima de 4, uma duração diferente de 5 ou 8, ou um prompt vazio são rejeitados de imediato.

Até onde ele vai

A plataforma não adiciona nenhum filtro de conteúdo, e o que um modelo desenha cabe ao modelo. Rodamos um clipe em cada nível da nossa escada de conteúdo, em 5 de outubro de 2026, uma execução por nível, e olhamos todas as folhas de quadros. Os níveis usam os mesmos nomes das nossas outras análises:

Nenhuma execução foi recusada e nenhum clipe foi trocado por outro. Leia as linhas do L4 e do gore com honestidade: o modelo vai muito longe e depois se acalma. Se o seu caso de uso mora no topo da escada, planeje que ele fique aquém. É uma execução por nível, então trate a tabela como uma primeira leitura, não uma garantia. A nossa análise do Wan 2.2 LoRA traz o histórico mais longo de datas anteriores.

Onde ele fica devendo

• Vídeo silencioso. Não há trilha de áudio nem opção de áudio.
• Só dois formatos. 16:9 e 9:16. Para um post quadrado, corte depois.
• 720p é o teto. Não há faixa de 1080p.
• Durações fixas. Exatamente 5 ou 8 segundos. Pedimos 6 e recebemos uma rejeição, o que é melhor que um arredondamento silencioso.
• Poucos controles. Sem taxa de quadros, passos, guidance nem expansão de prompt. Você conduz com palavras, o seed, o prompt negativo e LoRAs.
• Texto no quadro é pouco confiável. Veja o exemplo do neon acima.
• Mais lento que uma imagem estática. Um clipe de 720p e 5 segundos levou cerca de dois minutos de tempo de modelo nas nossas execuções, então planeje os lotes com isso em mente.
• Uma base de teste enxuta. Rodamos um clipe por nível da escada e um punhado de comparações de LoRA. Não testamos os extremos da faixa de seed, o que um prompt negativo faz com o conteúdo, nem uma execução com as nove entradas de LoRA carregadas.

Qual endpoint usar

FAQ

O Wan 2.2 LoRA texto para vídeo gera áudio?

Não. A saída é um MP4 apenas com trilha de vídeo, a 30 fps e sem som. Adicione música ou fala em um editor depois que o clipe estiver pronto.

Qual é a diferença entre os slots de LoRA de ruído alto e de ruído baixo?

O slot de ruído alto alcança o especialista que define a disposição e o movimento, e o slot de ruído baixo alcança o especialista que refina detalhe e textura. Use loras para aplicar um arquivo aos dois. A maioria das LoRAs de Wan 2.2 é publicada como um par de ruído alto e ruído baixo, então cada arquivo vai no seu slot.

Por que a minha LoRA não mudou nada?

Muito provavelmente foi treinada para outro modelo base. No nosso teste, uma LoRA feita para outra base produziu um arquivo idêntico byte a byte ao da execução sem ela, sem erro. Confira se o cartão cita o Wan 2.2 texto para vídeo e depois compare com uma execução sem LoRA no mesmo seed.

Que proporções, resoluções e durações ele aceita?

16:9 ou 9:16, 480p ou 720p, e exatamente 5 ou 8 segundos. Quadrado, 4:3, 1080p e outras durações não estão disponíveis, e um valor fora da lista é rejeitado, não arredondado.

Posso obter o mesmo clipe duas vezes?

Sim. Com o mesmo prompt, o mesmo seed e as mesmas entradas, obtivemos um arquivo idêntico byte a byte. Deixe o seed de fora e cada requisição é aleatória.

Uma LoRA custa a mais?

Não. A cobrança é por segundo de vídeo na resolução escolhida, e carregar LoRAs não acrescenta cobrança separada. A proporção não altera o preço, e requisições que falham não são cobradas. O preço atual está na página do modelo.

Ele é sem censura?

A plataforma não adiciona nenhum filtro de conteúdo. Na nossa escada, os níveis L1 a L3 e a contenção consensual entre adultos foram entregues, e os níveis mais intensos foram suavizados. Os detalhes estão na tabela acima.

Devo usar texto para vídeo ou imagem para vídeo?

Use texto para vídeo quando estiver explorando e qualquer adulto adequado servir, e imagem para vídeo quando o rosto, a roupa ou o cenário precisar combinar com uma imagem que você já tem. Uma rotina comum é explorar com texto para vídeo e levar o melhor quadro para a imagem para vídeo.