Wan 2.2 LoRA, текст в видео: слоты, промпты и ограничения в тесте

Wan 2.2 LoRA теперь принимает написанную сцену сама по себе: один промпт возвращает клип на 5 или 8 секунд в 480p или 720p, в альбомной или портретной ориентации, с до тремя LoRA в каждом из трёх слотов. В наших тестах 5 октября 2026 года каждая из четырёх прогнанных комбинаций размеров вернулась ровно в запрошенном размере в пикселях, указание камере в конце промпта выполнялось в каждом клипе, а эндпоинт остался без цензуры: без отказов и без подменённых клипов. Его ограничения тоже очевидны: нет звука, нет квадратного формата, ничего выше 720p, а самая сильная ступень нашей шкалы контента была смягчена.

До сегодняшнего дня у семейства Wan 2.2 LoRA был один эндпоинт — изображение в видео, который анимирует предоставленную вами картинку. Новый эндпоинт текста в видео картинки не требует вовсе. Эта статья о том, что мы измерили, как ведут себя три слота LoRA, какие промпты сработали и когда выбирать его вместо соседнего. Каждый приведённый нами промпт — обычная или гламурная сцена с одетыми взрослыми; для освоения настроек этого достаточно.

Коротко

Wan 2.2 LoRA, текст в видео, 720p, 16:9, 5 с, seed 20261005, без LoRA, с негативным промптом. Первый кадр клипа; промпт приведён ниже.

Что это за модель

Wan 2.2 — диффузионная видеомодель от команды Tongyi Wan из Alibaba. Сборка для текста в видео построена по схеме Mixture-of-Experts с двумя экспертами по примерно 14 миллиардов параметров каждый. Одновременно работает только один: эксперт высокого шума занимается ранними шагами удаления шума и определяет компоновку и движение, а эксперт низкого шума берёт на себя поздние шаги и дорабатывает детали. Именно это разделение — причина, по которой у эндпоинта три слота LoRA вместо одного.

Издатель говорит, что модель обучалась на отобранных данных, размеченных по освещению, композиции, контрасту и цветовому тону, с гораздо большим объёмом материала, чем у Wan 2.1 (на 65,6% больше изображений и на 83,2% больше видео), и что она поддерживает 480P и 720P. В наших прогонах это проявилось в фотореалистичных людях и коже, тёплых интерьерах при слабом свете, золотом часе, неоне и дожде, а также в медленных проездах dolly, наездах и облётах камеры. Обычные английские предложения работали хорошо. Нам ни разу не понадобился винегрет из тегов.

Что меняется по сравнению с изображением в видео

У обоих эндпоинтов одни и те же поля LoRA и одни и те же длины в 5 или 8 секунд. Различия определяют, к какому из них вы потянетесь:

Практическое правило: если лицо, наряд или товар должны совпадать с чем-то, что у вас уже есть, используйте изображение в видео. Если вы исследуете сцену, настроение или движение камеры и вам всё равно, какой именно взрослый появится, используйте текст в видео. Хороший процесс: исследовать через текст в видео, выбрать лучший кадр и продолжить с этого кадра на соседнем эндпоинте.

Размеры, длины и что на самом деле возвращается

Мы прогнали все четыре комбинации размеров и обе длины. Каждый запрос вернул ровно запрошенный размер в пикселях:

Две детали, которые стоит знать. Клипы идут чуть дольше запрошенного из-за интерполяции кадров: запрос на 5 секунд дал 5,37 секунды, а на 8 секунд — 8,23 секунды. И результат беззвучен. Если клипу нужен звук, добавьте его потом.

Иллюстрация из посадочной графики модели, а не тестовый клип: две длины, 5 секунд слева и 8 справа.

Наше практическое правило по разрешению: черновик в 480p, потому что это значение по умолчанию, он готов примерно за минуту, а композиция, которую вы видите, — та же, что получится в 720p. На 720p переходите для финального рендера. По длине: 5 секунд хватает на одно действие и одно движение камеры; выбирайте 8, только когда у действия есть начало, середина и конец.

Промпты, которые сработали

Структура, которая нас ни разу не подвела, состоит из четырёх частей в одном абзаце: кто, что делает, свет и движение камеры в конце. Всё ниже использовало взрослых и обычные или гламурные обстановки.

Крыша в сумерках (16:9, 720p, 5 с, 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
}

Шёлк, отражения горизонта и тёплый свет — всё получилось, а у женщины на протяжении всего клипа сохранялись лицо и платье. Лента ниже показывает четыре кадра на протяжении пяти секунд:

Кадры примерно на 0,1, 1,8, 3,6 и 5,2 секунде клипа на крыше. Ходьба, поворот и движение камеры происходят, как написано.

Портрет под неоновым дождём (9:16, 720p, 5 с, 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
}

Портрет, 720p, 5 с, seed 32. Кадр-постер; на экране происходят и отбрасывание волос назад, и медленный наезд.

Обратите внимание на фразу «no signs or lettering anywhere». В первой версии этого промпта на заднем плане была неоновая вывеска, и модель нарисовала на ней искажённые буквы. Мы переписали сцену вокруг голых световых трубок, и проблема исчезла. Wan 2.2 не умеет надёжно писать буквы, поэтому давайте ей сцену, в которой нечего писать.

Кадры примерно на 0,1, 1,8, 3,6 и 5,2 секунде портретного клипа. Лицо и рубашка остаются неизменными от первого кадра до последнего.

Танго при свечах (16:9, 720p, 5 с, 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."

Клип с танго, 16:9, 720p, 5 с, seed 47. Кадр-постер из опубликованного примера.

Постановка двух людей — то, где видеомодели обычно рассыпаются, и эта удержалась лучше, чем мы ожидали. Кадры ниже показывают, как пара сближается и заканчивает наклоном. Отражения свечей на полу остаются на месте, пока камера облетает.

Кадры примерно на 0,1, 1,8, 3,6 и 5,2 секунде клипа с танго.

Привычки, которые окупились во всех наших прогонах:

• Пишите «adult» и указывайте возрастной диапазон. Это удерживает подбор героев разумным и является внутренним правилом для всего, что мы публикуем.
• Ставьте указание камере последним. «Slow dolly tracking shot», «slow push-in» и «slow orbiting camera» выполнялись в каждом клипе, где встречались.
• Просите одно действие на клип. Ходьба и поворот умещаются в пять секунд; история — нет.
• Используйте негативный промпт для артефактов, а не для вкуса. «Blurry, low quality, distorted hands, extra fingers, text, watermark, logo» — разумное значение по умолчанию; неоновый клип шёл без него.
• Фиксируйте seed, пока итерируете. Тот же seed и те же входные данные дали побайтно идентичный файл, так что изменение результата — это изменение, которое внесли вы.

Три слота LoRA и когда какой использовать

Здесь эндпоинт отличается от обычного вызова Wan 2.2. Каждый слот принимает до трёх элементов вида {path, scale}, где path — прямая HTTPS-ссылка на файл .safetensors, а scale меняется от 0 до 4 (по умолчанию 1).

Иллюстрация из посадочной графики модели, а не тестовый клип: три ключа, три проёма, по одному на каждый слот.

Большинство LoRA для Wan 2.2 на Hugging Face и Civitai публикуются парой: файл high_noise и файл low_noise. Положите каждый в свой слот. LoRA, выпущенную одним файлом, кладите в loras. Если в карточке не сказано, на какой этап нацелен файл, начните с loras, а затем проверьте файл отдельно в каждом специализированном слоте. Обоснование этого выбора и более длинную процедуру проверки на эндпоинте изображения в видео читайте в нашем руководстве по слотам высокого и низкого шума; эта статья сообщает лишь о том, что сделал текст в видео.

Что мы увидели с LoRA, обученной ровно под эту базу (Wan2.2-T2V-A14B), загруженной в оба специализированных слота при фиксированном seed:

Последнюю строку стоит запомнить. LoRA, созданная для другой базовой модели, дала в точности тот же файл, что и вовсе без LoRA: без ошибки, без предупреждения, без эффекта. Слот принял её, и просто ничего не произошло. Поэтому всегда сравнивайте с прогоном без LoRA на том же seed, прежде чем делать вывод, что LoRA работает или что ваш scale слишком низок. Использованная нами LoRA внешности меняла человека сильнее, чем стиль, поэтому эффект мы показываем таблицей, а не галереей: она доказала, что загрузка настоящая и что эффект растёт со scale, но это не показательный файл.

Загрузка не добавляет отдельной платы, а в наших прогонах она добавляла 5–15 секунд работы модели.

Когда ссылка на LoRA не работает

Две ошибки стоили нам по одному прогону, и обе легко избежать:

• Ссылка, требующая входа. Закрытый репозиторий отвечает сообщением о том, что сервер вернул HTTP 401, и просьбой проверить, что URL публично доступен. Используйте публичный файл или подписанную ссылку.
• Страница репозитория вместо файла. Если вставить страницу модели вместо ссылки resolve/main/...safetensors, приходило общее сообщение «the job failed unexpectedly». Оно не слишком информативно, поэтому, увидев его с прикреплённой LoRA, сначала проверьте ссылку.

Запросы, нарушающие лимиты, никакой работы не запускают: четвёртый элемент в одном слоте, scale выше 4, длительность, отличная от 5 или 8, или пустой промпт отклоняются сразу.

Как далеко это заходит

Платформа не добавляет фильтра контента, а то, что рисует модель, зависит от модели. Мы прогнали по одному клипу на каждой ступени нашей шкалы контента 5 октября 2026 года, по одному прогону на ступень, и просмотрели каждую раскадровку. Ступени названы так же, как в других наших обзорах:

Ни один прогон не был отклонён, и ни один клип не был подменён другим. Читайте строки L4 и гора честно: модель заходит далеко, а затем успокаивается. Если ваш сценарий живёт на вершине шкалы, рассчитывайте, что она не дотянет. Это один прогон на ступень, поэтому считайте таблицу первым прочтением, а не гарантией. В нашем обзоре Wan 2.2 LoRA есть более длинная запись за прежние даты.

Где она уступает

• Беззвучное видео. Нет звуковой дорожки и нет опции звука.
• Только два формата. 16:9 и 9:16. Для квадратной публикации обрежьте после.
• 720p — потолок. Уровня 1080p нет.
• Фиксированные длины. Ровно 5 или 8 секунд. Мы попросили 6 и получили отказ, что лучше тихого округления.
• Мало настроек. Нет частоты кадров, шагов, guidance и расширения промпта. Вы управляете словами, seed, негативным промптом и LoRA.
• Текст в кадре ненадёжен. См. пример с неоном выше.
• Медленнее, чем статичная картинка. Клип 720p на 5 секунд занимал в наших прогонах около двух минут работы модели, так что планируйте партии с учётом этого.
• Тонкая база тестов. Мы прогнали по одному клипу на ступень шкалы и несколько сравнений LoRA. Мы не проверяли крайние значения диапазона seed, то, как негативный промпт влияет на содержание, и прогон со всеми девятью загруженными элементами LoRA.

Какой эндпоинт выбрать

FAQ

Генерирует ли Wan 2.2 LoRA «текст в видео» звук?

Нет. Результат — MP4 только с видеодорожкой, 30 fps и без звука. Добавьте музыку или речь в редакторе после создания клипа.

В чём разница между слотами LoRA высокого и низкого шума?

Слот высокого шума достаёт до эксперта, который задаёт компоновку и движение, а слот низкого шума — до эксперта, который дорабатывает детали и текстуру. Используйте loras, чтобы применить один файл к обоим. Большинство LoRA для Wan 2.2 публикуются парой — высокого и низкого шума, поэтому каждый файл идёт в свой слот.

Почему моя LoRA ничего не изменила?

Скорее всего, она обучена под другую базовую модель. В нашем тесте LoRA, созданная для другой базы, дала файл, побайтно идентичный прогону без неё, без ошибки. Проверьте, что в карточке названа Wan 2.2 text-to-video, затем сравните с прогоном без LoRA на том же seed.

Какие соотношения сторон, разрешения и длины она поддерживает?

16:9 или 9:16, 480p или 720p и ровно 5 или 8 секунд. Квадрат, 4:3, 1080p и другие длины недоступны, а значение вне списка отклоняется, а не округляется.

Можно ли получить один и тот же клип дважды?

В наших тестах — да. С тем же промптом, тем же seed и теми же входными данными мы получали побайтно идентичный файл. Если seed не указан, каждый запрос случаен.

Стоит ли LoRA дополнительно?

Нет. Оплата идёт за секунду видео при выбранном разрешении, а загрузка LoRA не добавляет отдельной платы. Соотношение сторон на цену не влияет, а неудавшиеся запросы не оплачиваются. Актуальная цена — на странице модели.

Есть ли цензура?

Платформа не добавляет фильтра контента. На нашей шкале ступени L1–L3 и согласованное связывание между взрослыми были выданы, а самые сильные ступени смягчены. Подробности — в таблице выше.

Что выбрать: текст в видео или изображение в видео?

Используйте текст в видео, когда вы исследуете и подойдёт любой подходящий взрослый, а изображение в видео — когда лицо, наряд или обстановка должны совпадать с уже имеющейся картинкой. Обычная схема — исследовать через текст в видео и перенести лучший кадр в изображение в видео.