最近两天在玩阿里新开源的Wan2.1。

网上很多关于这个模型的文生视频演示，但图生的不多，所以我想说说图生。

敲了一堆字又删了，还是直接上演示。

此刻，我的电脑桌上方的置物架上摆着一个超级索尼子的兔女郎手办，长这样：

随手一拍，用作素材。

这套兔女郎装，我看她高跟鞋有点高，脚腕子应该是站酸了。

不如就让她活动活动：

腿也麻了？那做个操？

注意看影子的跟随，这就是部署在本地的Wan2.1跑出来的效果。

如何？

翻素材的时候刚好翻出来一年前在本地跑的视频，也放上来给大伙看下，长这样：

不由感慨，技术进步真是太快了。

再来跟扛把子可灵做个对比吧。

这是我用SD1.5生成的图片：

那时候超级喜欢双手插兜，经历过的应该都懂。

她绝对想不到有一天我们会让她把手从口袋里拿出来撩头发。

提示词：

一位身着白色水手服的青春女学生，黑色直发齐刘海，面容清秀，红润的嘴唇。站在校园楼梯间，阳光透过窗户斜射进来，在她脸上和白色衣服上形成温暖的光斑，背景是模糊的楼梯和栏杆。她轻轻眨动眼睛，嘴角缓缓上扬形成浅浅的微笑，随后低头看向地面，手指不经意地轻抚过垂落的发丝，将它们别到耳后，又将双手轻轻放入校服口袋，微微侧头望向远方，眼神中流露出些许思考和憧憬的神情。镜头采用近景拍摄，柔和地捕捉她细微的表情变化和动作，随后缓缓平移至侧面，展现她站立的优雅轮廓。整个场景充满宁静与温暖的氛围，洋溢着青春的气息，日系青春电影风格，柔和复古的色调，如同胶片相机般带有淡淡的怀旧感。

先来Wan2.1。

参数使用fp8/14b/480p/20steps/24fps，这样生成3-5s的视频，RTX4090显卡基本可以控制在5-10分钟以内，与线上平台相当。

生成两段吧，一段3s，一段5s。

3s版：

5s版：

接下来可灵。

直接使用最新的可灵1.6，上传图片进行首帧生成。可灵视频长度可选5s和10s，有标准和高品质两个版本。

我们统一选择5s长度，两个版本各生成一条。

标准版：

高品质：

单以成片效果来看，个人觉得最强的还是可灵1.6的高品质模式，不得不说，可灵确实强。但Wan2.1的水准我认为可以算在可灵标准版和高品质版之间，尤其是指令跟随，明显强过可灵标准版。

并且，当你使用家用消费级以上的显卡时，也可以继续提高Wan2.1的精度、步数和分辨率，获得更好的效果。

对AI视频领域有过了解的朋友都知道，图生视频在工程上的重要性远比外界想象的大。如果只使用文生视频，成片难度简直几何倍数提高。

PS:昨天AI.TALK汗青老师新发布的短片《LONELY》，完全使用Google VEO2文生视频创作，没有用到图生视频，牛逼。

同时，图生视频在视频创作之外的通用工作场景的应用，我认为也比单纯的文生视频更高。

比如我之前介绍Mermaid这篇文章：DeepSeek-R1使用技巧：学会这一句Prompt，让AI帮你生成多种酷炫图表的封面，如果有人还记得的话，长这样：

假设说，我现在正在制作一个演示用PPT，这是我的PPT封面。我想让它更酷炫一点，我想让水和鱼儿都动起来，但背后的Mermaid文字不要变化，怎么办？

这种需要，Wan2.1图生视频就可以完成。

提示词：

一幅动画风格的美人鱼场景，橙红色”Mermaid”文字悬浮在画面上方。深蓝色水域中，红发美人鱼少女浮在水面，身着橙红色贝壳上衣，长发在水中轻轻飘动，眼睛眨动，嘴角微微上扬。周围的橙红色鱼儿灵活游动，有的从她身边穿过，有的在深处游弋。水面泛起涟漪，光影在水下闪烁变幻。镜头采用固定视角，捕捉水中生物的自然流动感。整个场景充满梦幻而神秘的氛围，动漫插画风格，色彩对比强烈，蓝色水域与橙红色元素相映成趣。

生成的视频：

上面两张底图都是来自AI生成，使用照片的话可以得到更真实的效果。

例如这张图：

提示词：

镜头从侧面捕捉一位身着黑色西装的精英商业人士，站在装饰华丽的走廊中，手持一杯咖啡。他面容沉稳，眉头微皱，眼神中透露出思考和决断。他将咖啡杯缓缓举至唇边，轻啜一口，随后微微低头注视杯中液体，眼神中闪过一丝满足和释然。背景是米色墙壁和金色相框，营造出正式而庄重的氛围。镜头采用近景拍摄，捕捉他饮用咖啡时微妙的表情变化。整个场景充满力量与沉着的氛围，商业纪实风格，色调冷静而克制。

输出视频：

以及，Wan2.1作为能在本地部署的开源模型，就会有一些线上平台无法比拟的优势，SD玩家懂得都懂。

友情提醒：小擦怡情，大擦伤身。

再来说说本地部署。

说先还是要给个大大的赞的，相比隔壁阶跃的Step-Video-T2V，上来就要80G显存，万相起码有的玩。

但说实话，Wan2.1满血本地运行还是很吃力的，毕竟是生成视频，算力要求比Flux.1肯定是高。图生视频是14B模型，我自己用4090亲测，还是fp8量化的480p用起来更舒服一些，再高的精度或者分辨率，就会让生成时间变长，导致体验下降。

结合我自己的经验，不太建议4070Ti以下的玩家进行本地部署。除非你是文生视频需求。

万相贴心地准备了一个1.3B/BF16精度的文生视频模型，4070就可以流畅运行。4090生成一个3s视频的时间更是不到一分半。

本文插入视频数量已经到达上限了，效果就不放了。个人评价是，除非你要的量大，或者说在这个生产流程中介意水印，那使用线上文生图也是不错的选择。

但我认为本地部署依旧可以聊聊。为什么呢？因为很多人喜欢讲卡，却忽略了算力租赁这件事儿。

关于AI时代个人可以获取的buff，我一直有点粗浅的见解：有两项云服务，可能会越来越从ToB转向ToC。一个是云服务器，一个是云端算力。

个人云服务器，我之前的文章经常有提到。不到100元/年的租赁价格，可以获得一个随时随地都能访问的公网IP，加上一台更适合生产的Linux主机，配置不高但对个人来说够用。有了它你就可以调用各种AI的API，通过AI编程的方式把它捏成最适合自己的形状，然后它就是成了你行走江湖的私有外挂，甚至你也可以开放给别人使用，提供服务。

个人云端算力，其实也可以算作云服务器的一种，只是配置更高。很多人跟我说你有4090如何如何，确实，舍得花钱买显卡也是个执行力壁垒。但我可以提醒一下各位的是，很多算力租赁平台租用4090也就是网吧的价格，从1块多到几块钱一小时，足以完成一些不需要长期跟进的事情了。这就像相机，有点反常识，都说胶片贵，冲洗翻拍还要加邮费，但买台数码按不够一定快门次数，还真不好说谁成本更高。

这里没接到广告啊，也不推荐平台，大伙儿自行判断。我就提醒一句，如果算力过于便宜，尽量不要放重要文件和数据进去。

下面是个人总结的一个路径较短且无需魔法的部署教程：

1.到B站下载一个秋叶ComfyUI整合包。

具体地址在下面这个视频的评论区：

https://www.bilibili.com/video/BV1Ew411776J

解压即用，记得更新版本到最新。

2.到魔搭社区下载Wan2.1模型。

魔搭社区是阿里云旗下的AI大模型开源社区，国内可以直接访问，而且文件下载速度很快。

我们不去直接下载通义万相发布的模型，那个部署起来需要一定的专业技术知识。我们去下载Comfy Org打包的模型，只要你上一步把ComfyUI更新到最新，那就不需要再安装任何的节点，开箱即用。

具体地址是：

https://www.modelscope.cn/models/Comfy-Org/Wan_2.1_ComfyUI_repackaged/files

目录结构大概是这个样子：

然后下载模型文件（即split_files文件加下的内容）。

一共4个子文件夹：

clip_vision下只有一个clip_vision_h.safetensors 文件，下载到ComfyUI目录Comfyui/models/clip_vision/。

vae下也只有一个wan_2.1_vae.safetensors文件，下载到ComfyUI目录ComfyUI/models/vae/。

text_encoders下有两个文件，分别是fp8和fp16精度的文本编码器，可以结合自己的电脑配置选其一，或者两个都下载。

diffusion_models下的文件较大，可参考下图，根据自己的配置按需下载。

做一个简单的说明：

①分辨率高，规模大，精度高的，更吃配置。

②文生视频1.3B的bf16和fp16效果基本上不会有什么差距，理论上bf更适合训练，fp推理优化更好。

③文生视频模型的分辨率，根据网上的信息，应该480p和720p皆可生成。

④下载文件夹内的文件或直接打包下载文件夹皆可，ComfyUI可以选择二级文件夹下的路径。

3.下载工作流。

ComfyUI提供了官方示例工作流，在example workflows_Wan2.1文件夹下。就下面这三个，可以直接下载：

这个几个官方工作流没有加视频导出节点，如果你需要导出为视频，可以手动在最后串联一个video combine节点，格式选择h264-mp4或h265-mp4即可。

如果不会，也可以直接使用我添加好视频导出节点的工作流：Wan2.1工作流。

4.导入使用工作流。

导入工作流十分简单，启动comfyui后会自动打开一个这样的页面，把工作流json文件直接拖进去即可。

然后就可以生成你的视频了。

以上就是全部内容了，感谢关注！