本地 AI 视频生成：从 Wan 2.2 开始
本地 AI 视频生成：从 Wan 2.2 开始
写在前面
2026 年的本地 AI 视频生成已经「跑得起来」了：开源模型可以在消费级显卡上生成 5 秒左右的 720p 片段，8GB 显存也有低门槛方案。但要说实话——它还不是「输入一句话出一分钟成片」的程度，速度、显存和可玩性之间需要做明确的取舍。
本教程基于 ComfyUI 讲透 2026 主流开源视频模型选型，并以阿里 Wan 2.2 为实战主线，跑通文生视频、图生视频、首尾帧三种玩法。
一、2026 开源视频模型怎么选
| 模型 | 出品方 | 协议 | 参数量 | 最低显存 | 特点 |
|---|---|---|---|---|---|
| Wan 2.2 | 阿里 | Apache 2.0 | 5B / 14B（MoE 激活） | 8GB（5B） | 中文好、影视级美学、ComfyUI 原生支持、官方 4 步加速 |
| LTX-2 / 2.3 | Lightricks | Apache 2.0 | 2B 级 | 8GB | 最快、20 秒长视频、开源首个音画同步 |
| HunyuanVideo | 腾讯 | 自定义 | 13B | 16GB | 电影感最强，但慢且吃显存 |
| CogVideoX | 智谱 | Apache 2.0 | 2B / 5B | 8GB（2B） | 叙事理解好，运动较保守 |
| Mochi 1 | Genmo | Apache 2.0 | 10B | 24GB | 物理真实，适合研究 |
选型建议：
- 8GB 显存（4060 等）→ Wan 2.2 TI2V-5B 或 LTX-2 量化版
- 12–16GB → Wan 2.2 5B 全精度、Wan 2.1 1.3B 上 720p
- 24GB → Wan 2.2 14B FP8（480p）或 GGUF Q5（720p）
- 中文提示词 → Wan 系（UMT5 多语言编码器）；英文为主 → LTX 速度优势明显
闭源 API（Sora、Seedance、可灵）质量更高但拿不到权重，无法本地部署——这也是本地方案最大的边界。
二、环境准备
- 已装好 ComfyUI（建议最新版，视频节点原生支持）
- NVIDIA 显卡 + 驱动 + CUDA 环境（见 Docker + GPU 容器）
- 磁盘空间：视频模型动辄 20–90GB，预留 100GB+ 比较稳
三、实战主线：Wan 2.2 TI2V-5B（8GB 入门）
Wan 2.2 的 5B 混合版（TI2V）一个模型同时支持文生视频和图生视频，配合 ComfyUI 原生 offloading 适配 8GB 显存，是 2026 年综合门槛最低的路线。
3.1 下载模型
| 文件 | 作用 | 存放目录 |
|---|---|---|
wan2.2_ti2v_5B_fp16.safetensors | 生成主模型 | models/diffusion_models/ |
umt5_xxl_fp8_e4m3fn_scaled.safetensors | 文本编码器（多语言） | models/text_encoders/ |
wan2.2_vae.safetensors | 视频 VAE（5B 专用，48 通道） | models/vae/ |
模型来源：HuggingFace Wan-AI、Comfy-Org 模型页；国内可从 hf-mirror 镜像下载。
3.2 加载官方工作流
- ComfyUI 菜单 → 工作流 → 浏览模板 → 视频 → 选择
Wan2.2 5B 视频生成 - 确认三个节点分别指向上面三个文件
- 正向提示词写画面：主体 + 动作 + 镜头 + 光影
提示词示例：
一只橘猫在窗台上晒太阳，微风吹动窗帘，
镜头缓慢推进，午后金色光线，写实风格，电影感
- （可选）图生视频：Ctrl+B 启用
Load Image上传起始图，它会作为首帧驱动 - 点 Run，等待（8GB 显存 480p 5 秒约 5–10 分钟）
3.3 输出文件
默认输出在 ComfyUI/output/，格式为 mp4（Save Video 节点）或 gif。
四、进阶：Wan 2.2 14B 高质量路线
想要更好的画面和复杂运动，用 14B（MoE 双专家架构：总参 27B、每步激活 14B，高/低噪声两个专家分别管布局和细节）。
4.1 文件清单
| 文件 | 存放目录 |
|---|---|
wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors | models/diffusion_models/ |
wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors | models/diffusion_models/ |
umt5_xxl_fp8_e4m3fn_scaled.safetensors | models/text_encoders/ |
wan_2.1_vae.safetensors | models/vae/ |
注意：14B 用
wan_2.1_vae（16 通道）；用成 5B 的wan2.2_vae（48 通道）会直接报通道不匹配错误——这是最高频的坑。
工作流同样在模板库：Wan2.2 14B T2V（文生视频）/ Wan2.2 14B I2V（图生视频）/ Wan2.2 14B FLF2V（首尾帧转视频）。
- 14B 显存门槛：FP8 约 24GB（480p），GGUF Q5 约 21GB、Q3 约 15GB（720p 需 24GB 以上）
- 速度参考（L40S 48GB + 官方 LightX2V 4 步）：5 秒视频约 30 秒出，10 秒约 2 分钟，30 秒约 12 分钟——帧数越多，注意力 O(N²) 越慢，长视频不建议单次硬跑
五、低显存与提速三板斧
- LightX2V 步数蒸馏：官方 4 步 LoRA，采样步数从 20–50 步降到 4 步，速度提升数倍，画质损失小
- GGUF 量化（City96/ComfyUI-GGUF 节点）：Q5/Q3 版本显著降显存，适合 12GB 以下
- SageAttention：Hopper 架构（4090/5090 等）可装，进一步提速；没装时 ComfyUI 自动回退 PyTorch attention，只是慢一些
六、长视频：分镜拼接 vs I2V 链式
单段生成上限约 5–10 秒（再长速度骤降且易崩），长视频两条路：
- 路径 A：T2V 多分镜拼接——把脚本拆成多个 5 秒分镜分别生成，用 ffmpeg 拼接；适合叙事/不同场景
- 路径 B：I2V 链式——每段取末帧作为下一段 I2V 的首帧，画面连续；适合同一场景延续
# ffmpeg 拼接示例（同分辨率 mp4）
ffmpeg -f concat -safe 0 -i list.txt -c copy output.mp4
常见问题
8GB 显存够吗？ 够——Wan 2.2 5B（配合 offloading）或 LTX-2 量化版都能跑 480p；4060 实测 5 秒 480p 约 4 分钟（Wan 2.1 1.3B 参考值）。
报错 expected input ... to have 48 channels, but got 16 channels？ VAE 用错了：14B 配 wan_2.1_vae，5B 配 wan2.2_vae，互换必炸。
生成很慢正常吗？ 正常。视频生成是数十步 × 每步全帧注意力，5 秒 480p 用几分钟到十几分钟都属于合理区间；装 SageAttention + LightX2V 能快数倍。
能生成带声音的视频吗？ LTX-2 系支持音画同步生成；Wan 系目前纯画面，音频需后期合成。
爆显存（OOM）怎么办？ 降分辨率（480p）、降帧数、用 GGUF Q3/Q5、开启 offloading（性能换显存）。
风险提示
- 视频模型体积大、推理重，注意磁盘空间与发热；长时间满载生成建议监控显卡温度
- 涉及真人肖像、他人作品、商业用途的内容，请遵守相关法律法规与平台规范
- 开源模型许可不同（Apache 2.0 / 自定义），商用前先核对各模型许可证
下一步
- 先装好图形化环境 → ComfyUI 工作流入门
- 视频帧需要先有画面 → Stable Diffusion 部署
- 视频内容配音配乐 → 后续「本地 TTS 语音合成」教程
- 跑不动大模型时 → 用 Docker GPU 容器 隔离环境或租云 GPU
评论
评论区由 GitHub Discussions 驱动，使用 GitHub 账号即可参与讨论。