Kurz gesagt
- Wan 2.2 ist ein quelloffenes Image-to-Video-Modell, das auf einer Mixture-of-Experts-Architektur basiert.
- Das Modell I2V-A14B erzeugt Videos in 480P und 720P; das Modell TI2V-5B liefert auf Consumer-GPUs (z. B. RTX 4090) 720P@24fps-Videos.
- Die Modelle stehen unter der Apache-2.0-Lizenz auf Hugging Face bereit und sind in ComfyUI sowie die Diffusers-Bibliothek integriert.
- Ohne zusätzliche Optimierung kann das TI2V-5B-Modell auf einer einzelnen Consumer-GPU ein 5-sekündiges 720P-Video in unter 9 Minuten erzeugen.
Für Büros in der Architekturvisualisierung, die statischen Renderings vor der Kundenpräsentation etwas Bewegung verleihen möchten, bietet das Open-Source-Modell Wan 2.2 eine praktische Lösung. Das vom Wan-Team auf Hugging Face veröffentlichte Modell nimmt ein Referenzbild (etwa ein Außenfassaden-Rendering oder einen Innenraum-Blickwinkel) und verwandelt es in ein kurzes Video. In dieser Anleitung erfahren Sie Schritt für Schritt, wofür das Modell geeignet ist, mit welcher Hardware es läuft und wie es sich für Innenraum- und Fassaden-Renderings einsetzen lässt.
Was Sie in dieser Anleitung lernen
Aus welchen Modellen Wan 2.2 besteht und worin die Unterschiede liegen
Die Installationsschritte für die Image-to-Video-Generierung (I2V)
Eine Beispiel-Promptstruktur für ein Architektur-Rendering
Häufige Fehler und die nächsten Schritte
Voraussetzungen
Die Wan-2.2-Familie umfasst drei Modelle: Text-to-Video (T2V-A14B), Image-to-Video (I2V-A14B) und Text+Image-to-Video (TI2V-5B). Das Modell I2V-A14B ist ein Mixture-of-Experts-Modell (MoE), das Videos in 480P und 720P erzeugen kann; obwohl es insgesamt 27 Milliarden Parameter hat, sind bei jedem Schritt nur 14 Milliarden Parameter aktiv. Für die Videogenerierung aus Bildern auf einer einzelnen GPU werden mindestens 80 GB VRAM benötigt; daher wird das A14B-Modell meist auf Workstations mit mehreren GPUs oder Cloud-Servern eingesetzt.
Für bescheidenere Hardware eignet sich das Modell TI2V-5B besser. Es nutzt einen speziellen VAE mit hoher Kompressionsrate und kann ohne zusätzliche Optimierung auf einer Consumer-GPU wie der RTX 4090 ein 5-sekündiges 720P@24fps-Video in unter 9 Minuten erzeugen. Für Architekturbüros ist dieses Modell meist der praktische Einstiegspunkt.
Für die Installation benötigen Sie eine Python-Umgebung, PyTorch (2.4.0 oder höher) sowie die Abhängigkeiten aus der Datei requirements.txt im GitHub-Repository des Projekts. Die Modelle können über Hugging Face oder ModelScope heruntergeladen werden und sind zudem in ComfyUI sowie die Diffusers-Bibliothek integriert.
Schritt-für-Schritt-Installation und Nutzung
1. Repository klonen und Abhängigkeiten installieren:
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2
pip install -r requirements.txt2. Modellgewichte herunterladen. Für Consumer-GPUs empfiehlt sich TI2V-5B, für Multi-GPU-Systeme I2V-A14B:
pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-I2V-A14B --local-dir ./Wan2.2-I2V-A14B3. Referenzbild vorbereiten. Dies kann ein Außenfassaden-Rendering oder eine Innenraumperspektive mit statischer Kameraeinstellung sein. Auflösung und Seitenverhältnis des Bildes bestimmen das Format des erzeugten Videos.
4. Generierungsbefehl ausführen. Der folgende Befehl startet die Image-to-Video-Generierung auf einer einzelnen GPU (mindestens 80 GB VRAM erforderlich, für I2V-A14B):
python generate.py --task i2v-A14B --size 1280*720 --ckpt_dir ./Wan2.2-I2V-A14B --offload_model True --convert_model_dtype --image render_disçephe.jpg --prompt "PROMPT_METNI"5. Einen passenden Prompt für Ihr Architektur-Rendering schreiben. Beispielprompts finden Sie unten:
A modern residential facade with large glass windows, captured at golden hour. Soft clouds drift slowly across the sky, subtle reflections move across the glass surface, and light gently shifts on the concrete texture. The camera remains static, cinematic lighting, architectural visualization style.Dieser Prompt verleiht einem Fassaden-Rendering mit statischer Kamera Bewegung durch Himmel, Reflexionen und Lichtverlauf; da keine Kamerabewegung gewünscht ist, ist die Formulierung „camera remains static“ wichtig.
A bright interior living room rendered in architectural visualization style, with sheer curtains gently swaying near an open window. Dust particles float softly in the sunbeam, warm afternoon light slowly shifts across the wooden floor, camera static, photorealistic rendering.Dieser Prompt eignet sich dagegen für Innenraum-Renderings, um kleine, aber wirkungsvolle Details wie Vorhangbewegung und Lichtübergänge zu erzeugen.
Häufige Fehler
Wenn im Prompt keine Kamerabewegung definiert wird, kann das Modell unerwartete Kameraverschiebungen erzeugen; bei gewünschtem statischem Bildausschnitt sollte dies explizit angegeben werden.
Bei unzureichendem VRAM für das TI2V-5B-Modell kann das Weglassen der Parameter
--offload_model Trueund--convert_model_dtypezu Fehlern führen.Eine sehr hohe Auflösung (über 1280x720) erhöht insbesondere beim A14B-Modell den VRAM-Bedarf erheblich.
Bei Problemen mit der Installation von
flash_attnwird empfohlen, zuerst die übrigen Abhängigkeiten und erst zuletztflash_attnzu installieren.
Nächste Schritte
Der erzeugte kurze Clip kann im Schnittprogramm mit der Rendering-Serie kombiniert und zu einem Präsentationsvideo zusammengefügt werden. Dank der ComfyUI-Integration lassen sich Prompt- und Bildkombinationen schnell testen – eine praktische Methode, um dies in den Büroworkflow zu integrieren.
Quelle und Lizenz
Diese Anleitung basiert auf der Modellkarte von Wan2.2, die das Wan-Team unter der Apache-2.0-Lizenz auf Hugging Face veröffentlicht hat. Die Befehlsbeispiele stammen aus dem Originaldokument, während die Architektur-Beispielprompts von den Autoren auf Basis der dokumentierten Techniken erstellt wurden.
Quellen
2 QuellenQuelltexte werden nicht neu veröffentlicht; kurze Zitate sind gekennzeichnet, der Rest ist eigene Zusammenfassung und Einordnung.
Wan 2.2 bietet, besonders mit dem Modell TI2V-5B, das auf einer einzelnen Consumer-GPU (wie der RTX 4090) in kurzer Zeit 720P-Videos erzeugen kann, eine zugängliche Option für kleine und mittlere Visualisierungsbüros in der Türkei. Die Apache-2.0-Lizenz schafft Spielraum für den kommerziellen Einsatz; allerdings übersteigt der Bedarf größerer Modelle wie I2V-A14B mit mindestens 80 GB VRAM die vorhandene Hardware der meisten Studios.
In der Praxis ist es sinnvoll, dass Büros zunächst kleine Tests mit TI2V-5B durchführen und bei Bedarf später auf das A14B-Modell über gemietete Cloud-GPUs umsteigen. Das Potenzial des Modells, statischen Kamera-Renderings leichte Bewegung (Reflexionen, Licht, Pflanzen-/Vorhangbewegung) zu verleihen, kann besonders für Präsentationsvideos und Social-Media-Inhalte wertvoll sein; allerdings sollte man bedenken, dass Kamerakontrolle und Konsistenz noch Experimentieren erfordern.
Häufige Fragen
Mit welcher Hardware läuft Wan 2.2?
Das Modell TI2V-5B kann ohne Optimierung auf einer einzelnen Consumer-GPU wie der RTX 4090 laufen; das Modell I2V-A14B benötigt dagegen auf einer einzelnen GPU mindestens 80 GB VRAM.
Unter welcher Lizenz wird Wan 2.2 vertrieben?
Die Modelle werden auf Hugging Face unter der Apache-2.0-Lizenz veröffentlicht, wobei angegeben wird, dass keine Rechte an den erzeugten Inhalten geltend gemacht werden.
In welcher Auflösung können mit Wan 2.2 Videos erzeugt werden?
Das Modell I2V-A14B erzeugt Videos in 480P und 720P, das Modell TI2V-5B liefert 720P@24fps-Videos.



