En resumen
- Wan 2.2 es un modelo de código abierto de imagen a video (image-to-video) basado en una arquitectura Mixture-of-Experts.
- El modelo I2V-A14B puede generar video en resolución 480P y 720P; el modelo TI2V-5B genera video a 720P@24fps en GPUs de consumo (por ejemplo, RTX 4090).
- Los modelos están disponibles bajo licencia Apache 2.0 en Hugging Face y están integrados con ComfyUI y la librería Diffusers.
- El modelo TI2V-5B puede generar un video de 5 segundos a 720P en menos de 9 minutos en una sola GPU de consumo, sin ninguna optimización adicional.
Para los equipos de estudios de visualización arquitectónica que buscan dar un toque de movimiento a sus renders estáticos antes de presentarlos al cliente, el modelo de código abierto Wan 2.2 ofrece una opción práctica. Este modelo, publicado por el equipo de Wan en Hugging Face, toma una imagen de referencia (por ejemplo, un render de fachada exterior o un encuadre de interior) y la convierte en un video corto. Esta guía explica paso a paso para qué sirve el modelo, con qué hardware funciona y cómo puede usarse para renders de interiores y exteriores.
Qué aprenderás en esta guía
De qué modelos se compone Wan 2.2 y cuáles son sus diferencias
Los pasos de instalación para la generación de imagen a video (I2V)
Una estructura de prompt de ejemplo para un render arquitectónico
Errores comunes y próximos pasos
Requisitos
La familia Wan 2.2 cuenta con tres modelos: texto a video (T2V-A14B), imagen a video (I2V-A14B) y texto+imagen a video (TI2V-5B). El modelo I2V-A14B es un modelo Mixture-of-Experts (MoE) capaz de generar video en resolución 480P y 720P; aunque tiene 27 mil millones de parámetros en total, solo 14 mil millones de parámetros están activos en cada paso. Para generar video a partir de imagen con este modelo en una sola GPU se requieren al menos 80 GB de VRAM, por lo que el modelo A14B suele preferirse en estaciones de trabajo con múltiples GPUs o servidores en la nube.
Para hardware más modesto, destaca el modelo TI2V-5B. Este modelo utiliza un VAE especial con una alta tasa de compresión y, sin ninguna optimización adicional, puede generar un video de 5 segundos a 720P@24fps en menos de 9 minutos en una GPU de consumo como la RTX 4090. Para los estudios de arquitectura, este modelo suele ser el punto de partida práctico.
Para la instalación se necesita un entorno de Python, PyTorch (2.4.0 o superior) y las dependencias del archivo requirements.txt del repositorio de GitHub del proyecto. Los modelos pueden descargarse desde Hugging Face o ModelScope, y además están integrados con ComfyUI y la librería Diffusers.
Instalación y uso paso a paso
1. Clona el repositorio e instala las dependencias:
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2
pip install -r requirements.txt2. Descarga los pesos del modelo. Para GPU de consumo se puede elegir TI2V-5B, y para sistemas con múltiples GPUs, I2V-A14B:
pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-I2V-A14B --local-dir ./Wan2.2-I2V-A14B3. Prepara tu imagen de referencia. Puede ser un render de fachada exterior o una perspectiva de interior con la cámara en un encuadre fijo. La resolución y la relación de aspecto de la imagen determinan la proporción del video generado.
4. Ejecuta el comando de generación. El siguiente comando inicia la generación de video a partir de imagen en una sola GPU (requiere al menos 80 GB de VRAM, para 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. Escribe un prompt adecuado para tu render arquitectónico. Ejemplos de prompts a continuación:
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.Este prompt anima un render de fachada exterior con cámara fija añadiendo movimiento de nubes, reflejos y luz; dado que no se desea movimiento de cámara, la frase "camera remains static" es importante.
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.Este prompt, en cambio, puede usarse para generar detalles pequeños pero efectivos en renders de interiores, como el movimiento de cortinas y cambios de luz.
Errores comunes
Si no defines el movimiento de cámara en el prompt, el modelo puede generar desplazamientos de cámara inesperados; si se desea un encuadre fijo, hay que indicarlo explícitamente.
Si la VRAM es insuficiente para el modelo TI2V-5B, omitir los parámetros
--offload_model Truey--convert_model_dtypepuede provocar errores.Pedir una resolución muy alta (superior a 1280x720) incrementa considerablemente el requisito de VRAM, especialmente en el modelo A14B.
Si surgen problemas al instalar
flash_attn, se recomienda instalar primero las demás dependencias y dejarflash_attnpara el final.
Próximos pasos
El clip corto generado puede combinarse con la serie de renders en un programa de edición para convertirlo en un video de presentación. Gracias a la integración con ComfyUI, probar rápidamente combinaciones de prompts e imágenes es un método práctico para incorporar este flujo al trabajo interno del estudio.
Fuente y licencia
Esta guía ha sido adaptada de la ficha del modelo Wan2.2 publicada por el equipo de Wan en Hugging Face bajo licencia Apache 2.0. Los ejemplos de comandos provienen del documento original, mientras que los prompts arquitectónicos de ejemplo han sido elaborados por los autores basándose en las técnicas documentadas.
Fuentes
2 fuentesNo republicamos los textos de las fuentes; las citas breves van marcadas y el resto es resumen y comentario propios.
Wan 2.2, especialmente con el modelo TI2V-5B, al poder generar video a 720P en poco tiempo en una sola GPU de consumo (como la RTX 4090), ofrece una opción accesible para los estudios de visualización pequeños y medianos en Turquía. La licencia Apache 2.0 da tranquilidad para su uso en proyectos comerciales; sin embargo, el hecho de que modelos más grandes como I2V-A14B requieran al menos 80 GB de VRAM puede superar el hardware disponible en la mayoría de los estudios.
En la práctica, una estrategia razonable es que los estudios realicen primero pruebas pequeñas con TI2V-5B y, en caso necesario, pasen al modelo A14B alquilando GPUs en la nube. El potencial del modelo para añadir movimiento sutil (reflejos, luz, oscilación de plantas o cortinas) a renders con cámara fija puede ser valioso especialmente en videos de presentación y contenido para redes sociales; sin embargo, hay que tener en cuenta que el control de la cámara y la consistencia todavía requieren prueba y error.
Preguntas frecuentes
¿Con qué hardware funciona Wan 2.2?
El modelo TI2V-5B puede funcionar sin optimización en una sola GPU de consumo como la RTX 4090; el modelo I2V-A14B, en cambio, requiere al menos 80 GB de VRAM en una sola GPU.
¿Bajo qué licencia se distribuye Wan 2.2?
Los modelos se publican en Hugging Face bajo licencia Apache 2.0, y se indica que no se reclaman derechos sobre el contenido generado.
¿En qué resolución se puede generar video con Wan 2.2?
El modelo I2V-A14B puede generar video en resolución 480P y 720P, mientras que el modelo TI2V-5B puede generar video a 720P@24fps.



