En bref
- Wan 2.2 est un modèle open source d'image-vers-vidéo (image-to-video) fonctionnant avec une architecture Mixture-of-Experts.
- Le modèle I2V-A14B peut générer des vidéos en 480P et 720P ; le modèle TI2V-5B produit des vidéos en 720P@24fps sur des GPU grand public (par exemple une RTX 4090).
- Les modèles sont téléchargeables sous licence Apache 2.0 via Hugging Face et sont intégrés à ComfyUI ainsi qu'à la bibliothèque Diffusers.
- Sans aucune optimisation, le modèle TI2V-5B peut générer une vidéo 720P de 5 secondes en moins de 9 minutes sur un seul GPU grand public.
Pour les équipes de visualisation architecturale qui souhaitent donner un peu de mouvement à leurs rendus statiques avant de les présenter aux clients, le modèle open source Wan 2.2 constitue une option pratique. Ce modèle, publié par l'équipe Wan sur Hugging Face, peut prendre une image de référence (par exemple un rendu de façade extérieure ou un cadrage d'intérieur) et la transformer en une courte vidéo. Ce guide explique étape par étape à quoi sert le modèle, avec quel matériel il fonctionne et comment l'utiliser pour des rendus d'intérieur ou de façade extérieure.
Ce que vous allez apprendre dans ce guide
De quels modèles se compose Wan 2.2 et quelles sont leurs différences
Les étapes d'installation pour la génération image-vers-vidéo (I2V)
La structure d'un exemple de prompt pour un rendu architectural
Les erreurs fréquentes et les prochaines étapes
Prérequis
La famille Wan 2.2 comprend trois modèles : texte-vers-vidéo (T2V-A14B), image-vers-vidéo (I2V-A14B) et texte+image-vers-vidéo (TI2V-5B). Le modèle I2V-A14B est un modèle Mixture-of-Experts (MoE) capable de générer des vidéos en 480P et 720P ; bien qu'il compte 27 milliards de paramètres au total, seuls 14 milliards de paramètres sont actifs à chaque étape. Pour générer une vidéo à partir d'une image avec ce modèle sur un seul GPU, au moins 80 Go de VRAM sont nécessaires ; c'est pourquoi le modèle A14B est généralement privilégié sur des stations de travail multi-GPU ou des serveurs cloud.
Pour un matériel plus modeste, le modèle TI2V-5B se démarque. Ce modèle utilise un VAE spécial à taux de compression élevé et peut générer, sans aucune optimisation supplémentaire, une vidéo 720P@24fps de 5 secondes en moins de 9 minutes sur un GPU grand public comme une RTX 4090. Pour les cabinets d'architecture, c'est généralement le point de départ le plus pratique.
Pour l'installation, il faut un environnement Python, PyTorch (version 2.4.0 ou supérieure) et les dépendances listées dans le fichier requirements.txt du dépôt GitHub du projet. Les modèles peuvent être téléchargés via Hugging Face ou ModelScope, et sont également intégrés à ComfyUI ainsi qu'à la bibliothèque Diffusers.
Installation et utilisation étape par étape
1. Clonez le dépôt et installez les dépendances :
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2
pip install -r requirements.txt2. Téléchargez les poids du modèle. Pour un GPU grand public, privilégiez TI2V-5B ; pour un système multi-GPU, I2V-A14B :
pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-I2V-A14B --local-dir ./Wan2.2-I2V-A14B3. Préparez votre image de référence. Il peut s'agir d'un rendu de façade extérieure ou d'une perspective d'intérieur avec une caméra fixe. La résolution et le ratio de l'image détermineront le format de la vidéo générée.
4. Lancez la commande de génération. La commande suivante démarre la génération image-vers-vidéo sur un seul GPU (nécessite au moins 80 Go de VRAM, pour 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. Rédigez un prompt adapté à votre rendu architectural. Voici des exemples de prompts :
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.Ce prompt anime un rendu de façade extérieure à caméra fixe en y ajoutant du ciel, des reflets et des variations de lumière ; la mention « camera remains static » est importante car aucun mouvement de caméra n'est souhaité.
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.Ce prompt, lui, peut être utilisé pour générer des détails subtils mais efficaces dans les rendus d'intérieur, comme le mouvement des rideaux ou les variations de lumière.
Erreurs fréquentes
Si vous ne définissez pas de mouvement de caméra dans le prompt, le modèle peut générer des déplacements de caméra inattendus ; si un cadrage fixe est souhaité, il faut le préciser explicitement.
Si la VRAM est insuffisante pour le modèle TI2V-5B, omettre les paramètres
--offload_model Trueet--convert_model_dtypepeut provoquer des erreurs.Demander une résolution très élevée (supérieure à 1280x720) augmente considérablement les besoins en VRAM, en particulier pour le modèle A14B.
En cas de problème lors de l'installation de
flash_attn, il est recommandé d'installer d'abord les autres dépendances, puisflash_attnen dernier.
Prochaines étapes
Le court clip généré peut être combiné avec la série de rendus dans un logiciel de montage pour créer une vidéo de présentation. Grâce à l'intégration ComfyUI, tester rapidement différentes combinaisons de prompts et d'images est une méthode pratique à intégrer au flux de travail interne du cabinet.
Source et licence
Ce guide est une adaptation en turc (puis traduite ici en français) de la fiche du modèle Wan2.2 publiée par l'équipe Wan sur Hugging Face sous licence Apache 2.0. Les exemples de commandes sont issus de la documentation originale, tandis que les exemples de prompts architecturaux ont été créés par les auteurs en s'appuyant sur les techniques documentées.
Sources
2 sourcesLes textes sources ne sont pas republiés ; les courtes citations sont signalées, le reste est notre propre résumé et commentaire.
Grâce notamment au modèle TI2V-5B, capable de générer rapidement des vidéos 720P sur un seul GPU grand public (comme une RTX 4090), Wan 2.2 constitue une option accessible pour les cabinets de visualisation de petite et moyenne taille en Turquie. La licence Apache 2.0 offre une certaine tranquillité pour une utilisation dans des projets commerciaux ; cependant, les modèles plus volumineux comme I2V-A14B, nécessitant au moins 80 Go de VRAM, peuvent dépasser les capacités matérielles de la plupart des studios.
En pratique, une stratégie raisonnable pour les cabinets consisterait à faire d'abord de petits essais avec TI2V-5B, puis à passer, si besoin, à une location de GPU cloud pour utiliser le modèle A14B. Le potentiel du modèle à apporter un léger mouvement (reflets, lumière, balancement de plantes ou de rideaux) à des rendus à caméra fixe peut être précieux, notamment pour les vidéos de présentation et les contenus destinés aux réseaux sociaux ; il ne faut cependant pas oublier que le contrôle de la caméra et la cohérence nécessitent des essais successifs.
Questions fréquentes
Avec quel matériel Wan 2.2 fonctionne-t-il ?
Le modèle TI2V-5B peut fonctionner sans optimisation sur un seul GPU grand public comme une RTX 4090 ; le modèle I2V-A14B, lui, nécessite au moins 80 Go de VRAM sur un seul GPU.
Sous quelle licence Wan 2.2 est-il distribué ?
Les modèles sont publiés sur Hugging Face sous licence Apache 2.0, et il est précisé qu'aucun droit n'est revendiqué sur les contenus générés.
Quelles résolutions de vidéo peuvent être générées avec Wan 2.2 ?
Le modèle I2V-A14B peut générer des vidéos en 480P et 720P, tandis que le modèle TI2V-5B produit des vidéos en 720P@24fps.



