WAN 2.1 文本生成视频模型

模型简介

WAN 2.1 是一款强大的文本到视频(T2V)生成模型，专为创建流畅、高质量的视频内容而设计。该模型提供两个版本：全尺寸14B参数版本(支持FP8精度)和轻量级1.3B参数版本，可根据不同硬件条件灵活选择。

主要特点

• 高效能生成：14B版本使用FP8精度(e4m3fn)优化，在保持质量的同时大幅减少显存占用
• 分辨率灵活：支持480×1024等多种常用分辨率
• 多帧输出：默认生成49帧视频，可根据需要调整
• 流畅过渡：专为创建连贯、自然的动态视频序列优化
• 强大文本表现：能理解并精确表现中文描述的场景、服饰和动作细节

技术规格表

参数	14B FP8版本	1.3B FP16版本
模型大小	约7GB	约2GB
显存要求	≥16GB	≥8GB
推荐GPU	RTX 3090/4090	RTX 3060及以上
支持分辨率	480P至720P	主要480P
生成速度	较慢	较快
视觉质量	优秀	良好
提示词理解	全面精确	基础理解

支持分辨率参考

视频方向	推荐分辨率	备注
横向视频	1024×576	16:9比例，适合一般场景
竖向视频	480×1024	9:19.2比例，适合移动设备
正方形	768×768	1:1比例，适合社交媒体

安装要求

系统要求

• ComfyUI最新版本
• Python 3.10+
• 支持CUDA的NVIDIA GPU

模型文件

1. 下载所需模型文件：

   • 14B版本:

     • wan2.1_t2v_14B_fp8_e4m3fn.safetensors (主模型)
     • umt5_xxl_fp8_e4m3fn_scaled.safetensors (CLIP模型)
     • wan_2.1_vae.safetensors (VAE模型)

   • 1.3B版本:

     • wan2.1_t2v_1.3B_fp16.safetensors (主模型)
     • umt5_xxl_fp8_e4m3fn_scaled.safetensors (CLIP模型)
     • wan_2.1_vae.safetensors (VAE模型)

2. 将文件放置于ComfyUI模型目录下对应文件夹

使用参数表

参数类型	参数名称	推荐值	可调范围	影响
采样器	采样方法	euler_ancestral	多种算法	生成风格和稳定性
采样器	调度器	sgm_uniform	多种选项	噪声调度方式
采样器	步数	30	20-50	质量与速度平衡
采样器	CFG Scale	8	5-12	提示词遵循程度
采样器	去噪强度	1	0.5-1	创意自由度
视频设置	帧数	49	25-100	视频长度
视频设置	帧率	16	8-30	播放速度
视频设置	循环播放	true	true/false	WEBP循环设置
视频设置	质量	90	50-100	输出文件质量

提示词技巧

有效的提示词结构

[地点/环境]，[人物特征]，[动作描述]，[服装描述]，[肢体语言/姿态]，[光线氛围]

示例提示词

大理扎染坊中，白族姑娘俯身展开靛蓝布料，盘扣衬衫被浑圆胸型撑得微微绽开，阔腿裤在弯腰时绷出惊人臀腰比，银饰项圈陷入锁骨窝，两颊高原红比染缸里的茜草更明艳。