WAN 2.1 视频生成模型使用指南

WAN 2.1 是一套高质量的视频生成模型系列，支持从文本到视频和从图像到视频的转换。本文档详细介绍模型特性、安装步骤和优化使用方法。

模型简介

WAN 2.1 提供两个主要版本：

• 14B 参数版本：提供最高质量输出，支持 FP8 精度优化
• 1.3B 参数版本：适合资源有限的设备，保持合理的质量表现

核心特性

• 支持多种精度：FP16、BF16、FP8_scaled、FP8_e4m3fn
• 灵活的分辨率支持：从 480P 到 720P
• 可调节帧数输出
• 优化的动画过渡算法
• 精确的文本理解能力

技术规格对比

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

分辨率指南

视频方向	推荐分辨率	用途
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 或更高版本
• NVIDIA GPU，支持 CUDA

必需文件

文本编码器和 VAE：

• umt5_xxl_fp8_e4m3fn_scaled.safetensors - 放置于: ComfyUI/models/text_encoders/
• wan_2.1_vae.safetensors - 放置于: ComfyUI/models/vae/

CLIP 视觉模型：

• CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors - 放置于: ComfyUI/models/clip_vision/

视频扩散模型：

镜像使用方法

启动镜像后，在控制台位置，如图所示直接点击“ComfyUI”即可使用

模型下载列表

模型类型	模型文件名	大小	精度	推荐使用	备注
文本到视频	wan2.1_t2v_1.3B_bf16.safetensors	2.84 GB	BF16		轻量版
文本到视频	wan2.1_t2v_1.3B_fp16.safetensors	2.84 GB	FP16	✓	轻量版，最高质量
文本到视频	wan2.1_t2v_14B_bf16.safetensors	28.6 GB	BF16		高质量版
文本到视频	wan2.1_t2v_14B_fp16.safetensors	28.6 GB	FP16		高质量版，最佳效果
文本到视频	wan2.1_t2v_14B_fp8_e4m3fn.safetensors	14.3 GB	FP8	✓	显存优化版
文本到视频	wan2.1_t2v_14B_fp8_scaled.safetensors	14.3 GB	FP8		显存优化版，更高质量
图像到视频(480P)	wan2.1_i2v_480p_14B_bf16.safetensors	32.8 GB	BF16		标准分辨率
图像到视频(480P)	wan2.1_i2v_480p_14B_fp16.safetensors	32.8 GB	FP16	✓	标准分辨率，最高质量
图像到视频(480P)	wan2.1_i2v_480p_14B_fp8_e4m3fn.safetensors	16.4 GB	FP8	✓	显存友好版
图像到视频(480P)	wan2.1_i2v_480p_14B_fp8_scaled.safetensors	16.4 GB	FP8		显存友好版，质量更好
图像到视频(720P)	wan2.1_i2v_720p_14B_bf16.safetensors	32.8 GB	BF16		高分辨率
图像到视频(720P)	wan2.1_i2v_720p_14B_fp16.safetensors	32.8 GB	FP16	✓	高分辨率，最高质量
图像到视频(720P)	wan2.1_i2v_720p_14B_fp8_e4m3fn.safetensors	16.4 GB	FP8	✓	高分辨率，显存友好
图像到视频(720P)	wan2.1_i2v_720p_14B_fp8_scaled.safetensors	16.4 GB	FP8		高分辨率，显存友好且质量更好

所有扩散模型文件应放置于：ComfyUI/models/diffusion_models/

模型质量排名（从高到低）：fp16 > bf16 > fp8_scaled > fp8_e4m3fn

工作流示例

图像到视频

480P

使用 wan2.1_i2v_480p_14B_fp8_e4m3fn.safetensors 模型生成 33 帧视频，分辨率为 768x1024。适合日常使用，对显存要求较低。

720P

使用 wan2.1_i2v_720p_14B_fp8_e4m3fn.safetensors 模型生成 53 帧视频，分辨率为 768x1088。处理时间较长但质量更高。

文本到视频

1.3B(480P)

使用 wan2.1_t2v_1.3B_fp16.safetensors 模型生成 49 帧视频，分辨率为 480x1024。

14B(720P)

使用 wan2.1_t2v_14B_fp8_e4m3fn.safetensors 模型生成 49 帧视频，分辨率为 480x1024。

参数优化

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。

优化建议

1. 添加 ModelSamplingSD3 节点：显著提高生成质量，特别是对复杂场景
2. 负面提示词设计：控制不需要的特征，避免常见生成问题
3. 使用合适的参考图像：高质量、构图清晰的参考图能提升结果质量
4. 显存管理：
   • 8GB 显存：使用 fp8 模型生成短片段 480P 视频
   • 16GB 显存：可使用 fp16 模型生成 720P 视频
   • 24GB+ 显存：可生成更长时间的高质量 720P 视频

常见问题

1. 显存不足：尝试使用 fp8 模型、减少帧数或降低分辨率
2. 生成质量不佳：检查提示词质量和参考图像清晰度，增加采样步数
3. 生成速度慢：视频生成是计算密集型任务，可在不需要最高质量时使用轻量级模型
4. 选择合适模型：根据硬件和需求选择 - 追求质量选 14B 版本，优先考虑速度选 1.3B 版本