阿里最新开源视频生成模型Wan2.1 介绍和实践

介绍

Wan2.1是由Wan团队推出的开源视频生成模型套件，通过创新的架构设计和工程优化，在视频生成领域实现了多项技术突破。该模型系列基于扩散变换器范式 开发，支持从文本/图像输入生成720P高清视频，同时保持对消费级显卡的兼容性，为视频创作提供了新的可能(github.com/Wan-Video/W...%25E3%2580%2582 "https://github.com/Wan-Video/Wan2.1)%E3%80%82")

1. 核心功能亮点

- 多模态生成能力

支持文本到视频(T2V)、图像到视频(I2V)、视频编辑、文本到图像(T2I)、视频到音频(V2A)五大核心功能，覆盖完整的创作流程。其中T2V模型1.3B版本在RTX 4090上仅需4分钟即可生成5秒480P视频 huggingface.co/Wan-AI/Wan2...

- 跨语言文本生成

首次实现视频内中英文字幕的动态生成，支持自动生成信息卡、字幕条等视觉文本元素，显著提升视频信息传达效率。

- 革命性视频编解码

采用自主开发的Wan-VAE架构，突破性地支持无限时长1080P视频的编解码处理，通过3D因果编码结构保持时空连贯性，压缩效率较传统方案提升40%

2. 技术架构创新

扩散变换器(DiT)优化

集成Flow Matching框架，通过T5编码器实现多语言文本嵌入
创新调制参数预测机制，每个transformer块学习独立偏置
14B模型采用5120维度隐空间，40头注意力机制

模型规格对比

参数	T2V-1.3B	I2V-14B
隐空间维度	1536	5120
注意力头数	12	40
网络层数	30	40
前馈维度	8960	13824

1.3B 实践

1. 下载官方仓库

bash 复制代码

git clone https://github.com/Wan-Video/Wan2.1.git

2. 安装环境

shell 复制代码

cd Wan2.1
pip install -r requirements

3.启动本地gradio

python 复制代码

#注意没有足够显存不要使用local_qwen,使用api,启动一个qwen2.5 14B太耗资源了，权重下载用下面的就好了

DASH_API_KEY=sk-xx python t2v_1.3B_singleGPU.py \
--prompt_extend_method 'dashscope' --ckpt_dir /root/autodl-tmp/Wan-AI/Wan2.1-T2V-1.3B


#from modelscope import snapshot_download
#model_dir = snapshot_download('Wan-AI/Wan2.1-T2V-1.3B', cache_dir='/root/autodl-tmp')
#model_dir = snapshot_download('Wan-AI/Wan2.1-i2V-1.3B', cache_dir='/root/autodl-tmp')

计算时显存占用18G

4.结果

感觉上1.3B生成的视频还是差了一点，得上14B