Trải nghiệm khi dùng Wan2.1
Về cách dùng trực tiếp theo repo, bạn mở Terminal (cửa sổ gõ lệnh), tải mã nguồn, cài thư viện Python, tải trọng số mô hình từ Hugging Face rồi chạy một lệnh kèm câu mô tả. Ví dụ bạn gõ "hai chú mèo đeo găng đấm bốc đang thi đấu trên sân khấu" và vài phút sau nhận về một file video ngắn. Đây là cách làm của lập trình viên, không có nút bấm hay giao diện sẵn cho người mới.
Với người không rành lệnh, con đường dễ hơn là dùng Wan2.1 trong ComfyUI, vì README ghi rõ đã có tích hợp sẵn. Bạn kéo một workflow (sơ đồ các khối xử lý), chọn mô hình, nhập mô tả rồi bấm chạy, kết quả hiện ra ngay trong giao diện. Repo cũng kèm các script chạy giao diện web cục bộ bằng Gradio để thử trên trình duyệt.
Hãy mường tượng trước thời gian chờ. Tài liệu cho biết bản 1.3B tạo video 480P dài 5 giây trên card RTX 4090 mất khoảng 4 phút khi chưa tối ưu. Card yếu hơn sẽ chậm hơn nhiều, nên cách làm hợp lý là thử ý tưởng ở độ phân giải thấp rồi mới chạy bản nặng khi đã ưng ý.
Tính năng nổi bật
Chữ thành video
Nhập một đoạn mô tả bằng lời, mô hình tạo ra clip tương ứng. Có bản 1.3B nhẹ (480P) và bản 14B nặng hơn hỗ trợ cả 480P lẫn 720P.
Ảnh thành video
Đưa một tấm ảnh kèm mô tả chuyển động, mô hình làm cho ảnh sống dậy. Hợp với ảnh sản phẩm, ảnh chân dung, ảnh phong cảnh.
Nối khung đầu và khung cuối
Bạn cho ảnh bắt đầu và ảnh kết thúc, mô hình tự sinh đoạn chuyển động ở giữa. Tài liệu lưu ý bản này huấn luyện chủ yếu bằng mô tả tiếng Trung nên nên thử mô tả tiếng Trung để có kết quả tốt hơn.
VACE: tạo và chỉnh video đa năng
Mô hình VACE gộp nhiều việc như tạo video theo tham chiếu, chỉnh sửa, thay đối tượng trong cùng một bộ, có bản 1.3B và 14B.
Sinh được chữ trong video
Nhóm tác giả nói đây là mô hình video đầu tiên tạo được chữ tiếng Anh và tiếng Trung, có ích khi làm tiêu đề hoặc biển hiệu trong cảnh quay.
Có sẵn đường tích hợp
README liệt kê tích hợp với ComfyUI và Diffusers, kèm nhiều dự án cộng đồng tăng tốc hoặc bổ sung chức năng.
Tận dụng Wan2.1 vào việc gì?
Người làm YouTube, TikTok
Làm cảnh minh hoạ ngắn cho video
Tạo vài cảnh chuyển động phụ (mây trôi, sóng biển, thành phố ban đêm) để chèn vào video thay vì đi mua stock footage.
Chủ shop online
Biến ảnh sản phẩm thành clip quảng cáo ngắn
Dùng bản ảnh thành video để làm ảnh sản phẩm có chút chuyển động cho bài đăng, rồi chỉnh thêm nhạc và chữ ở phần mềm dựng quen thuộc.
Người sáng tạo nội dung, sinh viên thiết kế
Thử nghiệm ý tưởng kể chuyện
Phác thảo nhanh storyboard động trước khi quay thật hoặc dựng tay, để biết ý tưởng nào đáng đầu tư.
Lập trình viên, sinh viên
Nghiên cứu và học AI video
Đọc code suy luận, chạy trên một hoặc nhiều GPU, thử các tuỳ chọn như offload bộ nhớ để hiểu cách một mô hình video cỡ lớn vận hành.
Cần chuẩn bị gì?
- Card đồ hoạ NVIDIA là lựa chọn thực tế. Theo README, bản T2V-1.3B cần khoảng 8,19 GB VRAM; bản 14B nặng hơn nhiều, có hướng dẫn chạy nhiều GPU.
- Python với PyTorch từ 2.4.0 trở lên, cài thư viện bằng file requirements của repo.
- Dung lượng ổ cứng trống lớn cho trọng số mô hình tải từ Hugging Face hoặc ModelScope (bản 14B rất nặng, hãy chuẩn bị nhiều chục GB).
- Quen dùng Terminal, hoặc dùng ComfyUI nếu muốn giao diện đồ hoạ.
Hướng dẫn cài đặt chi tiết
Cài trên Chạy theo repo
Cần có Git và Python trước. Mở Terminal, tải mã nguồn về và vào thư mục dự án.
git clone https://github.com/Wan-Video/Wan2.1.git cd Wan2.1Cài các thư viện cần thiết. README yêu cầu torch phiên bản 2.4.0 trở lên, nên hãy cài PyTorch đúng với card đồ hoạ của bạn trước (theo hướng dẫn trên trang pytorch.org) rồi mới chạy lệnh dưới.
pip install -r requirements.txtTải trọng số mô hình. Ví dụ dưới tải bản chữ thành video 1.3B, nhỏ nhất, từ Hugging Face. Các bản khác có link trong bảng Model Download của README.
pip install "huggingface_hub[cli]" huggingface-cli download Wan-AI/Wan2.1-T2V-1.3B --local-dir ./Wan2.1-T2V-1.3BChờ tải xong (file rất nặng). Nếu Hugging Face khó truy cập, README cũng cung cấp đường tải qua ModelScope.
Cài trên Dùng trong ComfyUI
Nếu bạn chưa quen dòng lệnh, hãy cài ComfyUI trước (xem trang ComfyUI trong Kho Repo). README của Wan2.1 xác nhận mô hình đã được tích hợp vào ComfyUI.
Mở trang ví dụ Wan trong tài liệu ComfyUI, tải workflow và các file mô hình mà trang đó chỉ định, đặt vào đúng thư mục theo hướng dẫn rồi mở workflow trong ComfyUI.
https://comfyanonymous.github.io/ComfyUI_examples/wan/Nhập mô tả, bấm chạy và chờ video xuất hiện. Cách này tránh được việc tự viết lệnh, nhưng vẫn cần card đồ hoạ đủ mạnh.
Dùng thử lần đầu
Với bản 1.3B, chạy lệnh tạo video chữ thành video 480P. Thay đường dẫn thư mục mô hình cho khớp nếu bạn tải ở chỗ khác.
python generate.py --task t2v-1.3B --size 832*480 --ckpt_dir ./Wan2.1-T2V-1.3B --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage."Nếu gặp lỗi hết bộ nhớ (OOM), thêm hai tuỳ chọn mà README gợi ý để giảm VRAM, đổi lại tốc độ chậm hơn.
python generate.py --task t2v-1.3B --size 832*480 --ckpt_dir ./Wan2.1-T2V-1.3B --offload_model True --t5_cpu --prompt "A cat walks on the grass, realistic style."Muốn có giao diện web để thử, vào thư mục gradio và chạy script tương ứng với bản mô hình bạn đã tải. Ví dụ dưới là bản 14B (cần tải riêng và nặng hơn); README có ví dụ cho từng bản, kể cả cách dùng mô hình cục bộ để mở rộng mô tả.
cd gradio python t2v_14B_singleGPU.py --prompt_extend_method 'local_qwen' --ckpt_dir ./Wan2.1-T2V-14BMở file video kết quả, rồi thử đổi mô tả. Mô tả càng cụ thể về chủ thể, chuyển động và ánh sáng thì kết quả càng bám ý hơn.
Mẹo dùng hay
- Nếu máy yếu, bắt đầu bằng bản 1.3B ở 480P. README nói bản này cho kết quả ổn định nhất ở 480P, còn 720P kém ổn định hơn vì huấn luyện ít ở độ phân giải đó.
- Chỉ nên dùng ComfyUI nếu bạn muốn thử nhiều workflow khác nhau mà không viết lệnh; cộng đồng chia sẻ khá nhiều workflow cho Wan.
- Cộng đồng có các dự án tăng tốc như TeaCache hay LightX2V (được README nhắc tên), đáng xem nếu thời gian chờ quá lâu.
- Hãy tạo nhiều clip ngắn rồi ghép, thay vì cố tạo một clip dài trong một lần.
Lưu ý và hạn chế
- Đây là dự án cho người có GPU mạnh và biết dùng Terminal. Bản 14B đòi hỏi phần cứng lớn hơn nhiều so với laptop văn phòng thông thường.
- Wan2.1 đã có người kế nhiệm là Wan2.2 trong cùng tổ chức; nếu bạn mới bắt đầu, hãy xem cả trang Wan2.2 trong Kho Repo.
- Video do AI tạo có thể méo hình, chuyển động kỳ lạ hoặc sai chi tiết. Giấy phép mô hình là Apache 2.0 và tác giả không giữ quyền với nội dung bạn tạo, nhưng bạn tự chịu trách nhiệm khi dùng. Không tạo video giả mạo người thật, thông tin sai lệch hoặc nội dung gây hại, và nhớ kiểm tra quy định của nền tảng khi đăng.
Câu hỏi thường gặp
Wan2.1 có miễn phí không, có dùng thương mại được không?
Mô hình và mã nguồn theo giấy phép Apache 2.0, miễn phí. README nói tác giả không đòi quyền với nội dung bạn tạo, nhưng việc dùng phải tuân thủ luật và điều khoản trong giấy phép. Bạn nên tự đọc kỹ file giấy phép trước khi dùng cho mục đích kinh doanh.
Máy không có card NVIDIA có chạy được không?
Tài liệu của repo hướng tới GPU, đặc biệt là NVIDIA. Chạy bằng CPU gần như không thực tế với mô hình video. Nếu không có card phù hợp, hãy cân nhắc các dịch vụ web của Wan hoặc thuê GPU đám mây.
Có nhập mô tả bằng tiếng Việt được không?
README không hứa hỗ trợ tiếng Việt. Cách an toàn là viết mô tả bằng tiếng Anh (hoặc tiếng Trung với bản nối khung đầu và cuối) để có kết quả ổn định hơn.
Tải mã nguồn về máy
Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.
git clone https://github.com/Wan-Video/Wan2.1.gitRepo tương tự nên xem
Wan2.2
Wan-Video / Wan2.2
Bộ mô hình tạo video từ chữ, ảnh, giọng nói; bản 5B vừa với card 24 GB
ComfyUI
Comfy-Org / ComfyUI
Tạo ảnh, video, âm thanh bằng AI ngay trên máy bằng cách nối các khối (node) thành quy trình
LTX-Video (bản gốc v0.9.x)
Lightricks / LTX-Video
Mô hình AI tạo video từ chữ hoặc ảnh của Lightricks; kho này là bản cũ, bản mới là LTX-2.5