I2V-A14B 图生视频：让静态图片"动起来"

I2V 和 T2V 的区别

I2V（Image-to-Video）在 T2V 的基础上多了一个首帧约束——你提供一张参考图作为视频的第一帧，模型在这个约束下生成后续帧。

这带来了两个好处：

更精准的场景起点：不会像纯文生那样"跑偏"
更强的一致性：图片里的人物、商品、文字在后续帧里能保持基本不变

Wan2.2 的 I2V 模型相比 2.1 版本，在产品一致性和人像一致性上有明显提升——这也是 2.2 最强调的改进点。

最小命令

python generate.py \
  --task i2v-A14B \
  --size 1280*720 \
  --ckpt_dir ./Wan2.2-I2V-A14B \
  --image examples/i2v_input.JPG \
  --offload_model True \
  --convert_model_dtype \
  --prompt "Summer beach vacation style, a white cat wearing sunglasses sits on a surfboard. The fluffy-furred feline gazes directly at the camera with a relaxed expression. Blurred beach scenery forms the background featuring crystal-clear waters, distant green hills, and a blue sky dotted with white clouds. The cat assumes a naturally relaxed posture, as if savoring the sea breeze and warm sunlight. A close-up shot highlights the feline's intricate details and the refreshing atmosphere of the seaside."

和 T2V 相比，主要差异：

--task i2v-A14B
新增 --image 参数，指向你的参考图
--size 在 I2V 中表示生成视频的面积，宽高比会自动跟随输入图片

没有 prompt 也能生成

I2V 模型可以完全不写 prompt，只靠参考图来生成——它会自动从图片"脑补"出运动：

DASH_API_KEY=your_key torchrun --nproc_per_node=8 generate.py \
  --task i2v-A14B \
  --size 1280*720 \
  --ckpt_dir ./Wan2.2-I2V-A14B \
  --prompt "" \
  --image examples/i2v_input.JPG \
  --use_prompt_extend \
  --prompt_extend_method dashscope

这里用 DashScope API 自动从参考图生成 prompt（内部会用 qwen-vl-max 视觉语言模型看图写描述），效果通常比空 prompt 好。

运镜控制

Wan2.2-I2V 支持运镜控制（Camera Control）。在 prompt 里描述镜头的推拉摇移（如"镜头缓慢推近"、"从左向右平移"、"环绕拍摄"），模型会按你描述的方式生成镜头运动。这是 Wan2.2 比同类闭源模型更强的一点。

常用的运镜描述词：

运镜	英文示例
推近	Camera slowly pushes in / Close-up shot
拉远	Camera pulls back / Wide establishing shot
平移	Camera pans from left to right
环绕	Camera orbits around the subject
跟随	Camera tracks the subject

和 TI2V-5B 的选择

I2V-A14B 效果更好（尤其是一致性和运镜），但需要 80GB 显存。如果你只有 4090，就用 TI2V-5B + --image 参数——虽然没有 MoE，但它同样支持图生视频。详见 4090 本地跑。