このプロジェクトについて

Wan2.1は、オープンで先進的な大規模動画生成モデルスイートです。Text-to-Video（T2V）、Image-to-Video（I2V）、First-Last-Frame-to-Video（FLF2V）、動画編集、Text-to-Image、Video-to-Audioなど複数のタスクに対応します。リポジトリでは1.3Bおよび14Bパラメータのモデルチェックポイントを提供し、480Pおよび720Pの解像度をサポートしています。 主な機能： - コンシューマー向けGPU対応：T2V-1.3Bモデルは8.19 GBのVRAMで動作し、標準的なGPUでの動画生成が可能です。 - 視覚的テキスト生成：中国語と英語の両方のテキストを動画内に生成できます。 - Wan-VAE：任意の長さの1080P動画をエンコード・デコードするための動画用VAEで、時間的な情報を保持します。 - VACE：動画作成と編集を統合したオールインワンモデル。 リポジトリではFSDPおよびxDiT USP（UlyssesおよびRing戦略）を使用したシングルGPUおよびマルチGPU推論スクリプトを提供しています。Dashscope APIまたはローカルのQwenモデルによるプロンプト拡張にも対応します。Diffusers、ComfyUI、Gradioデモとの統合も提供されています。モデルウェイトはHugging FaceおよびModelScopeで入手可能です。