wan2.1

Wan2.1 是一套开放且先进的大规模视频生成模型套件。它支持多种任务，包括文本生成视频（T2V）、图像生成视频（I2V）、首末帧生成视频（FLF2V）、视频编辑、文本生成图像以及视频生成音频。该仓库提供了 1.3B 和 14B 参数模型的模型检查点，支持 480P 和 720P 分辨率。 主要能力包括： - 消费级 GPU 支持：T2V-1.3B 模型仅需 8.19 GB 显存，可在普通 GPU 上生成视频。 - 视觉文本生成：能够在视频中生成中文和英文文本。 - Wan-VAE：一种视频 VAE，可对任意长度的 1080P 视频进行编码和解码，同时保留时序信息。 - VACE：一个用于视频创作和编辑的一体化模型。 该仓库提供基于 FSDP 和 xDiT USP（Ulysses 与 Ring 策略）的单 GPU 和多 GPU 推理脚本。支持通过 Dashscope API 或本地 Qwen 模型进行提示词扩展。同时提供与 Diffusers、ComfyUI 和 Gradio 演示的集成。模型权重可在 Hugging Face 和 ModelScope 上获取。