通义万相2.1开源版本地化部署攻略，生成视频再填利器

news2025/3/10 13:44:06

2025 年 2 月 25 日晚上 11：00 通义万相 2.1 开源发布，前两周太忙没空搞它，这个周末，也来本地化部署一个，体验生成效果如何，总的来说，它在国内文生视频、图生视频的行列处于领先位置，同时也支持文生图。

一、开源代码下载来源

GitHub：https://github.com/Wan-Video/Wan2.1

这个源码包中可以做的事包括：

Wan2.1 Text-to-Video
Multi-GPU Inference code of the 14B and 1.3B models
Checkpoints of the 14B and 1.3B models
Gradio demo
ComfyUI integration
Diffusers integration
Diffusers + Multi-GPU Inference
Wan2.1 Image-to-Video
Multi-GPU Inference code of the 14B model
Checkpoints of the 14B model
Gradio demo
ComfyUI integration
Diffusers integration
Diffusers + Multi-GPU Inference

以下相关网址，有在线体验的，有可以下载配套模型的，也有可以下载源码的，根据需要自行选择，访问国外的网站请提前准备好科学上网。

官网：https://tongyi.aliyun.com/wanxiang/

博客：https://wanxai.com/

Modelscope：https://modelscope.cn/organization/Wan-AI

Hugging Face：https://huggingface.co/Wan-AI

二、下载python虚拟环境管理软件，安装较新版的python

下载地址：https://docs.conda.io/en/latest/miniconda.html

安装好后打开它，最好使用管理员模式打开。

依次敲入指令，创建并激活项目所需的虚拟环境。（关于conda的使用方法会单独出一篇教程，这里就不多解释了）

conda create --name Wan21 python=3.12.9

三、安装git

https://git-scm.com/

验证安装成功如下：

四、安装cuda

到官网CUDA Toolkit Archive | NVIDIA Developer 下载驱动，按提示安装。这里需要为自己的显卡选择具体的版本，命令行输入指令nvidia-smi查看对应版本。

下载后安装完配置一下环境变量

五、下载万象2.1源码

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

六、安装万象2.1所需的依赖包

到conda的虚拟环境中来安装，给万象2.1配置专用的python运行环境。

conda activate Wan21

看看这个依赖源的清单，数量不多，建议还是手工一条条安装，以便看到哪一个在安装中出问题了，定向解决。

很多时候用上面的清单安装后，torch版本不支持cuda，可以参照下面这个网址，找到对应的版本去下载。

https://github.com/facebookresearch/xformers#installing-xformers

七、下载模型文件

pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.1-T2V-14B --local-dir ./Wan2.1-T2V-14B

因为模型文件比较大，这个根据网速情况，会有些慢。如果发现下载速度变慢了，可以ctrl+c终止后重新启动。

模型文件种类：

八、文生视频测试

单GPU情况下指令如下：

python generate.py --task t2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-T2V-14B --save_file output --prompt "A cute little cat is cooking."

如果显存不够大，会报“Out-of-Memory”错误，可以使用参数--offload_model True and --t5_cpu启用cpu计算，同时改用小点的模型，使用低分辨率的像素来生成。

python generate.py --task t2v-1.3B --size 480*832 --ckpt_dir ./Wan2.1-T2V-1.3B --offload_model True --t5_cpu --sample_shift 8 --sample_guide_scale 6 --save_file output --prompt "A cute little cat is cooking."

九、图生视频测试

单GPU情况下指令如下：

python generate.py --task i2v-14B --size 1280*720 --ckpt_dir ./Wan2.1-I2V-14B-720P --image examples/test.JPG --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."

十、文生图片测试

python generate.py --task t2v-1.3B --size 480*832 --ckpt_dir ./Wan2.1-T2V-1.3B --prompt '一个漂亮的女孩' --save_file output --offload_model True --t5_cpu

想看指令可以带哪些参数，可以查看源码文件generate.py，其中片段如下：

def _parse_args():
    parser = argparse.ArgumentParser(
        description="Generate a image or video from a text prompt or image using Wan"
    )
    parser.add_argument(
        "--task",
        type=str,
        default="t2v-14B",
        choices=list(WAN_CONFIGS.keys()),
        help="The task to run.")
    parser.add_argument(
        "--size",
        type=str,
        default="1280*720",
        choices=list(SIZE_CONFIGS.keys()),
        help="The area (width*height) of the generated video. For the I2V task, the aspect ratio of the output video will follow that of the input image."
    )
    parser.add_argument(
        "--frame_num",
        type=int,
        default=None,
        help="How many frames to sample from a image or video. The number should be 4n+1"
    )
    parser.add_argument(
        "--ckpt_dir",
        type=str,
        default=None,
        help="The path to the checkpoint directory.")
    parser.add_argument(
        "--offload_model",
        type=str2bool,
        default=None,
        help="Whether to offload the model to CPU after each model forward, reducing GPU memory usage."
    )
    parser.add_argument(
        "--ulysses_size",
        type=int,
        default=1,
        help="The size of the ulysses parallelism in DiT.")
    parser.add_argument(
        "--ring_size",
        type=int,
        default=1,
        help="The size of the ring attention parallelism in DiT.")
    parser.add_argument(
        "--t5_fsdp",
        action="store_true",
        default=False,
        help="Whether to use FSDP for T5.")
    parser.add_argument(
        "--t5_cpu",
        action="store_true",
        default=False,
        help="Whether to place T5 model on CPU.")
    parser.add_argument(
        "--dit_fsdp",
        action="store_true",
        default=False,
        help="Whether to use FSDP for DiT.")
    parser.add_argument(
        "--save_file",
        type=str,
        default=None,
        help="The file to save the generated image or video to.")
    parser.add_argument(
        "--prompt",
        type=str,
        default=None,
        help="The prompt to generate the image or video from.")
    parser.add_argument(
        "--use_prompt_extend",
        action="store_true",
        default=False,
        help="Whether to use prompt extend.")
    parser.add_argument(
        "--prompt_extend_method",
        type=str,
        default="local_qwen",
        choices=["dashscope", "local_qwen"],
        help="The prompt extend method to use.")
    parser.add_argument(
        "--prompt_extend_model",
        type=str,
        default=None,
        help="The prompt extend model to use.")
    parser.add_argument(
        "--prompt_extend_target_lang",
        type=str,
        default="zh",
        choices=["zh", "en"],
        help="The target language of prompt extend.")
    parser.add_argument(
        "--base_seed",
        type=int,
        default=-1,
        help="The seed to use for generating the image or video.")
    parser.add_argument(
        "--image",
        type=str,
        default=None,
        help="The image to generate the video from.")
    parser.add_argument(
        "--sample_solver",
        type=str,
        default='unipc',
        choices=['unipc', 'dpm++'],
        help="The solver used to sample.")
    parser.add_argument(
        "--sample_steps", type=int, default=None, help="The sampling steps.")
    parser.add_argument(
        "--sample_shift",
        type=float,
        default=None,
        help="Sampling shift factor for flow matching schedulers.")
    parser.add_argument(
        "--sample_guide_scale",
        type=float,
        default=5.0,
        help="Classifier free guidance scale.")

    args = parser.parse_args()

    _validate_args(args)

    return args

体验感受：总的来说万象生成的视频质量还是不错的，最大的亮点是它原生支持中文提示词，对大部分的同胞们来说这是个福音。只不过这玩意太耗显存，看下面官方给出的测试报告就知道了，起步是4090，也进一步验证了智能时代拼的是算力。