概述

阿里云开源了其视频生成大模型Wan2.1（万相）,采用了较为宽松的Apache2.0协议。

而这次对外了1.3B（极速版）和14B（专业版）两个参数规格的权重，及推理的全部代码。

这两种模型均支持文生视频（T2V）和图生视频（I2V）任务。

14B版本在权威评测集VBench中以86.22%总分超越Sora、Luma等国内外模型；1.3B版本可在消费级显卡运行（仅需8.2GB显存生成480P视频），适合二次开发和研究。

• 复杂运动生成：精准模拟人物旋转、跳跃、翻滚等动作，支持高级运镜控制
• 物理规律建模：真实还原碰撞、反弹、切割等场景，符合现实物理规则
• 中英文指令理解：支持长文本指令，实现场景切换、角色互动和多语言文字特效

技术原理

1. 架构设计
   • 因果3D VAE：专为视频设计的变分自编码器，高效压缩时空信息并保持生成连贯性
   • 视频Diffusion Transformer（DiT）：结合扩散模型和Transformer，逐步去噪生成视频，捕捉长时程依赖关系
   • 分布式训练优化：采用DP、FSDP、RingAttention等混合并行策略，加速训练与推理
2. 性能提升技术
   • 引入插件式增强块（如Enhance-A-Video），通过跨帧注意力调节提升时序一致性，减少画面模糊和跳帧问题

本地部署

我电脑的环境：

python：3.10.9

CUDA：12.4

windows11

我们还是一如既往的先创建python虚拟环境，我这里使用的是python3自带的venv来搭建虚拟环境，当然咯，你也是可以使用anaconda或miniconda来创建虚拟环境。

python -m venv Wan2.1-env
cd Scripts
activate

随后，我们clone万相的推理代码。

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

项目依赖库安装

之后我们安装torch>=2.4.0，这是官方所要求的。

pip install torch torchvision --index-url https://download.pytorch.org/whl/cu124

再者我们安装项目的requirements.txt依赖文件时，发现有flash-attention这个依赖，它可是可以加速推理的一个框架。

然而，它对windows可并那么友好啊。但是flash-attention社区还是有人编译出了windows的wheel，也省的我们自己去编译了。

为此，我特意将CUDA toolkit从12.1升级到12.4，关于这一点，是可以从我前几篇的文章看出来的。

https://github.com/kingbri1/flash-attention/releases

将下载下来的wheel直接通过pip install进行安装。

pip install flash_attn-2.7.4.post1+cu124torch2.6.0cxx11abiFALSE-cp310-cp310-win_amd64.whl

至此，我们再来执行以下命令，来完成安装项目所需的依赖库。

pip install -r requirements.txt

下载模型

我们通过modelscope来下载模型。

我这里下载的是Wan-AI/Wan2.1-T2V-1.3B，若你要下载14B的模型，只需将1.3B换成14B即可（前提是你电脑的硬件环境允许的条件下）。

modelscope download Wan-AI/Wan2.1-T2V-1.3B --local_dir ./Wan2.1-T2V-1.3B

运行 generate.py

先是使用官方的prompt，来生成视频。

python generate.py  --task t2v-1.3B --size 832*480 --ckpt_dir ./Wan2.1-T2V-1.3B --offload_model True --t5_cpu --sample_shift 8 --sample_guide_scale 6 --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage."

在命令行运行总是很不方便的，那么我们是可以运行官方提供的gradio。

cd gradio
python t2v_1.3B_singleGPU.py --prompt_extend_method 'local_qwen' --ckpt_dir ./Wan2.1-T2V-1.3B