Wan2GP 视频生成入门：从克隆到生成第一段视频
项目地址: https://gitcode.com/gh_mirrors/wa/WanGP Wan2GP（官方名 WanGP）是面向低显存 GPU 的 AI 视频生成工具，可在 6 GB 显存的消费级硬件上运行 Wan 2.1/2.2、LTX 等开源模型。本文带你完成安装，并产出第一段文生视频。
📌 Wan2GP 项目概览与适用场景
Wan2GP 以 Wan 2.1/2.2 视频模型为核心，聚合了视频、图像、音频三类开源生成模型，面向使用消费级显卡的用户，不依赖高端硬件。
核心能力：
- 视频生成：支持 Wan 2.1/2.2、MiniMax H3、LTX-2/2.3/2.5、Hunyuan Video 等模型
- 图像生成：支持 Flux、Qwen Image、Krea 2 等模型家族
- 量化与低显存优化：提供 int8、fp8、gguf、NVFP4 等 checkpoint 格式，部分模型最低 6 GB 显存可运行
- 完整生成链路：浏览器 Web 界面、命令行无头批处理、可接入自有应用的 API
与同类工具的差异有两条具体事实：NVIDIA 显卡向下支持到 GTX 10 系列，AMD RDNA2 至 RDNA4 也可运行；高分辨率视频的显存占用被大幅压缩，例如 15 秒 1080p 的 H3 视频从早期需要 25 GB 显存降到 11 GB。
📦 动手前准备
硬件要求：
| 组件 | 最低要求 | 说明 |
|---|---|---|
| GPU | NVIDIA GTX 10XX 及以上，或 AMD RDNA2 及以上 | 6 GB 显存起步 |
| 内存 | 16 GB | 跑 14B 级模型建议 32 GB 以上 |
| 磁盘 | 10 GB 可用空间 | 模型文件首次使用时下载，占空间更大 |
软件环境：
- 操作系统：Windows 或 Linux（Debian 系可用仓库自带的
run-docker-cuda-deb.sh脚本） - Python：3.11.14（RTX 20XX 及以上）；GTX 10 系列使用 3.10.9
- PyTorch：2.10.0（CUDA 13.0）；GTX 10 系列使用 2.7.1（CUDA 12.8）
- 首次运行需联网下载模型文件
如果你只有 6–8 GB 显存，选 1.3B 模型加 480p 分辨率即可跑通第一段视频，不影响体验完整流程。
⚙️ Wan2GP 安装与部署流程
获取项目代码
git clone https://gitcode.com/gh_mirrors/wa/Wan2GP
cd Wan2GP
项目根目录包含入口脚本 wgp.py 以及 models/、plugins/、defaults/ 等目录，模型默认配置存放在 defaults/。
安装依赖
用 conda 创建独立环境，避免与系统 Python 冲突：
conda create -n wan2gp python=3.11.14
conda activate wan2gp
pip install torch==2.10.0 torchvision==0.25.0 torchaudio==2.10.0 --index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt
requirements.txt 涵盖界面、视频、音频处理等全部依赖，安装过程大约需要 10–20 分钟。
验证安装并启动
python wgp.py --help
看到 --open-browser、--listen、--process 等参数列表，说明安装成功。接着启动 Web 界面：
python wgp.py
终端输出服务地址后，浏览器打开 http://localhost:7860，能看到模型下拉框、Prompt 输入框和 Generate 按钮，即完成部署。
🎬 核心生成能力速览
文本生成视频
主界面下拉框选择 Wan 2.1 T2V 1.3B 模型（显存占用最低），在 Prompt 输入描述，点击 Generate。官方推荐的起步参数：49 帧（约 2 秒视频）、20 步。生成完成后视频直接显示在输出区域，并保存到 outputs/ 目录。
图像生成视频
上传一张起始图片，模型会基于画面内容生成动态视频；也可以从命令行直接进入图生视频模式：
python wgp.py --i2v
无头批量生成
在 Web 界面创建任务队列并点击 Save Queue 保存后，可以不打开界面批量执行：
python wgp.py --process my_queue.zip
完整参数说明见 docs/CLI.md。
🔍 排障与调优
常见问题与解法：
- 安装时依赖冲突：放弃系统 Python，在干净的 conda 环境中重装；仍失败则删除环境重建
- PyTorch 检测不到 GPU：多为 CUDA 版本不匹配，按 docs/INSTALLATION.md 中对应显卡代际的表格安装 PyTorch
- 显存不足怎么办（CUDA out of memory）：换 1.3B 小模型、减少帧数、降低分辨率，保持量化开启（默认开启）
- 生成速度过慢：按同一安装文档加装 SageAttention 或 Triton 加速，通常是提速最明显的一项
性能优化建议：
- 按显存选模型量级：6–8 GB 显卡用 1.3B，12 GB 及以上再尝试 14B
- 在高级设置中启用 TeaCache 缓存加速，跳过分步中的冗余计算
- Windows 下显存长期偏紧时，用
scripts/start-chrome-no-gpu.bat启动无 GPU 加速的浏览器，可释放 1–5 GB 显存
🚀 下一步
建议先读 docs/MODELS.md 了解各模型的显存占用与适用场景，然后用同一个 Prompt 在 480p 和 720p 下各生成一次 5 秒视频，直观感受本机上的速度与画质差异。特定显卡的安装细节见 docs/INSTALLATION.md，遇到报错可查 docs/TROUBLESHOOTING.md。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
