Wan 2.2 là gì? Tạo video AI mã nguồn mở trên GPU 24GB

Wan 2.2 là bộ model tạo video AI mã nguồn mở của Alibaba, repo chính thức mở ngày 28/07/2025, theo giấy phép Apache-2.0. Bạn đưa vào một câu prompt hoặc một tấm ảnh, model trả ra đoạn clip khoảng 5 giây. Weights tải miễn phí trên Hugging Face, chạy trên GPU của bạn, không watermark, không đếm lượt.

Bốn điều nên biết trước:

• Họ Wan2.2 có 5 model: tạo video từ chữ, từ ảnh, bản nhỏ 5B làm cả hai việc, bản theo giọng nói và bản diễn hoạt nhân vật.

• Trên card RTX 3090 24GB, bản gốc trong repo chính thức chạy rất chậm (21,4 phút một clip với 5B) và bản 14B thì không chạy nổi. Qua ComfyUI với model fp8 và LoRA 4 bước, một clip 5 giây từ ảnh chỉ mất khoảng 110 giây.

• Ngày 17/10/2026, các bản 2.5, 2.6, 2.7 và Wan 3 chưa có weights để tải. Muốn tự chạy trên máy mình thì hiện chỉ có Wan 2.2.

• Mọi số đo trong bài do AIDev đo ngày 17/10/2026 trên RTX 3090 24GB, ComfyUI 0.41.0 và repo gốc commit 1ea34ff.

Wan 2.2 là gì và ai làm ra nó?#

Wan là dòng model video của Alibaba. Code nằm ở repo Wan-Video/Wan2.2, weights ở trang Wan-AI trên Hugging Face. Ngày 17/10/2026 repo có 17.967 sao, 2.329 fork, lần commit cuối là 21/09/2026 và chỉ thêm mục Community Works. Phần code chạy model gần như đứng yên từ tháng 12/2025, nên hướng dẫn cũ vẫn đúng phần lớn, trừ vài lệnh cài đặt đã đổi (xem mục lỗi bên dưới).

Bản trước là Wan2.1 (17.224 sao) vẫn còn trong cùng tổ chức. Tổ chức Wan-Video còn vài repo nhỏ hơn như Wan-Animate-2 (348 sao) và Wan-Dancer (440 sao). Trên Hugging Face, bản Wan2.2-Animate-2-14B được đưa lên ngày 14/07/2026, Wan-Dancer-14B ngày 10/07/2026; chưa có repo nào mang số phiên bản mới hơn 2.2.

Giấy phép Apache-2.0 nghĩa là bạn được dùng cả cho việc thương mại: làm clip quảng cáo, clip sản phẩm, video cho kênh của mình. Cái giá phải trả là phần cứng. Model lớn nặng hàng chục GB và cần GPU nhiều VRAM, phần sau của bài nói cụ thể bao nhiêu.

Họ model này gồm những bản nào?#

README của repo liệt kê 5 model. Bảng dưới gom lại kèm dung lượng mình tải về thật và mức VRAM mà README ghi cho bản gốc:

Hai model A14B là bản "xịn" nhất. TI2V-5B chỉ có 5 tỉ tham số, lại dùng VAE mới nén 16×16 theo chiều ngang dọc và 4 lần theo thời gian, nên README hướng nó tới card tiêu dùng như RTX 4090. S2V và Animate phục vụ việc khác hẳn: làm nhân vật nói theo file âm thanh, hoặc bắt nhân vật trong ảnh nhại lại chuyển động của một video có sẵn.

Mức 80GB là cho bản gốc ở độ chính xác đầy đủ. Bản đóng gói lại cho ComfyUI ở dạng fp8 nhỏ hơn hẳn: mỗi expert I2V 14B chỉ 14,29GB, text encoder umt5 fp8 6,74GB, LoRA tăng tốc 1,23GB mỗi file. Nhờ vậy card 24GB mới chạy được 14B.

MoE hai expert trong bản 14B hoạt động ra sao?#

Hai model A14B dùng kiến trúc MoE (Mixture of Experts) với hai expert: một expert "high noise" và một expert "low noise". Model video tạo clip bằng cách bắt đầu từ nhiễu rồi khử nhiễu dần qua nhiều step. Ở các step đầu, khung hình còn gần như toàn nhiễu, expert high noise lo phần bố cục và chuyển động lớn. Đến nửa sau, expert low noise nhận lại và tinh chỉnh chi tiết.

Trong workflow mẫu của ComfyUI bạn thấy rõ chuyện này. Chế độ mặc định chạy 20 step, CFG 3.5, đổi expert ở step 10. Bật LoRA 4 bước thì còn 4 step, CFG 1, đổi expert ở step 2.

Vì vậy bạn phải tải hai file 14B, và mỗi lần chạy, máy phải đổi hai expert ra vào GPU. Lúc mình chạy 20 step, bước đổi expert hiện dòng "Model Initializing" mất chừng 1 đến 2 phút. Đó cũng là lý do chạy lần thứ hai không nhanh hơn lần đầu (số đo ở phần dưới).

Trong ComfyUI 0.41, gõ "Wan2.2" vào ô tìm của Templates sẽ ra bốn workflow mẫu chính thức: 14B từ ảnh, 14B từ chữ, 14B nối khung đầu và khung cuối, và 5B. S2V và Animate không nằm trong nhóm này.

Wan 2.5, 2.6, 2.7, Wan 3 có tải về được không?#

Không. Ngày 17/10/2026 mình mở trang Wan-AI trên Hugging Face xem từng repo: không có weights của Wan 2.5, 2.6, 2.7 hay Wan 3. Bản mới nhất có thể tải về vẫn là họ Wan2.2.

Nên nếu bạn tìm "Wan 2.5 tải về" hay "Wan 2.7 ComfyUI" để tự chạy, câu trả lời hiện tại là chưa có. Ai muốn tự host, không watermark, không bị đếm lượt thì dùng Wan2.2. Khi Alibaba mở weights bản mới, mình sẽ cập nhật bài này.

Chạy Wan 2.2 bằng repo gốc hay ComfyUI?#

Có hai đường để chạy: dùng script generate.py trong repo gốc, hoặc dùng ComfyUI với model đã đóng gói lại. Mình làm cả hai trên cùng một máy RTX 3090 24GB của AIDev Cloud (gói Pro: 38 vCPU, 110GB RAM) để so.

Repo gốc: chạy được 5B nhưng suýt hết VRAM#

Lệnh mình dùng cho TI2V-5B, đúng như README hướng dẫn cho card 24GB, chỉ thêm biến môi trường ở đầu:

PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
python generate.py --task ti2v-5B --size 1280*704 \
  --ckpt_dir ./Wan2.2-TI2V-5B \
  --offload_model True --convert_model_dtype --t5_cpu \
  --prompt "..."

Lần đầu không có biến expandable_segments, máy chạy đủ 50/50 step mất 14 phút 27 giây, rồi hết VRAM ngay ở bước giải mã VAE. Mất gần 20 phút mà không ra video. Thêm biến đó vào thì ra clip 1280×704, 121 khung, 5 giây, tổng cộng 1.283 giây (21,4 phút). VRAM đỉnh lên 24.096MiB trên tổng 24.576MiB, tức là chỉ còn cách mép vài trăm MB.

Với I2V-A14B bản gốc, mình tải đủ 140,8GB về ổ rồi chạy ở 832×480 với đủ các cờ tiết kiệm bộ nhớ. Sau 347 giây máy báo hết VRAM khi đưa expert 14B lên GPU, RAM đỉnh 67GB. README ghi "at least 80GB VRAM" là đúng: bản gốc 14B không chạy trên card 24GB.

ComfyUI: model fp8, LoRA 4 bước, nhanh gấp nhiều lần#

ComfyUI 0.41.0 tự quản lý VRAM (log khởi động có dòng DynamicVRAM support detected and enabled), dùng attention có sẵn của PyTorch nên không cần flash_attn, và có workflow mẫu cho Wan2.2. Kết quả trên cùng máy:

Clip của bản 5B là 121 khung ở 24fps, clip của bản 14B là 81 khung ở 16fps, cả hai đều dài khoảng 5 giây.

Cùng model 5B, cùng prompt, ComfyUI nhanh gấp khoảng 3,8 lần bản gốc (một phần vì chỉ chạy 20 step thay vì 50). Với 14B, LoRA lightx2v 4 bước cắt thời gian từ 992 xuống 110 giây, nhanh khoảng 9 lần.

Mình còn thử chạy lặp với seed khác khi model đã nạp sẵn: 14B + LoRA ra 111, 114 rồi 107 giây, còn 5B ra 341 rồi 340 giây. Lần sau không nhanh hơn: với 14B, mỗi lần chạy ComfyUI vẫn phải đổi hai expert; bản 5B cũng giữ nguyên 340 giây. Một mẹo nhỏ khi tự đo: bấm Run lại y nguyên workflow thì ComfyUI không chạy lại mà trả kết quả trong cache sau 1 đến 3 giây, nên muốn đo phải đổi seed.

Clip làm ra trông thế nào?#

Chạy nhanh chưa đủ, clip còn phải dùng được, nên mình xem kỹ từng clip. Đầu tiên là clip tạo từ chữ, prompt tả một tô phở bốc khói buổi sáng. Bản gốc 5B chạy 50 step ra hơi nước, dòng nước dùng và nắng sớm đúng như prompt:

Cùng prompt đó, ComfyUI 5B 20 step ra hình tối hơn và ít chi tiết hơn hẳn. Đây là cái giá của việc giảm step: nhanh gấp 3,8 lần nhưng ảnh không còn đẹp như bản 50 step.

Với clip tạo từ ảnh, mình dùng một tấm ảnh bánh mì. Cả hai chế độ 20 step và LoRA 4 bước đều giữ nguyên hình sản phẩm, rau, ớt, giấy gói. Bản 20 step máy quay di chuyển rõ hơn, bản LoRA 4 bước chuyển động nhẹ hơn. Riêng lỗi cắt hình là do workflow: mẫu mặc định ép khung vuông 640×640 nên ảnh ngang bị cắt mất hai đầu bánh mì.

Không phải clip nào cũng đạt. Clip cà phê phin có đoạn nhỏ giọt xuống tách rất thật, nhưng khung cuối cái phin tự nhấc lên và cà phê rót thành dòng màu cam, sai vật lý. Mình thử cùng ảnh với prompt tiếng Việt và tiếng Anh (cùng seed 7), hai clip gần như trùng khung và đều có lỗi này. Tức là text encoder hiểu tiếng Việt, còn lỗi nằm ở model.

Chữ trên ảnh cũng là điểm yếu. Với ảnh bìa sách "Machine Learning thực chiến", chữ giữ nét ở khoảng hai phần ba đầu clip, rồi máy quay zoom quá tay vào hình cái cây và chữ biến mất, dù prompt đã dặn "subtle push in". Bài tạo video từ ảnh bằng Wan2.2 I2V đi sâu vào prompt và cách giữ đúng tỉ lệ ảnh.

Cần máy gì để chạy?#

Cấu hình mình đã chạy được:

Card 12GB và 16GB thì mình chưa đo được. Mình thử giả lập card 16GB bằng cờ --reserve-vram 8 của ComfyUI, nhưng log vẫn báo Set vram state to: NORMAL_VRAM, VRAM đỉnh vẫn 24.122MiB, nghĩa là cờ này không giả lập được card nhỏ. Tài liệu ComfyUI ghi bản 5B "should fit well on 8GB vram with the ComfyUI native offloading" (docs.comfy.org), nhưng mình không có số đo để xác nhận, nên không dám hứa card nhỏ chạy được 14B.

Nếu muốn chạy bản gốc thì cần nhiều hơn: bản I2V-A14B gốc chiếm 140,8GB ổ, còn TI2V-5B gốc cộng venv là khoảng 42GB. Bảng đo đầy đủ theo từng cấu hình, kể cả 480p và 720p, nằm trong bài Wan2.2 cần bao nhiêu VRAM.

Máy bạn chưa có card 24GB thì có thể thuê theo giờ. Toàn bộ số đo trong bài chạy trên máy RTX 3090 của AIDev Cloud, từ lúc bấm tạo máy đến khi máy sẵn sàng mất khoảng 75 đến 97 giây.

Mỗi clip tốn bao nhiêu tiền máy?#

Tiền máy một clip bằng thời gian chạy nhân giá giờ. Gói RTX 3090 Standard (25 vCPU, 55GB RAM) giá 15.000đ/giờ, gói Pro (38 vCPU, 110GB RAM) 17.000đ/giờ, đọc ngày 17/10/2026. Vì gói Standard đã đủ RAM cho 14B fp8, mình tính theo giá Standard (thời gian lấy từ lần đo, phần lớn trên máy Pro cùng card):

Mình chạy một lô 5 ảnh liền nhau trên máy Standard ở chế độ nhanh (14B + LoRA 4 bước), hết 569 giây, khoảng 2.370đ cho cả lô, mỗi clip từ 110 đến 124 giây. Chế độ đẹp 20 step trên cùng máy mất 15,7 phút một clip, khoảng 3.900đ.

Chưa tính lần cài đặt đầu: từ máy trắng đến clip đầu tiên, script cài một lệnh chạy hết 14,2 phút (phần lớn là tải 47GB model). Cách cài từng bước nằm ở bài cài Wan2.2 trên ComfyUI.

Lỗi mình đã gặp khi cài và chạy#

Dưới đây là các lỗi xuất hiện thật trên Ubuntu 24.04 khi cài repo gốc và ComfyUI. Thông báo giữ nguyên tiếng Anh để bạn dễ dán vào ô tìm kiếm.

1. Lệnh tải model trong README không còn#

bash: line 1: huggingface-cli: command not found
WARNING: huggingface-hub 2.2.0 does not provide the extra 'cli'

huggingface_hub bản 2.x đã bỏ lệnh huggingface-cli, chỉ còn lệnh hf. Sửa bằng cách đổi sang:

hf download Wan-AI/Wan2.2-TI2V-5B --local-dir ./Wan2.2-TI2V-5B

Tải không cần token vẫn nhanh: 34,2GB của TI2V-5B xong trong 283 giây.

2. Không build được flash_attn#

ModuleNotFoundError: No module named 'torch'
ERROR: Failed to build 'flash_attn' when getting requirements to build wheel

pip build flash_attn trong môi trường cô lập nên không thấy torch đã cài. Repo gốc lại bắt buộc có flash_attn. Wheel dựng sẵn chỉ có cho torch 2.4 đến 2.8, trong khi pip mặc định kéo torch 2.14.1. Cách mình sửa: ghim torch==2.8.0 bản cu128, cài wheel flash_attn-2.8.3.post2 dựng sẵn, rồi mới cài requirements.txt. ComfyUI không cần flash_attn nên không gặp lỗi này.

3. Hết VRAM ở bước giải mã VAE#

torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 2.60 GiB.
GPU 0 has a total capacity of 23.56 GiB of which 832.31 MiB is free.

Lỗi này xảy ra sau gần 20 phút chạy (riêng lấy mẫu 14 phút 27 giây), ở dòng videos = self.vae.decode(x0). Code đã đưa model chính về CPU trước đó, nên riêng VAE giải mã 121 khung 720p đã ăn hơn 20GB. Thêm PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True thì chạy qua.

4. Bản gốc 14B hết VRAM khi nạp model#

torch.OutOfMemoryError: CUDA out of memory. Tried to allocate 50.00 MiB.
GPU 0 has a total capacity of 23.56 GiB of which 6.31 MiB is free.

Lỗi này không sửa được bằng cờ nào: một expert 14B bản gốc không vừa card 24GB. Cách duy nhất mình thấy chạy được là chuyển sang ComfyUI với model fp8.

5. ComfyUI báo thiếu ảnh khi mở template#

Mở template Wan 2.2 14B Image to Video, ComfyUI hiện khung đỏ:

Media input missing
Load Image is missing a required media file.

Ảnh mẫu của template không có sẵn trong thư mục ComfyUI/input. Bấm vào node Load Image, tải ảnh của bạn lên là chạy được.

Khi nào không nên dùng?#

• Bạn chỉ cần vài clip mỗi tháng và không ngại watermark. Mấy ứng dụng tạo video trên điện thoại nhanh hơn nhiều so với tải 47GB model và thuê GPU.

• Bạn cần clip có chữ đọc được từ đầu đến cuối. Như clip bìa sách ở trên, chữ giữ được một lúc rồi méo hoặc biến mất. Chữ nên ghép sau bằng phần mềm dựng.

• Bạn cần clip dài hoặc có người thật nói đúng khẩu hình. Clip mặc định chỉ khoảng 5 giây; bản S2V làm nhân vật nói theo âm thanh nhưng mình chưa chạy thử.

• Máy chỉ có card 8GB đến 16GB và bạn cần bản 14B. Mình chưa đo trên các card này nên không có số để hứa.

Thêm một lưu ý: chạy ComfyUI với --listen 127.0.0.1 rồi mở giao diện qua SSH tunnel, đừng mở port 8188 ra ngoài. Gõ lệnh này trên máy của bạn (thay CỔNG bằng cổng SSH của máy GPU) rồi vào http://127.0.0.1:8188:

ssh -N -L 8188:127.0.0.1:8188 -p CỔNG root@hn1.forai.cloud

Câu hỏi thường gặp#

Wan 2.2 có miễn phí không?#

Có. Code và weights theo giấy phép Apache-2.0, dùng được cho việc thương mại. Bạn chỉ trả tiền phần cứng: card đồ họa, điện, hoặc tiền thuê GPU theo giờ.

Wan 2.2 có chạy trên card 12GB được không?#

Mình chưa đo trên card 12GB hoặc 16GB. Tài liệu ComfyUI nói bản 5B vừa với card 8GB nhờ offload, còn bản 14B fp8 trên card 24GB của mình dùng gần hết VRAM. Khi có số đo thật trên card nhỏ, mình sẽ bổ sung vào bài VRAM.

Nên chọn bản 5B hay 14B?#

Muốn tạo video từ ảnh sản phẩm thì chọn I2V 14B fp8 cộng LoRA 4 bước: khoảng 110 giây một clip trên RTX 3090, giữ hình sản phẩm tốt. Bản 5B nhẹ hơn về VRAM nhưng chạy 720p 20 step mất 341 giây và hình kém chi tiết hơn bản gốc 50 step.

Prompt tiếng Việt có dùng được không?#

Được. Mình chạy cùng ảnh cà phê, cùng seed 7, một lần prompt tiếng Việt và một lần tiếng Anh: cả hai mất 114 giây và ra clip gần như trùng khung.

Wan 2.2 Animate dùng để làm gì?#

Animate-14B lấy nhân vật trong một ảnh rồi cho nhân vật đó nhại lại chuyển động của một video mẫu, hoặc thay nhân vật trong video bằng nhân vật trong ảnh. Trên Hugging Face còn có bản Wan2.2-Animate-2-14B đưa lên ngày 14/07/2026. Mình chưa chạy thử Animate, nên bài này chưa có số đo cho nó.

Tải Wan 2.2 ở đâu?#

Code ở GitHub Wan-Video/Wan2.2, weights bản gốc ở Wan-AI trên Hugging Face. Muốn chạy trên card 24GB thì tải bản fp8 ở Comfy-Org/Wan_2.2_ComfyUI_Repackaged. Lệnh tải là hf download, không cần tài khoản.

Tạo một clip Wan 2.2 mất bao lâu?#

Trên RTX 3090, I2V 14B fp8 cộng LoRA 4 bước mất 107 đến 124 giây cho clip 5 giây cỡ 480p, và 655 giây ở 1280×960. Không có LoRA, chạy 20 step mất 992 giây.

Đọc tiếp#

Cụm bài về Wan2.2 trên blog AIDev:

• Cài Wan2.2 trên ComfyUI từ máy trắng: script cài một lệnh và cách cài tay từng bước.

• Wan2.2 cần bao nhiêu VRAM và GPU gì: bảng đo đầy đủ theo model, độ phân giải và số step.

• Tạo video từ ảnh với Wan2.2 I2V: biến ảnh sản phẩm thành clip quảng cáo hàng loạt.

• Tạo video AI không giới hạn lượt: tự chạy model trên GPU thuê, tính tiền theo giờ máy.

Mới làm quen giao diện node thì đọc ComfyUI là gì trước. Phân vân giữa mua card và thuê GPU thì xem bài tổng quan AI Local: chạy LLM và AI tạo ảnh trên máy bạn. Model đóng gói cho ComfyUI lấy ở Comfy-Org/Wan_2.2_ComfyUI_Repackaged, LoRA 4 bước ở lightx2v/Wan2.2-Lightning.

Muốn chạy đúng như bảng số trong bài mà không mua card, bạn có thể thuê GPU RTX 3090 theo giờ trên AIDev Cloud.

Số đo chạy ngày 17/10/2026 trên RTX 3090 24GB của AIDev Cloud (gói Pro 110GB RAM và gói Standard 53GB RAM), Ubuntu 24.04, driver NVIDIA 610.43.02. ComfyUI 0.41.0, torch 2.14.1+cu130; repo gốc Wan2.2 commit 1ea34ff, torch 2.8.0+cu128.