Z-Image генерирует реалистичные изображения локально — без облака и платных API. Wan 2.2 превращает эти изображения в видео. Если объединить их в один ComfyUI-воркфлоу с единым промптом, получаешь готовый видеоклип из текстового описания за несколько шагов.
Что такое Z-Image и Wan 2.2 и зачем их связывать
Z-Image — локальная модель генерации реалистичных изображений, которая запускается прямо на твоем компьютере. Она не требует подписки и не отправляет данные на сторонние серверы. По качеству детализации и реализму она конкурирует с облачными решениями, особенно в портретах и пейзажах.
Wan 2.2 — видеомодель, которая анимирует статичное изображение на основе текстового промпта. Она понимает описание движения, освещения и динамики сцены, и применяет их к готовому кадру.
Связка работает так: один и тот же текстовый промпт подается одновременно в Z-Image (для генерации опорного кадра) и в Wan 2.2 (для анимации этого кадра). Это устраняет несоответствие между картинкой и движением — модели буквально работают с одним и тем же заданием.
Как работает связка: один промпт — два результата
Стандартный подход к text-to-video выглядит так: сначала делаешь изображение в одном инструменте, потом загружаешь его в другой и пишешь новый промпт. Результат часто расходится — движение не соответствует стилю картинки, или анимация ломает композицию.
В этом воркфлоу промпт пишется один раз. ComfyUI передает его параллельно в Z-Image и Wan 2.2. Z-Image рендерит опорный кадр — детализированное реалистичное изображение. Wan 2.2 берет этот кадр и промпт, и строит анимацию, зная и то, как выглядит сцена, и то, какое движение в ней должно быть.
Такой подход особенно хорошо работает для:
- природных сцен с движением (вода, ветер, дым)
- портретов с минимальной мимикой
- архитектурных кадров с динамическим освещением
Настройка воркфлоу в ComfyUI
Для запуска нужны:
- ComfyUI с актуальными нодами
- Веса Z-Image (скачиваются отдельно, размер около 10–15 ГБ)
- Веса Wan 2.2 (доступны на Hugging Face)
- Видеокарта с минимум 16 ГБ VRAM для комфортной работы; на 12 ГБ возможна работа с пониженными настройками
Шаг 1: загрузка воркфлоу
Готовый JSON-файл воркфлоу импортируется в ComfyUI через меню Load. После загрузки видна схема из трех блоков: генерация изображения, передача в видеомодель, финальный экспорт.
Шаг 2: промпт
Один текстовый блок связан с обеими моделями. Описание должно включать статичные детали сцены (что изображено) и динамику (что движется). Например: a woman standing in a field of tall grass, wind blowing through her hair, golden hour light, cinematic.
Шаг 3: параметры Wan 2.2
Базовые настройки — длина клипа (обычно 2–4 секунды), количество кадров, сила анимации. Чем выше сила анимации, тем активнее движение, но тем выше риск артефактов. Для реалистичного результата рекомендуется начинать с 0.6–0.75.
Добавление фонового аудио
Воркфлоу включает опциональный аудиоблок. Он позволяет подложить звуковой файл под готовое видео прямо внутри ComfyUI — без постобработки в сторонних редакторах.
Поддерживаются форматы WAV и MP3. Аудио накладывается на итоговый клип с синхронизацией по длительности. Если видео короче аудио — файл обрезается автоматически. Если длиннее — аудио зацикливается.
Это удобно, если ты делаешь Reels или Shorts: можно сразу получить смонтированный клип с атмосферным звуком, не открывая Premiere или CapCut.
Что получаешь на выходе
Несколько конкретных выводов по воркфлоу:
- Один промпт вместо двух — меньше расхождений между картинкой и анимацией, меньше итераций
- Полностью локальный пайплайн — данные не покидают компьютер, нет лимитов на генерации
- Аудио на борту — итоговый файл готов к публикации без дополнительного монтажа
- Работает на потребительских GPU — минимальный порог 12 ГБ VRAM, комфортный — 16 ГБ
- Wan 2.2 держит стиль кадра из Z-Image, потому что оба процесса начинаются с одного описания
Если тебя интересуют облачные видеомодели без необходимости держать локальный сетап — Kling Video v2.6 и Minimax Hailuo доступны в нашем чат-боте в Telegram и сообществе ВКонтакте (для запуска написать Start в сообщении сообщества).
