Wan2.2-T2V-A14B 완전 가이드 — 오픈소스 영상 생성 모델 로컬 서빙과 실전 영상 만들기

 

Sora, Veo, Kling은 전부 클라우드입니다. 프롬프트가 서버로 나가고, 생성된 영상은 학습 데이터가 됩니다. Wan2.2는 로컬에서 돌아가는 Alibaba 오픈소스 영상 생성 모델입니다. Wan-Bench 2.0 기준 상업 모델 대부분을 앞서면서 코드와 가중치가 전부 공개입니다.

[핵심 요약]
→ Wan2.2-T2V-A14B: Alibaba가 만든 오픈소스 텍스트→영상 모델 (2025년 7월 28일 공개)
→ 아키텍처: MoE (Mixture-of-Experts) — 총 27B 파라미터, 실행 시 14B만 활성화
→ 출력: 5초 영상, 480P / 720P 해상도, 24 FPS
→ 라이선스: Apache 2.0 — 상업 이용 가능
→ 가중치 크기: ~70GB (T2V-A14B)
→ VRAM 요구사항: 80GB+ (720P 기본) / 40~48GB (480P + FP8 양자화 + offload)
→ 소비자 GPU: RTX 4090 24GB 단독으로는 어렵고 --offload_model + --convert_model_dtype 조합 필요
→ 실행 방법: 공식 generate.py / Diffusers / ComfyUI 세 가지
→ 다중 GPU: torchrun으로 FSDP 병렬 처리 (8×H100 권장)

---

Wan2.2 모델 라인업 — 뭘 받아야 하나

[Wan2.2 전체 모델]

T2V-A14B (이 글의 주인공):
→ 텍스트 → 영상
→ 480P / 720P
→ ~70GB 가중치
→ HuggingFace: Wan-AI/Wan2.2-T2V-A14B

I2V-A14B:
→ 이미지 + 텍스트 → 영상 (정지 이미지 살리기)
→ 480P / 720P
→ HuggingFace: Wan-AI/Wan2.2-I2V-A14B

TI2V-5B:
→ 텍스트 + 이미지 → 영상 (더 작은 모델)
→ 720P, 24 FPS
→ 5B 파라미터 → VRAM 부담 낮음
→ HuggingFace: Wan-AI/Wan2.2-TI2V-5B

[Wan2.2 vs Wan2.1]
Wan2.1: 단일 14B Dense 모델
Wan2.2: MoE — 총 27B, 활성 14B (추론 비용은 동일, 품질 향상)
→ Wan2.2-A14B가 Wan2.1-14B보다 영상 품질 전반적으로 우세
→ VRAM 요구사항은 동일

---

실전 1 — 환경 설정

시스템 요구사항

[VRAM 현실적 요구사항]

이상적 (720P 풀 품질):
→ A100 80GB, H100 80GB 단일 GPU
→ 또는 RTX 3090 24GB × 3개 이상 (다중 GPU)

소비자 GPU (480P + 최적화):
→ RTX 3090 / RTX 4090 (24GB): --offload_model + --convert_model_dtype 필수
→ 생성 시간: 480P 5초 영상 기준 약 15~30분 (RTX 4090)
→ 720P: RTX 4090 단독으로는 사실상 어려움

클라우드 (권장):
→ RunPod, Vast.ai: A100 80GB 인스턴스
→ 480P 기준 약 4분 / H100 PCIe

다중 GPU (고속):
→ 8×H100: torchrun FSDP — 최고 품질·속도

# Python 환경 (3.10+ 권장)
conda create -n wan2 python=3.10
conda activate wan2

# PyTorch 2.4.0+ 필수
pip install torch==2.4.0 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 의존성 설치 (flash-attn은 마지막에)
pip install transformers accelerate diffusers
pip install imageio imageio-ffmpeg
pip install "huggingface_hub[cli]"

# flash-attn (설치 실패 시 나머지 먼저 설치 후 재시도)
pip install flash-attn --no-build-isolation
# 또는 flash-attn 없이 실행 (성능 약간 저하)

---

실전 2 — 모델 다운로드

# 방법 1: huggingface-cli (공식 권장)
pip install "huggingface_hub[cli]"

huggingface-cli download Wan-AI/Wan2.2-T2V-A14B \
  --local-dir ./Wan2.2-T2V-A14B

# 약 70GB 다운로드 — 시간 여유 필요
# 다운로드 중단 후 재시작 가능 (resume 지원)

# 방법 2: Python으로 다운로드
from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="Wan-AI/Wan2.2-T2V-A14B",
    local_dir="./Wan2.2-T2V-A14B",
    resume_download=True,  # 재시작 지원
)

# 다운로드 후 디렉토리 구조 확인
# ./Wan2.2-T2V-A14B/
# ├── models/
# │   ├── vae/         (VAE 인코더/디코더)
# │   ├── transformer/ (MoE DiT 모델)
# │   └── text_encoder/ (T5 텍스트 인코더)
# ├── config.json
# └── generate.py

---

실전 3 — 공식 generate.py로 영상 생성

480P 기본 실행 (소비자 GPU)

# 공식 GitHub 코드 클론
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2
pip install -r requirements.txt

# ── 480P 생성 (소비자 GPU 최적화) ─────────────────────
python generate.py \
  --task t2v-A14B \
  --size 832*480 \
  --ckpt_dir ./Wan2.2-T2V-A14B \
  --offload_model True \          # GPU VRAM 절약: 모델을 CPU로 오프로드
  --convert_model_dtype \         # FP8 양자화: VRAM 추가 절약
  --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage."

# ── 720P 생성 (고VRAM GPU) ────────────────────────────
python generate.py \
  --task t2v-A14B \
  --size 1280*720 \
  --ckpt_dir ./Wan2.2-T2V-A14B \
  --offload_model True \
  --convert_model_dtype \
  --prompt "A serene mountain lake at golden hour, mist rising from the water, pine trees reflected in the mirror-like surface."

# 주요 파라미터 설명
# --task: t2v-A14B (텍스트→영상, A14B 모델)
# --size: 832*480 (480P) / 1280*720 (720P)
# --ckpt_dir: 다운로드한 모델 경로
# --offload_model True: RAM으로 일부 오프로드 (VRAM 절약, 속도 저하)
# --convert_model_dtype: FP8로 양자화 (VRAM 추가 절약, 품질 약간 저하)
# --t5_cpu: T5 텍스트 인코더를 CPU에서 실행 (추가 VRAM 절약)
# --sample_steps: 디노이징 스텝 수 (기본 50, 낮추면 빠르지만 품질 저하)
# --sample_guide_scale: CFG 스케일 (기본 7.5)

# 소비자 RTX 4090 (24GB) 최대 절약 모드:
python generate.py \
  --task t2v-A14B \
  --size 832*480 \
  --ckpt_dir ./Wan2.2-T2V-A14B \
  --offload_model True \
  --convert_model_dtype \
  --t5_cpu \
  --prompt "Your prompt here"

프롬프트 확장 (더 좋은 품질)

# --use_prompt_extend: LLM으로 프롬프트 자동 확장
# Qwen2.5-7B-Instruct가 짧은 프롬프트를 풍부하게 재작성
# 영상 품질 향상 — GPU 메모리 추가 필요

# 로컬 Qwen 모델로 프롬프트 확장
python generate.py \
  --task t2v-A14B \
  --size 832*480 \
  --ckpt_dir ./Wan2.2-T2V-A14B \
  --offload_model True \
  --convert_model_dtype \
  --use_prompt_extend \
  --prompt_extend_method local_qwen \
  --prompt_extend_model Qwen/Qwen2.5-7B-Instruct \
  --prompt "A cat jumping over a fence"

# → "A cat jumping over a fence" 가
# → "A sleek tabby cat gracefully leaps over a weathered wooden picket fence
#    in a sun-dappled garden, its fur rippling in the warm afternoon breeze..."
# 로 자동 확장 후 영상 생성

---

실전 4 — Diffusers로 Python 코드 통합

Diffusers 통합은 Python 코드에서 직접 호출할 때 가장 유연합니다.

# pip install diffusers transformers accelerate torch

import torch
from diffusers import AutoencoderKLWan, WanPipeline
from diffusers.utils import export_to_video

# ── 파이프라인 초기화 ──────────────────────────────────
# 메모리 최적화 설정
dtype = torch.bfloat16  # 또는 torch.float16

# VAE는 float32로 (품질 유지)
vae = AutoencoderKLWan.from_pretrained(
    "Wan-AI/Wan2.2-T2V-A14B-Diffusers",
    subfolder="vae",
    torch_dtype=torch.float32
)

# 메인 파이프라인
pipe = WanPipeline.from_pretrained(
    "Wan-AI/Wan2.2-T2V-A14B-Diffusers",
    vae=vae,
    torch_dtype=dtype,
)

# ── VRAM 절약 설정 ────────────────────────────────────
# 소비자 GPU에서 필수
pipe.enable_model_cpu_offload()    # 모델 레이어를 CPU로 오프로드
# 또는
# pipe.enable_sequential_cpu_offload()  # 더 적극적인 오프로드 (더 느림)

# xformers 메모리 최적화 (설치된 경우)
# pipe.enable_xformers_memory_efficient_attention()

# ── 영상 생성 ─────────────────────────────────────────
prompt = """
A majestic eagle soars over snow-capped mountain peaks at sunrise.
The camera slowly pans upward as golden light breaks through clouds,
casting dramatic shadows across the rugged terrain below.
"""

negative_prompt = "Bright tones, overexposed, static, blurred details, subtitles, style, works, paintings, images, static, overall light"

output = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    height=480,
    width=832,
    num_frames=81,        # 5초 × 24FPS = 121프레임 (실제는 81 사용)
    guidance_scale=7.5,   # CFG 스케일
    num_inference_steps=50,  # 디노이징 스텝 (낮추면 빠름, 품질 저하)
    generator=torch.Generator().manual_seed(42),  # 재현성
)

# 영상 저장
export_to_video(output.frames[0], "output.mp4", fps=16)
print("영상 저장 완료: output.mp4")

# ── 고급 설정: FlowMatchEuler 스케줄러 ────────────────
from diffusers import FlowMatchEulerDiscreteScheduler

# 더 적은 스텝으로 비슷한 품질
pipe.scheduler = FlowMatchEulerDiscreteScheduler.from_config(
    pipe.scheduler.config
)

# 20 스텝으로도 괜찮은 품질 (기본 50 대비 2.5배 빠름)
output = pipe(
    prompt=prompt,
    height=480,
    width=832,
    num_frames=81,
    guidance_scale=7.5,
    num_inference_steps=20,  # 스텝 감소
)
export_to_video(output.frames[0], "output_fast.mp4", fps=16)

# ── 배치 생성 (여러 프롬프트 한 번에) ─────────────────
prompts = [
    "A serene Japanese garden with koi fish swimming in a pond",
    "Futuristic city skyline at night with flying vehicles",
    "Close-up of dewdrops on a spider web at dawn",
]

for i, prompt in enumerate(prompts):
    output = pipe(
        prompt=prompt,
        height=480,
        width=832,
        num_frames=81,
        guidance_scale=7.5,
        num_inference_steps=30,
    )
    export_to_video(output.frames[0], f"output_{i}.mp4", fps=16)
    print(f"✅ {i+1}/{len(prompts)} 완료")
    torch.cuda.empty_cache()  # VRAM 정리

---

실전 5 — ComfyUI로 노코드 인터페이스

# ComfyUI 설치
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
pip install -r requirements.txt

# WanVideo ComfyUI 커스텀 노드 설치
cd custom_nodes
git clone https://github.com/kijai/ComfyUI-WanVideoWrapper.git
cd ComfyUI-WanVideoWrapper
pip install -r requirements.txt

# 모델 가중치를 ComfyUI models 폴더로 이동
# ComfyUI/models/wan/ 폴더 생성 후 다운로드한 모델 복사
mkdir -p ../../../models/wan
# 또는 심볼릭 링크
ln -s /path/to/Wan2.2-T2V-A14B ../../../models/wan/Wan2.2-T2V-A14B

# ComfyUI 실행
cd ../../..
python main.py --listen 0.0.0.0 --port 8188

[ComfyUI 워크플로우 설정]

브라우저에서 http://localhost:8188 접속

노드 구성:
1. Load WanVideo Model → Wan2.2-T2V-A14B 선택
2. CLIP Text Encode (Positive) → 프롬프트 입력
3. CLIP Text Encode (Negative) → 네거티브 프롬프트
4. WanVideo Sampler
   → Steps: 20~50
   → CFG: 7.0~7.5
   → Seed: 랜덤 또는 고정
5. WanVideo Decode
6. Video Combine → 출력 파일명 설정

Queue Prompt → 생성 시작

워크플로우 다운로드:
→ comfyworkflows.com 에서 "Wan2.2" 검색
→ WanVideoWrapper GitHub의 example_workflows/ 폴더

---

실전 6 — 다중 GPU 서빙 (고성능 환경)

# 8×GPU FSDP 병렬 처리 (A100/H100 서버)
torchrun \
  --nproc_per_node=8 \
  generate.py \
  --task t2v-A14B \
  --size 1280*720 \
  --ckpt_dir ./Wan2.2-T2V-A14B \
  --dit_fsdp \        # DiT 모델 FSDP 분산
  --t5_fsdp \         # T5 텍스트 인코더 FSDP 분산
  --ulysses_size 8 \  # Ulysses 시퀀스 병렬화
  --prompt "Two anthropomorphic cats in comfy boxing gear and bright gloves fight intensely on a spotlighted stage." \
  --use_prompt_extend \
  --prompt_extend_method local_qwen \
  --prompt_extend_model Qwen/Qwen2.5-7B-Instruct

# 4×GPU 구성
torchrun \
  --nproc_per_node=4 \
  generate.py \
  --task t2v-A14B \
  --size 1280*720 \
  --ckpt_dir ./Wan2.2-T2V-A14B \
  --dit_fsdp \
  --t5_fsdp \
  --ulysses_size 4 \
  --prompt "Your prompt"

---

좋은 프롬프트 작성법

[Wan2.2 프롬프트 패턴]

구조:
[주체] + [액션/상황] + [카메라/앵글] + [분위기/조명] + [세부 묘사]

효과적인 프롬프트 예시:
"A lone astronaut walks slowly across the surface of Mars,
 red dust swirling around their boots.
 Wide establishing shot, dramatic backlighting from a low sun,
 cinematic, highly detailed spacesuit."

"Cherry blossoms falling in slow motion over a traditional Japanese street.
 Soft bokeh background, warm golden hour lighting,
 petals catching the light as they drift past paper lanterns."

"A wolf running through a dense snowy forest at dusk.
 Camera tracks alongside at ground level,
 breath visible in the cold air, moonlight filtering through pine trees."

[네거티브 프롬프트 — 공식 권장]
"Bright tones, overexposed, static, blurred details, subtitles,
 style, works, paintings, images, static, overall light"

[팁]
→ 영어 프롬프트가 한국어보다 훨씬 품질 좋음
→ 카메라 움직임 명시: "slow pan", "tracking shot", "zoom in" 등
→ 조명 조건 명시: "golden hour", "dramatic backlighting", "soft diffused light"
→ 품질 키워드: "cinematic", "highly detailed", "photorealistic", "8K"
→ 5초 분량에 너무 많은 이벤트 넣지 말 것 — 단순하고 명확하게

---

GPU별 실전 세팅 요약

[환경별 권장 세팅]

RTX 4090 24GB (단독):
→ 해상도: 480P만 현실적
→ 필수 플래그: --offload_model True --convert_model_dtype --t5_cpu
→ 생성 시간: 480P 약 20~30분
→ 720P: 거의 불가 (OOM)

A100 40GB:
→ 480P: --offload_model True 없이도 가능
→ 720P: --offload_model True + --convert_model_dtype
→ 생성 시간: 480P 약 5분

A100 80GB / H100:
→ 480P: 플래그 없이 풀 품질
→ 720P: --offload_model True 정도면 충분
→ 생성 시간: 480P 약 3~4분, 720P 약 8분

H100 × 8 (FSDP):
→ 720P 풀 품질
→ 생성 시간: 약 1~2분

---

마무리

✅ Wan2.2-T2V-A14B가 좋은 경우
→ 상업 이용 가능한 오픈소스 필요 (Apache 2.0)
→ 프롬프트 외부 전송 없는 완전 로컬 생성 필요
→ Sora·Veo 수준 품질을 자체 서버에서 구현하고 싶을 때
→ 마케팅 영상, 개념 시각화, 콘텐츠 제작 자동화 파이프라인
→ 배치로 대량 영상 생성 (토큰 비용 없음)

❌ 주의사항
→ 소비자 GPU: 24GB 단일로는 480P만 가능, 시간도 오래 걸림
→ 저장 공간: 모델 가중치만 ~70GB + 생성 영상 + 임시 파일
→ 생성 길이: 5초 고정 (더 긴 영상은 클립 연결 필요)
→ 프롬프트: 영어 권장, 한국어 프롬프트 품질 저조
→ 실시간 생성: 불가 — 배치 처리 워크플로우에 적합