exp_code/1_benchmark/musubi-tuner/docs/wan.md

📝 Click on the language section to expand / 言語をクリックして展開

Wan 2.1

Overview / 概要

This is an unofficial training and inference script for Wan2.1. The features are as follows.

• fp8 support and memory reduction by block swap: Inference of a 720x1280x81frames videos with 24GB VRAM, training with 720x1280 images with 24GB VRAM
• Inference without installing Flash attention (using PyTorch's scaled dot product attention)
• Supports xformers and Sage attention

This feature is experimental.

日本語

[Wan2.1](https://github.com/Wan-Video/Wan2.1) の非公式の学習および推論スクリプトです。

以下の特徴があります。

• fp8対応およびblock swapによる省メモリ化：720x1280x81framesの動画を24GB VRAMで推論可能、720x1280の画像での学習が24GB VRAMで可能
• Flash attentionのインストールなしでの実行（PyTorchのscaled dot product attentionを使用）
• xformersおよびSage attention対応

この機能は実験的なものです。

Download the model / モデルのダウンロード

Download the T5 models_t5_umt5-xxl-enc-bf16.pth and CLIP models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth from the following page: https://huggingface.co/Wan-AI/Wan2.1-I2V-14B-720P/tree/main

Download the VAE from the above page Wan2.1_VAE.pth or download split_files/vae/wan_2.1_vae.safetensors from the following page: https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/vae

Download the DiT weights from the following page: https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/diffusion_models

Wan2.1 Fun Control model weights can be downloaded from here. Navigate to each weight page and download. The Fun Control model seems to support not only T2V but also I2V tasks.

Please select the appropriate weights according to T2V, I2V, resolution, model size, etc.

fp16 and bf16 models can be used, and fp8_e4m3fn models can be used if --fp8 (or --fp8_base) is specified without specifying --fp8_scaled. Please note that fp8_scaled models are not supported even with --fp8_scaled.

(Thanks to Comfy-Org for providing the repackaged weights.)

Model support matrix / モデルサポートマトリックス

• columns: training dtype (行：学習時のデータ型)
• rows: model dtype (列：モデルのデータ型)

model \ training	bf16	fp16	--fp8_base	--fp8base & --fp8_scaled
bf16	✓	--	✓	✓
fp16	--	✓	✓	✓
fp8_e4m3fn	--	--	✓	--
fp8_scaled	--	--	--	--

日本語

T5 `models_t5_umt5-xxl-enc-bf16.pth` およびCLIP `models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth` を、次のページからダウンロードしてください：https://huggingface.co/Wan-AI/Wan2.1-I2V-14B-720P/tree/main

VAEは上のページから Wan2.1_VAE.pth をダウンロードするか、次のページから split_files/vae/wan_2.1_vae.safetensors をダウンロードしてください：https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/vae

DiTの重みを次のページからダウンロードしてください：https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/tree/main/split_files/diffusion_models

Wan2.1 Fun Controlモデルの重みは、こちらから、それぞれの重みのページに遷移し、ダウンロードしてください。Fun ControlモデルはT2VだけでなくI2Vタスクにも対応しているようです。

T2VやI2V、解像度、モデルサイズなどにより適切な重みを選択してください。

fp16 および bf16 モデルを使用できます。また、--fp8 （または--fp8_base）を指定し--fp8_scaledを指定をしないときには fp8_e4m3fn モデルを使用できます。**fp8_scaled モデルはいずれの場合もサポートされていませんのでご注意ください。**

（repackaged版の重みを提供してくださっているComfy-Orgに感謝いたします。）

Pre-caching / 事前キャッシュ

Latent Pre-caching

Latent pre-caching is almost the same as in HunyuanVideo. Create the cache using the following command:

python src/musubi_tuner/wan_cache_latents.py --dataset_config path/to/toml --vae path/to/wan_2.1_vae.safetensors

If you train I2V models, add --clip path/to/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth to specify the CLIP model. If not specified, the training will raise an error.

If you're running low on VRAM, specify --vae_cache_cpu to use the CPU for the VAE internal cache, which will reduce VRAM usage somewhat.

The control video settings are required for training the Fun-Control model. Please refer to Dataset Settings for details.

日本語

latentの事前キャッシングはHunyuanVideoとほぼ同じです。上のコマンド例を使用してキャッシュを作成してください。

I2Vモデルを学習する場合は、--clip path/to/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth を追加してCLIPモデルを指定してください。指定しないと学習時にエラーが発生します。

VRAMが不足している場合は、--vae_cache_cpu を指定するとVAEの内部キャッシュにCPUを使うことで、使用VRAMを多少削減できます。

Fun-Controlモデルを学習する場合は、制御用動画の設定が必要です。データセット設定を参照してください。

Text Encoder Output Pre-caching

Text encoder output pre-caching is also almost the same as in HunyuanVideo. Create the cache using the following command:

python src/musubi_tuner/wan_cache_text_encoder_outputs.py --dataset_config path/to/toml  --t5 path/to/models_t5_umt5-xxl-enc-bf16.pth --batch_size 16 

Adjust --batch_size according to your available VRAM.

For systems with limited VRAM (less than ~16GB), use --fp8_t5 to run the T5 in fp8 mode.

日本語

テキストエンコーダ出力の事前キャッシングもHunyuanVideoとほぼ同じです。上のコマンド例を使用してキャッシュを作成してください。

使用可能なVRAMに合わせて --batch_size を調整してください。

VRAMが限られているシステム（約16GB未満）の場合は、T5をfp8モードで実行するために --fp8_t5 を使用してください。

Training / 学習

Training

Start training using the following command (input as a single line):

accelerate launch --num_cpu_threads_per_process 1 --mixed_precision bf16 src/musubi_tuner/wan_train_network.py 
    --task t2v-1.3B 
    --dit path/to/wan2.1_xxx_bf16.safetensors 
    --dataset_config path/to/toml --sdpa --mixed_precision bf16 --fp8_base 
    --optimizer_type adamw8bit --learning_rate 2e-4 --gradient_checkpointing 
    --max_data_loader_n_workers 2 --persistent_data_loader_workers 
    --network_module networks.lora_wan --network_dim 32 
    --timestep_sampling shift --discrete_flow_shift 3.0 
    --max_train_epochs 16 --save_every_n_epochs 1 --seed 42
    --output_dir path/to/output_dir --output_name name-of-lora

The above is an example. The appropriate values for timestep_sampling and discrete_flow_shift need to be determined by experimentation.

For additional options, use python src/musubi_tuner/wan_train_network.py --help (note that many options are unverified).

--task is one of t2v-1.3B, t2v-14B, i2v-14B, t2i-14B (for Wan2.1 official models), t2v-1.3B-FC, t2v-14B-FC, and i2v-14B-FC (for Wan2.1 Fun Control model). Specify the DiT weights for the task with --dit.

Don't forget to specify --network_module networks.lora_wan.

Other options are mostly the same as hv_train_network.py.

Use convert_lora.py for converting the LoRA weights after training, as in HunyuanVideo.

日本語

`timestep_sampling`や`discrete_flow_shift`は一例です。どのような値が適切かは実験が必要です。

その他のオプションについては python src/musubi_tuner/wan_train_network.py --help を使用してください（多くのオプションは未検証です）。

--task には t2v-1.3B, t2v-14B, i2v-14B, t2i-14B （これらはWan2.1公式モデル）、t2v-1.3B-FC, t2v-14B-FC, i2v-14B-FC（Wan2.1-Fun Controlモデル）を指定します。--ditに、taskに応じたDiTの重みを指定してください。

--network_module に networks.lora_wan を指定することを忘れないでください。

その他のオプションは、ほぼhv_train_network.pyと同様です。

学習後のLoRAの重みの変換は、HunyuanVideoと同様にconvert_lora.pyを使用してください。

Command line options for training with sampling / サンプル画像生成に関連する学習時のコマンドラインオプション

Example of command line options for training with sampling / 記述例:

--vae path/to/wan_2.1_vae.safetensors 
--t5 path/to/models_t5_umt5-xxl-enc-bf16.pth 
--sample_prompts /path/to/prompt_file.txt 
--sample_every_n_epochs 1 --sample_every_n_steps 1000 -- sample_at_first

Each option is the same as when generating images or as HunyuanVideo. Please refer to here for details.

If you train I2V models, add --clip path/to/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth to specify the CLIP model.

You can specify the initial image, the negative prompt and the control video (for Wan2.1-Fun-Control) in the prompt file. Please refer to here.

日本語

各オプションは推論時、およびHunyuanVideoの場合と同様です。[こちら](/docs/sampling_during_training.md)を参照してください。

I2Vモデルを学習する場合は、--clip path/to/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth を追加してCLIPモデルを指定してください。

プロンプトファイルで、初期画像やネガティブプロンプト、制御動画（Wan2.1-Fun-Control用）等を指定できます。こちらを参照してください。

Inference / 推論

Inference Options Comparison / 推論オプション比較

Speed Comparison (Faster → Slower) / 速度比較（速い→遅い）

Note: Results may vary depending on GPU type

fp8_fast > bf16/fp16 (no block swap) > fp8 > fp8_scaled > bf16/fp16 (block swap)

Quality Comparison (Higher → Lower) / 品質比較（高→低）

bf16/fp16 > fp8_scaled > fp8 >> fp8_fast

T2V Inference / T2V推論

The following is an example of T2V inference (input as a single line):

python src/musubi_tuner/wan_generate_video.py --fp8 --task t2v-1.3B --video_size  832 480 --video_length 81 --infer_steps 20 
--prompt "prompt for the video" --save_path path/to/save.mp4 --output_type both 
--dit path/to/wan2.1_t2v_1.3B_bf16_etc.safetensors --vae path/to/wan_2.1_vae.safetensors 
--t5 path/to/models_t5_umt5-xxl-enc-bf16.pth 
--attn_mode torch

--task is one of t2v-1.3B, t2v-14B, i2v-14B, t2i-14B (these are Wan2.1 official models), t2v-1.3B-FC, t2v-14B-FC and i2v-14B-FC (for Wan2.1-Fun Control model).

--attn_mode is torch, sdpa (same as torch), xformers, sageattn,flash2, flash (same as flash2) or flash3. torch is the default. Other options require the corresponding library to be installed. flash3 (Flash attention 3) is not tested.

Specifying --fp8 runs DiT in fp8 mode. fp8 can significantly reduce memory consumption but may impact output quality.

--fp8_scaled can be specified in addition to --fp8 to run the model in fp8 weights optimization. This increases memory consumption and speed slightly but improves output quality. See here for details.

--fp8_fast option is also available for faster inference on RTX 40x0 GPUs. This option requires --fp8_scaled option. This option seems to degrade the output quality.

--fp8_t5 can be used to specify the T5 model in fp8 format. This option reduces memory usage for the T5 model.

--negative_prompt can be used to specify a negative prompt. If omitted, the default negative prompt is used.

--flow_shift can be used to specify the flow shift (default 3.0 for I2V with 480p, 5.0 for others).

--guidance_scale can be used to specify the guidance scale for classifier free guidance (default 5.0).

--blocks_to_swap is the number of blocks to swap during inference. The default value is None (no block swap). The maximum value is 39 for 14B model and 29 for 1.3B model.

--vae_cache_cpu enables VAE cache in main memory. This reduces VRAM usage slightly but processing is slower.

--compile enables torch.compile. See here for details.

--trim_tail_frames can be used to trim the tail frames when saving. The default is 0.

--cfg_skip_mode specifies the mode for skipping CFG in different steps. The default is none (all steps).--cfg_apply_ratio specifies the ratio of steps where CFG is applied. See below for details.

--include_patterns and --exclude_patterns can be used to specify which LoRA modules to apply or exclude during training. If not specified, all modules are applied by default. These options accept regular expressions.

--include_patterns specifies the modules to be applied, and --exclude_patterns specifies the modules to be excluded. The regular expression is matched against the LoRA key name, and include takes precedence.

The key name to be searched is in sd-scripts format (lora_unet_<module_name with dot replaced by _>). For example, lora_unet_blocks_9_cross_attn_k.

For example, if you specify --exclude_patterns "blocks_[23]\d_", it will exclude modules containing blocks_20 to blocks_39. If you specify --include_patterns "cross_attn" --exclude_patterns "blocks_(0|1|2|3|4)_", it will apply LoRA to modules containing cross_attn and not containing blocks_0 to blocks_4.

If you specify multiple LoRA weights, please specify them with multiple arguments. For example: --include_patterns "cross_attn" ".*" --exclude_patterns "dummy_do_not_exclude" "blocks_(0|1|2|3|4)". ".*" is a regex that matches everything. dummy_do_not_exclude is a dummy regex that does not match anything.

--cpu_noise generates initial noise on the CPU. This may result in the same results as ComfyUI with the same seed (depending on other settings).

If you are using the Fun Control model, specify the control video with --control_path. You can specify a video file or a folder containing multiple image files. The number of frames in the video file (or the number of images) should be at least the number specified in --video_length (plus 1 frame if you specify --end_image_path).

Please try to match the aspect ratio of the control video with the aspect ratio specified in --video_size (there may be some deviation from the initial image of I2V due to the use of bucketing processing).

Other options are same as hv_generate_video.py (some options are not supported, please check the help).

日本語

`--task` には `t2v-1.3B`, `t2v-14B`, `i2v-14B`, `t2i-14B` （これらはWan2.1公式モデル）、`t2v-1.3B-FC`, `t2v-14B-FC`, `i2v-14B-FC`（Wan2.1-Fun Controlモデル）を指定します。

--attn_mode には torch, sdpa（torchと同じ）、xformers, sageattn, flash2, flash（flash2と同じ）, flash3 のいずれかを指定します。デフォルトは torch です。その他のオプションを使用する場合は、対応するライブラリをインストールする必要があります。flash3（Flash attention 3）は未テストです。

--fp8 を指定するとDiTモデルをfp8形式で実行します。fp8はメモリ消費を大幅に削減できますが、出力品質に影響を与える可能性があります。

--fp8_scaled を --fp8 と併用すると、fp8への重み量子化を行います。メモリ消費と速度はわずかに悪化しますが、出力品質が向上します。詳しくはこちらを参照してください。

--fp8_fast オプションはRTX 40x0 GPUでの高速推論に使用されるオプションです。このオプションは --fp8_scaled オプションが必要です。出力品質が劣化するようです。

--fp8_t5 を指定するとT5モデルをfp8形式で実行します。T5モデル呼び出し時のメモリ使用量を削減します。

--negative_prompt でネガティブプロンプトを指定できます。省略した場合はデフォルトのネガティブプロンプトが使用されます。

--flow_shift でflow shiftを指定できます（480pのI2Vの場合はデフォルト3.0、それ以外は5.0）。

--guidance_scale でclassifier free guianceのガイダンススケールを指定できます（デフォルト5.0）。

--blocks_to_swap は推論時のblock swapの数です。デフォルト値はNone（block swapなし）です。最大値は14Bモデルの場合39、1.3Bモデルの場合29です。

--vae_cache_cpu を有効にすると、VAEのキャッシュをメインメモリに保持します。VRAM使用量が多少減りますが、処理は遅くなります。

--compileでtorch.compileを有効にします。詳細についてはこちらを参照してください。

--trim_tail_frames で保存時に末尾のフレームをトリミングできます。デフォルトは0です。

--cfg_skip_mode は異なるステップでCFGをスキップするモードを指定します。デフォルトは none（全ステップ）。--cfg_apply_ratio はCFGが適用されるステップの割合を指定します。詳細は後述します。

LoRAのどのモジュールを適用するかを、--include_patternsと--exclude_patternsで指定できます（未指定時・デフォルトは全モジュール適用されます ）。これらのオプションには、正規表現を指定します。--include_patternsは適用するモジュール、--exclude_patternsは適用しないモジュールを指定します。正規表現がLoRAのキー名に含まれるかどうかで判断され、includeが優先されます。

検索対象となるキー名は sd-scripts 形式（lora_unet_<モジュール名のドットを_に置換したもの>）です。例：lora_unet_blocks_9_cross_attn_k

たとえば --exclude_patterns "blocks_[23]\d_"のみを指定すると、blocks_20からblocks_39を含むモジュールが除外されます。--include_patterns "cross_attn" --exclude_patterns "blocks_(0|1|2|3|4)_"のようにincludeとexcludeを指定すると、cross_attnを含むモジュールで、かつblocks_0からblocks_4を含まないモジュールにLoRAが適用されます。

複数のLoRAの重みを指定する場合は、複数個の引数で指定してください。例：--include_patterns "cross_attn" ".*" --exclude_patterns "dummy_do_not_exclude" "blocks_(0|1|2|3|4)" ".*"は全てにマッチする正規表現です。dummy_do_not_excludeは何にもマッチしないダミーの正規表現です。

--cpu_noiseを指定すると初期ノイズをCPUで生成します。これにより同一seed時の結果がComfyUIと同じになる可能性があります（他の設定にもよります）。

Fun Controlモデルを使用する場合は、--control_pathで制御用の映像を指定します。動画ファイル、または複数枚の画像ファイルを含んだフォルダを指定できます。動画ファイルのフレーム数（または画像の枚数）は、--video_lengthで指定したフレーム数以上にしてください（後述の--end_image_pathを指定した場合は、さらに+1フレーム）。

制御用の映像のアスペクト比は、--video_sizeで指定したアスペクト比とできるかぎり合わせてください（bucketingの処理を流用しているためI2Vの初期画像とズレる場合があります）。

その他のオプションは hv_generate_video.py と同じです（一部のオプションはサポートされていないため、ヘルプを確認してください）。

CFG Skip Mode / CFGスキップモード

These options allow you to balance generation speed against prompt accuracy. More skipped steps results in faster generation with potential quality degradation.

Setting --cfg_apply_ratio to 0.5 speeds up the denoising loop by up to 25%.

--cfg_skip_mode specified one of the following modes:

• early: Skips CFG in early steps for faster generation, applying guidance mainly in later refinement steps
• late: Skips CFG in later steps, applying guidance during initial structure formation
• middle: Skips CFG in middle steps, applying guidance in both early and later steps
• early_late: Skips CFG in both early and late steps, applying only in middle steps
• alternate: Applies CFG in alternate steps based on the specified ratio
• none: Applies CFG at all steps (default)

--cfg_apply_ratio specifies a value from 0.0 to 1.0 controlling the proportion of steps where CFG is applied. For example, setting 0.5 means CFG will be applied in only 50% of the steps.

If num_steps is 10, the following table shows the steps where CFG is applied based on the --cfg_skip_mode option (A means CFG is applied, S means it is skipped, --cfg_apply_ratio is 0.6):

skip mode	CFG apply pattern
early	SSSSAAAAAA
late	AAAAAASSSS
middle	AAASSSSAAA
early_late	SSAAAAAASS
alternate	SASASAASAS

The appropriate settings are unknown, but you may want to try late or early_late mode with a ratio of around 0.3 to 0.5.

日本語

これらのオプションは、生成速度とプロンプトの精度のバランスを取ることができます。スキップされるステップが多いほど、生成速度が速くなりますが、品質が低下する可能性があります。

ratioに0.5を指定することで、デノイジングのループが最大25%程度、高速化されます。

--cfg_skip_mode は次のモードのいずれかを指定します：

• early：初期のステップでCFGをスキップして、主に終盤の精細化のステップで適用します
• late：終盤のステップでCFGをスキップし、初期の構造が決まる段階で適用します
• middle：中間のステップでCFGをスキップし、初期と終盤のステップの両方で適用します
• early_late：初期と終盤のステップの両方でCFGをスキップし、中間のステップのみ適用します
• alternate：指定された割合に基づいてCFGを適用します

--cfg_apply_ratio は、CFGが適用されるステップの割合を0.0から1.0の値で指定します。たとえば、0.5に設定すると、CFGはステップの50%のみで適用されます。

具体的なパターンは上のテーブルを参照してください。

適切な設定は不明ですが、モードはlateまたはearly_late、ratioは0.3~0.5程度から試してみると良いかもしれません。

Skip Layer Guidance

Skip Layer Guidance is a feature that uses the output of a model with some blocks skipped as the unconditional output of classifier free guidance. It was originally proposed in SD 3.5 and first applied in Wan2GP in this PR. It may improve the quality of generated videos.

The implementation of SD 3.5 is here, and the implementation of Wan2GP (the PR mentioned above) has some different specifications. This inference script allows you to choose between the two methods.

The SD3.5 method applies slg output in addition to cond and uncond (slows down the speed). The Wan2GP method uses only cond and slg output.

The following arguments are available:

• --slg_mode: Specifies the SLG mode. original for SD 3.5 method, uncond for Wan2GP method. Default is None (no SLG).
• --slg_layers: Specifies the indices of the blocks (layers) to skip in SLG, separated by commas. Example: --slg_layers 4,5,6. Default is empty (no skip). If this option is not specified, --slg_mode is ignored.
• --slg_scale: Specifies the scale of SLG when original. Default is 3.0.
• --slg_start: Specifies the start step of SLG application in inference steps from 0.0 to 1.0. Default is 0.0 (applied from the beginning).
• --slg_end: Specifies the end step of SLG application in inference steps from 0.0 to 1.0. Default is 0.3 (applied up to 30% from the beginning).

Appropriate settings are unknown, but you may want to try original mode with a scale of around 3.0 and a start ratio of 0.0 and an end ratio of 0.5, with layers 4, 5, and 6 skipped.

日本語

Skip Layer Guidanceは、一部のblockをスキップしたモデル出力をclassifier free guidanceのunconditional出力に使用する機能です。元々は[SD 3.5](https://github.com/comfyanonymous/ComfyUI/pull/5404)で提案されたもので、Wan2.1には[Wan2GPのこちらのPR](https://github.com/deepbeepmeep/Wan2GP/pull/61)で初めて適用されました。生成動画の品質が向上する可能性があります。

SD 3.5の実装はこちらで、Wan2GPの実装（前述のPR）は一部仕様が異なります。この推論スクリプトでは両者の方式を選択できるようになっています。

※SD3.5方式はcondとuncondに加えてslg outputを適用します（速度が低下します）。Wan2GP方式はcondとslg outputのみを使用します。

以下の引数があります。

• --slg_mode：SLGのモードを指定します。originalでSD 3.5の方式、uncondでWan2GPの方式です。デフォルトはNoneで、SLGを使用しません。
• --slg_layers：SLGでスキップするblock (layer)のインデクスをカンマ区切りで指定します。例：--slg_layers 4,5,6。デフォルトは空（スキップしない）です。このオプションを指定しないと--slg_modeは無視されます。
• --slg_scale：originalのときのSLGのスケールを指定します。デフォルトは3.0です。
• --slg_start：推論ステップのSLG適用開始ステップを0.0から1.0の割合で指定します。デフォルトは0.0です（最初から適用）。
• --slg_end：推論ステップのSLG適用終了ステップを0.0から1.0の割合で指定します。デフォルトは0.3です（最初から30%まで適用）。

適切な設定は不明ですが、originalモードでスケールを3.0程度、開始割合を0.0、終了割合を0.5程度に設定し、4, 5, 6のlayerをスキップする設定から始めると良いかもしれません。

I2V Inference / I2V推論

The following is an example of I2V inference (input as a single line):

python src/musubi_tuner/wan_generate_video.py --fp8 --task i2v-14B --video_size 832 480 --video_length 81 --infer_steps 20 
--prompt "prompt for the video" --save_path path/to/save.mp4 --output_type both 
--dit path/to/wan2.1_i2v_480p_14B_bf16_etc.safetensors --vae path/to/wan_2.1_vae.safetensors 
--t5 path/to/models_t5_umt5-xxl-enc-bf16.pth --clip path/to/models_clip_open-clip-xlm-roberta-large-vit-huge-14.pth 
--attn_mode torch --image_path path/to/image.jpg

Add --clip to specify the CLIP model. --image_path is the path to the image to be used as the initial frame.

--end_image_path can be used to specify the end image. This option is experimental. When this option is specified, the saved video will be slightly longer than the specified number of frames and will have noise, so it is recommended to specify --trim_tail_frames 3 to trim the tail frames.

You can also use the Fun Control model for I2V inference. Specify the control video with --control_path.

Other options are same as T2V inference.

日本語

`--clip` を追加してCLIPモデルを指定します。`--image_path` は初期フレームとして使用する画像のパスです。

--end_image_path で終了画像を指定できます。このオプションは実験的なものです。このオプションを指定すると、保存される動画が指定フレーム数よりもやや多くなり、かつノイズが乗るため、--trim_tail_frames 3 などを指定して末尾のフレームをトリミングすることをお勧めします。

I2V推論でもFun Controlモデルが使用できます。--control_path で制御用の映像を指定します。

その他のオプションはT2V推論と同じです。

New Batch and Interactive Modes / 新しいバッチモードとインタラクティブモード

In addition to single video generation, Wan 2.1 now supports batch generation from file and interactive prompt input:

Batch Mode from File / ファイルからのバッチモード

Generate multiple videos from prompts stored in a text file:

python src/musubi_tuner/wan_generate_video.py --from_file prompts.txt --task t2v-14B 
--dit path/to/model.safetensors --vae path/to/vae.safetensors 
--t5 path/to/t5_model.pth --save_path output_directory

The prompts file format:

• One prompt per line
• Empty lines and lines starting with # are ignored (comments)
• Each line can include prompt-specific parameters using command-line style format:

A beautiful sunset over mountains --w 832 --h 480 --f 81 --d 42 --s 20
A busy city street at night --w 480 --h 832 --g 7.5 --n low quality, blurry

Supported inline parameters (if ommitted, default values from the command line are used):

• --w: Width
• --h: Height
• --f: Frame count
• --d: Seed
• --s: Inference steps
• --g or --l: Guidance scale
• --fs: Flow shift
• --i: Image path (for I2V)
• --cn: Control path (for Fun Control)
• --n: Negative prompt

In batch mode, models are loaded once and reused for all prompts, significantly improving overall generation time compared to multiple single runs.

Interactive Mode / インタラクティブモード

Interactive command-line interface for entering prompts:

python src/musubi_tuner/wan_generate_video.py --interactive --task t2v-14B 
--dit path/to/model.safetensors --vae path/to/vae.safetensors 
--t5 path/to/t5_model.pth --save_path output_directory

In interactive mode:

• Enter prompts directly at the command line
• Use the same inline parameter format as batch mode
• Use Ctrl+D (or Ctrl+Z on Windows) to exit
• Models remain loaded between generations for efficiency

日本語

単一動画の生成に加えて、Wan 2.1は現在、ファイルからのバッチ生成とインタラクティブなプロンプト入力をサポートしています。

ファイルからのバッチモード

テキストファイルに保存されたプロンプトから複数の動画を生成します：

python src/musubi_tuner/wan_generate_video.py --from_file prompts.txt --task t2v-14B 
--dit path/to/model.safetensors --vae path/to/vae.safetensors 
--t5 path/to/t5_model.pth --save_path output_directory

プロンプトファイルの形式：

• 1行に1つのプロンプト
• 空行や#で始まる行は無視されます（コメント）
• 各行にはコマンドライン形式でプロンプト固有のパラメータを含めることができます：

サポートされているインラインパラメータ（省略した場合、コマンドラインのデフォルト値が使用されます）

• --w: 幅
• --h: 高さ
• --f: フレーム数
• --d: シード
• --s: 推論ステップ
• --g または --l: ガイダンススケール
• --fs: フローシフト
• --i: 画像パス（I2V用）
• --cn: コントロールパス（Fun Control用）
• --n: ネガティブプロンプト

バッチモードでは、モデルは一度だけロードされ、すべてのプロンプトで再利用されるため、複数回の単一実行と比較して全体的な生成時間が大幅に改善されます。

インタラクティブモード

プロンプトを入力するためのインタラクティブなコマンドラインインターフェース：

python src/musubi_tuner/wan_generate_video.py --interactive --task t2v-14B 
--dit path/to/model.safetensors --vae path/to/vae.safetensors 
--t5 path/to/t5_model.pth --save_path output_directory

インタラクティブモードでは：

• コマンドラインで直接プロンプトを入力
• バッチモードと同じインラインパラメータ形式を使用
• 終了するには Ctrl+D (Windowsでは Ctrl+Z) を使用
• 効率のため、モデルは生成間で読み込まれたままになります