AI大模型：（二）1.3 linux本地部署通义万相2.1+deepseek视频生成
2025年2 月 26 日，阿里巴巴深夜重磅开源了视频生成大模型——Wan 2.1（ 通义万相 2.1）。此次开源采用 Apache 2.0 协议，当前全球开发者可通过GitHub（https://github.com/Wan-Video/Wan2.1）、HuggingFace（https://huggingface.co/Wan-AI ）平台直接下载并上手体验。"通义万相"（Tongyi Wanxiang）是阿里巴巴达摩院推出的一款AI绘画工具，基于先进的生成式人工智能技术，能够根据用户输入的文本描述（Prompt）自动生成高质量的图像、插画或设计作品。提供14B和1.3B参数版本，支持中英文视频生成及特效（如粒子效果、物理模拟），其14B在VBench榜单以86.22%得分登顶。Wan2.1 Prompt可以根据deepseek模型进一步优化，耳熟能详的手机app即梦AI也是这么个玩法，通过deepseek的优化可以将模糊需求细化为具体场景描述，能显著提升视频细节与场景丰富度。
1.部署要求
| 模型参数 | CPU要求 | 内存要求 | 显存要求 | 硬盘要求 |
|---|---|---|---|---|
| 1.5B | 最低4核，推荐8核 | 8GB+ | 8GB+（如RTX 3060） | 10GB+ SSD |
| 14B | 最低8核，推荐16核 | 16GB+ | 16GB+（如RTX 4090） | 20GB+ SSD |
2.下载地址
| Models | Download Link | Notes |
|---|---|---|
| T2V-14B | 🤗 Huggingface 🤖 ModelScope | Supports both 480P and 720P |
| I2V-14B-720P | 🤗 Huggingface 🤖 ModelScope | Supports 720P |
| I2V-14B-480P | 🤗 Huggingface 🤖 ModelScope | Supports 480P |
| T2V-1.3B | 🤗 Huggingface 🤖 ModelScope | Supports 480P |
3.安装
我们使用python虚拟环境做隔离，防止包冲突：
python -m venv wan2.1 # 创建名为 wan2.1 的虚拟环境
source wan2.1/bin/activate # 激活环境（Linux/macOS）下载wan2.1 repo:
git clone https://github.com/Wan-Video/Wan2.1.git
cd Wan2.1安装依赖：
# Ensure torch >= 2.4.0
pip install -r requirements.txt安装过程错误解决：
- 如果是阿里云安装遇到ssl报错后找不到ninja：
pip install --trusted-host mirrors.cloud.aliyuncs.com ninja #跳过 SSL 验证安装 - 安装flash-attn卡住移步github下载、安装
windows: https://github.com/kingbri1/flash-attention/releases
Linux: https://github.com/Dao-AILab/flash-attention/releases/download/v2.7.4.post1/flash_attn-2.7.4.post1+cu12torch2.6cxx11abiFALSE-cp311-cp311-linux_x86_64.whl
下载完后安装：
pip install flash_attn-2.7.4.post1+cu12torch2.6cxx11abiFALSE-cp311-cp311-linux_x86_64.whl下载模型（这里用魔搭下载，魔搭比huggingface快）：
pip install modelscope
modelscope download Wan-AI/Wan2.1-T2V-1.3B --local_dir ./Wan2.1-T2V-1.3B4.运行生成视频
运行：
python generate.py --task t2v-1.3B --size 832*480 --ckpt_dir ../Wan2.1-T2V-1.3B --sample_shift 8 --sample_guide_scale 6 --prompt "变形金刚入侵地球."
如上视频已经生成好了，下载看看效果：
变形金刚入侵地球-原
5. DeepSeek丰富后Wan2.1
5.1 deepseek构建场景
从生成的视频来看，场景还是略显单调。那么我们的国货之光DeepSeek就该上场了，可以用它对文本描述（Prompt）进行丰富。
我们用deepseek丰富下文本：
例如这样问deepseek：我需要使用AI工具生成一个5秒钟的视频，我想象的场景：变形金刚入侵地球，但我感觉比较空洞，帮我扩充下场景，使其更加丰满。50字以内。
5.2 重新生成
使用deepseek生成场景描述文本重新生成：
python generate.py --task t2v-1.3B --size 832*480 --ckpt_dir ../Wan2.1-T2V-1.3B --sample_shift 8 --sample_guide_scale 6 --prompt "深夜，城市天际线被猩红警报撕裂，赛博坦巨影从云层压境。擎天柱在燃烧的街道上变形起身，金属关节摩擦出火花，身后人类四散奔逃。威震天的炮管在月球轮廓前充能，一道等离子光束贯穿摩天楼群，玻璃幕墙如冰晶崩塌。汽车人编队从硝烟中冲出，轮胎碾过坠落的军机残骸，5秒内定格地球文明存亡瞬间。"
效果如下：
变形金刚-优
6. 效果对比
不同的prompt生成时间基本一致，这里因为我们描述的场景太多，视频太短，效果不是那么明显。目前wan2.1只能生成3~5秒的视频，我们可以描述单一场景，效果对比就很明显。后续也可以借助一些工具可以生成长视频。这里主要告诉大家我们可以借助deepseek强大的自然语言能力丰富场景，然后根据deepseek生成的文本描述（Prompt）一种玩法，效果会更好。就像即梦AI的玩法类似。