一.背景介绍
近年来，人工智能内容生成（AIGC）在视频创作领域取得了突破性进展，其中文本到视频（Text-to-Video）生成技术因其在内容创作、广告营销和教育可视化等方面的巨大潜力而备受关注。Wan 2.1作为阿里云推出的开源视频生成模型，凭借其强大的生成能力和对中文的良好支持，正在成为AI视频生成领域的重要工具。
在实际应用中，视频生成任务往往面临计算资源需求高、参数配置复杂、生成效果不稳定等挑战。Wan 2.1通过优化的模型架构和参数设计，在保证生成质量的同时显著降低了计算资源需求。其内置的UMT5-XXL文本编码器对中文提示词有着出色的理解能力，配合高效的VAE视频解码器，能够生成连贯、高质量的视频内容。
Wan-14B 在多个基准测试中展现出强大能力。
(来源：https://github.com/Wan-Video/Wan2.1?tab=readme-ov-file)
本教程将系统介绍如何基于BitaHub Notebook环境快速部署和使用 Wan 2.1-1.3B 模型，涵盖从环境配置、模型加载到参数调优的完整流程。通过实际案例演示，我们将展示如何通过调整采样步数、运动幅度等关键参数来优化生成效果，以及如何利用提示词扩展技术提升视频质量。无论您是AI视频生成的新手还是希望深入了解Wan 2.1的开发者，本教程都将为您提供实用的技术指导和实践方案。
二.项目步骤详解
1. 环境配置
首先，从 GitHub 下载 Wan 2.1 代码。这一步，你可以将代码下载到本地再挂载到BitaHub工作台的文件存储当中。
git clone https://github.com/Wan-Video/Wan2.1.git在BitaHub工作台创建开发环境，选择单卡4090GPU，并通过JupyterLab访问方式进入开发环境。为确保您已安装的PyTorch为版本 2.4.0 或更高版本，您可以用以下命令进行检查。
import torchprint(torch.__version__)
当已安装的PyTorch 版本较旧时，运行以下代码会将其升级至兼容 CUDA 12.1 的最新版本。
!pip install -q torch torchvision torchaudio --upgrade --index-url https://download.pytorch.org/whl/cu121在完成下载后，需通过以下命令安装模型运行所需的 Python 依赖库：
%cd /git/Wan2.1!pip install -q -r requirements.txt
2.下载模型权重
Wan 2.1 提供两种模型版本用于基于文本描述的视频生成，适配不同算力与画质需求：
T2V-14B：作为高性能版本，其模型规模更大、能力更强，支持生成 480p 和 720p 分辨率视频，可呈现更细腻的画面细节与更流畅的动态效果，适合对画质要求较高的专业场景（如广告片、动画短片）。
T2V-1.3B：属于轻量级版本，具备轻量化特性，功耗更低且部署门槛更低，虽仅支持 480p 分辨率，但在消费级 GPU 或移动设备上仍能高效运行，适合快速原型开发、短视频创意等轻量化场景。
在本教程中，我们将聚焦于 Wan 2.1 的 T2V-1.3B 轻量级版本进行实操。您可以通过以下命令下载预训练模型文件。
modelscope download Wan-AI/Wan2.1-T2V-1.3B --local_dir ./Wan2.1-T2V-1.3B模型加载会消耗一些时间。
3.运行文本到视频生成
Ⅰ.若希望快速体验文本转视频功能，可直接运行以下命令：
!python generate.py \--task t2v-1.3B \ # 指定使用1.3B轻量级模型--size 832x480 \ # 输出分辨率（宽x高）--ckpt_dir /workspace/Wan2.1-T2V-1.3B \ # 模型权重路径--sample_shift 8 \ # 采样步长（影响视频帧间差异度（值越小过渡越平滑，推荐范围 8-12））--sample_guide_scale 6 \ # 引导系数（控制生成内容与提示词的匹配度（值越大越严格，推荐范围 5-8））--prompt "一名宇航员站在月球上举着一面旗帜，旗帜上面写着BitaHub，严格按照 B-I-T-A-H-U-B 拼写显示。" # 核心提示词
模型经 50 步扩散生成 81 帧（约 5 秒）视频，最终保存结果，全程耗时约 6 分钟。
Ⅱ.提示词扩展（Prompt Extension）通过 AI 算法自动优化原始文本描述，可显著提升生成视频的细节丰富度与视觉质量。Wan 2.1 集成的扩展功能支持多语言增强（如中文、英文），能够智能补充场景细节、动作描述和视觉风格，让生成内容更符合预期。
Dashscope API 密钥配置
需要预先获取有效的 DashScope API 密钥（格式：sk-*），并设置为环境变量DASH_API_KEY
密钥获取地址：https://help.aliyun.com/zh/model-studio/first-api-call-to-qwen
运行以下命令启用扩展：
!DASH_API_KEY=your_key \python generate.py \--task t2v-1.3B \--size 832*480 \--ckpt_dir /workspace/Wan2.1-T2V-1.3B \--prompt "一名宇航员站在月球上举着一面旗帜，旗帜上面写着BitaHub，严格按照 B-I-T-A-H-U-B 拼写显示。" \--use_prompt_extend \ # 启用提示词扩展功能--prompt_extend_method 'dashscope' \ # 指定扩展引擎（支持dashscope/qwen等）--prompt_extend_target_lang 'zh' # 设置目标语言（中文）
可以看到启用提示词扩展功能后，系统自动将原始提示词优化为包含风格、场景细节、动作描述的扩展版本。我们可以查看一下视频效果！
三.总结
本教程详细介绍了如何在 BitaHub 平台 Notebook 中使用阿里云 Wan 2.1-1.3B 模型从文本生成视频全流程，通过实际代码示例演示了基础生成与提示词扩展功能，并解析了运行日志中的关键技术细节。当前所使用的 1.3B 模型因参数量较小，在生成视频的严谨性上存在一定局限性，例如复杂场景下的逻辑连贯性、物体细节的准确性（如旗帜拼写的严格还原度）以及高分辨率画质表现等方面仍有待提升，更适合轻量化短视频创作等场景，若需专业级效果可关注更高参数版本模型的应用。
