Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Genere vídeos a partir de instrucciones de texto con Wan2.2 Deadline Cloud El paquete de [ trabajos ](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/wan22_video_generation) wan22\_video\_generation del GitHub sitio web genera clips de vídeo cortos a partir de un mensaje de texto utilizando un modelo de generación de vídeo Wan2.2 abierto. Cada tarea renderiza un clip independiente con su propia semilla, de modo que una sola tarea se distribuye entre los trabajadores y arroja un conjunto de variaciones de la misma solicitud. El paquete pasa por el Wan2.2 TI2V-5B punto de control a través de los difusores. `WanPipeline` Los trabajadores extraen los pesos de Hugging Face durante el tiempo de ejecución y los almacenan en caché, prefiriendo el volumen persistente de la flota para que los trabajadores puedan volver a utilizar la descarga más adelante. No se requiere ningún token de Hugging Face porque los Wan2.2 repositorios no están cerrados. Para ver el modelo en sí, consulta el [ Wan2.2 repositorio ](https://github.com/Wan-Video/Wan2.2) en el sitio web. GitHub El paquete requiere una granja con una cola de GPU-enabled Linux. Los trabajadores deben tener una GPU NVIDIA (24 GB de VRAM como mínimo), 64 GiB de memoria de sistema y al menos 60 GiB de disco libre para la caché del modelo. En las tarjetas de 24 GB, el script activa la descarga secuencial de la CPU y el ordenamiento en teselas de VAE para adaptarse al modelo; las tarjetas más grandes se ejecutan considerablemente más rápido. Envíe un trabajo que genere cuatro variantes de un mensaje: ``` deadline bundle submit ./wan22_video_generation \ --queue-id {{gpu-queue-id}} \ -p Prompt="A hot air balloon drifting over terraced rice fields at dawn" \ -p NumClips=4 \ -p OutputDir=~/wan22_output ``` El archivo README describe el conjunto completo de parámetros, incluidas las restricciones de resolución y recuento de fotogramas, la mayor rapidez en la configuración de las pruebas de humo y los tiempos de generación medidos. Para ver ejemplos relacionados de IA generativa, consulte y. [Genere imágenes por lotes con un modelo de difusión en Deadline Cloud](examples-jb-text-to-image-batch.md) [Entrene y use un FLUX.2 Klein LoRa en Deadline Cloud](examples-jb-flux-lora.md) Para ver la configuración de volúmenes persistentes, consulta la documentación de almacenamiento de flotas vinculada desde el archivo README.