本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 在 Deadline Cloud Wan2.2 上根据文本提示生成视频
<a name="examples-jb-wan22-video"></a>

 GitHub 网站上的 [ wan22\_video\_generation ](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/wan22_video_generation) 任务包使用 Wan2.2开放式视频生成模型根据文本提示生成简短的视频片段。每项任务都会渲染一个带有自己种子的独立片段，因此单个任务会分散在各个工作人员中，并在同一个提示下返回一组变体。

捆绑包穿过扩散器`WanPipeline`，穿过 Wan2.2 TI2V-5B 检查点。工作人员在运行时从 Hugging Face 中提取权重并将其缓存，他们更喜欢舰队的持续音量，这样以后的工作人员就可以重复使用下载内容。不需要 Hugging Face 令牌，因为 Wan2.2 存储库是未封闭的。有关模型本身，请参阅 GitHub 网站[上的](https://github.com/Wan-Video/Wan2.2)Wan2.2存储库。

该捆绑包需要一个带有 GPU-enabled Linux 队列的农场。工作人员必须拥有 NVIDIA GPU（至少 24 GB 的显存）、64 GiB 的系统内存和至少 60 GiB 的可用磁盘用于模型缓存。在 24 GB 卡上，脚本开启顺序 CPU 卸载和 VAE 切片，因此模型适合；较大的卡运行速度要快得多。

提交一份生成四种提示变体的作业：

```
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
```

自述文件描述了完整的参数集，包括分辨率和帧数限制、更快的烟雾测试设置以及测得的生成时间。有关生成式 AI 的相关示例，请参阅[在 Deadline Cloud 上使用扩散模型批量生成图像](examples-jb-text-to-image-batch.md)和。[在 Deadline Cloud 上训练和使用 FLUX.2 Klein LoRa](examples-jb-flux-lora.md)有关永久卷设置，请参阅 README 中链接的舰队存储文档。