本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 在截止日期雲端上使用 Wan2.2 從文字提示產生影片
<a name="examples-jb-wan22-video"></a>

GitHub 網站上的 [wan22\_video\_generation](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/wan22_video_generation) 任務套件會使用開放影片產生模型 Wan2.2，從文字提示產生短片。每個任務會使用自己的種子轉譯一個獨立剪輯，因此單一任務粉絲會跨越工作者，並在相同的提示中傳回一組變化。

套件會透過擴散器 執行 Wan2.2 TI2V-5B 檢查點`WanPipeline`。工作者在執行時間從 Hugging Face 提取權重並快取它們，偏好機群的持久性磁碟區，以便後續工作者重複使用下載。不需要 Hugging Face 字符，因為 Wan2.2 儲存庫未鎖定。如需模型本身，請參閱 GitHub 網站上的 [Wan2.2 儲存庫](https://github.com/Wan-Video/Wan2.2)。

套件需要具有啟用 GPU 的 Linux 佇列的陣列。工作者必須擁有 NVIDIA GPU （最低 24 GB VRAM)、64 GiB 的系統記憶體，以及模型快取至少 60 GiB 的可用磁碟。在 24 GB 卡上，指令碼會開啟循序 CPU 卸載和 VAE 並排，讓模型符合；較大的卡執行速度會大幅加快。

提交產生四種不同提示的任務：

```
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
```

README 說明完整的參數集，包括解析度和影格計數限制、更快速的煙霧測試設定，以及測量的產生時間。如需相關的生成式 AI 範例，請參閱 [在截止日期雲端上使用擴散模型批次產生映像](examples-jb-text-to-image-batch.md)和 [在截止日期雲端上訓練和使用 FLUX.2 Klein LoRA](examples-jb-flux-lora.md)。如需持久性磁碟區設定，請參閱從 README 連結的機群儲存文件。