日本語版

Good news! All Wan Video KJ series models and workflows have been uploaded!

This is a simple guide to help you use them effectively. Click workflow address for more details and instructions.

Let's get started from basics!

---------------------------------

Only SeaArt 

SeaArt exclusive workflows, simpler and faster!

---------------------------------

Basic Workflows

Wan2.2 I2V Sample Output:

Wan2.2 T2V Sample Output:

Prompt: televised footage of a cat is doing an acrobatic dive into a swimming pool at the olympics, from a 10m high diving board, flips and spins, there is commentary (not slow motion)

Wan2.2 I2V:

Model Introduction:

Wan2.2 uses two-stage sampling for video rendering — high noise & low noise.

How to Use:

1.Adjust video dimensions and frame rate

WanVideo ImageToVideo Encode

• width & height: Video dimensions, must be multiples of 16
• num_frames: Must be a multiple of 4. Usually set to odd numbers like 81, representing 1 reference image + 80 generated frames.
• Tips

- Wan2.1 frame rate: 16 fps

- Wan 2.2 frame rate: 24 fps

- 81 frames = 5 seconds (2.1) / 3 seconds (2.2)

 2. Prompt

Q: Why does SeaArt's workflow use 4 steps instead of the default 20 in official workflows? When I use 4 steps in my own workflow, the result is blurry.

A: We use the acceleration LoRA (Wan_i2V_lightx2v) in our workflow, which only needs 4 steps to generate videos quickly. The corresponding cfg should also be changed to 1.

---------------------------------

Video Driven Workflows

	Wan2.2 VACE	Wan2.1 VACE	Wan2.2 Animate	Wan2.1 Fun Control	Wan2.2 Fun Control	Wan2.1 Mocha
Intro	Pose,Depth and other control	Pose,Depth and other control	Character replacement	Pose,Depth and other control	Pose,Depth and other control	Character replacement
Workflow Link	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump
Model Link		Click to jump		Click to jump	Click to jump	Click to jump
Key Nodes

Wan2.2 VACE

Workflow Introduction: 

- Upload image and video to control character motion using pose and depth from reference video.

- wan2.2 includes high and low models, vace also has corresponding high vace and low vace models.

How to Use

1. Upload image and reference video, merge pose and depth from video

- DWPose Estimator: Extract video pose

- Zoe Depth Map: Extract depth map

- Image Blend: Merge pose and depth maps

If you only use depth or openpose, disable unused nodes with Ctrl+B.

2. Key Nodes:

WanVideo VACE Encode

- input_frames: For reference (pose, depth, lineart, etc.)

- ref_images: Reference image

Sample:

Prompt: European and American women walking on the street

---------------------------------

Audio-Driven Workflows

	Wan Infinite Talk	Fantasytalking	Wan2.1 FantasyPortrait	Wan2.1 HuMo	Wan2.2 S2V	Multitalk
Intro	Audio-driven lip sync	Audio-driven lip sync	Video facial expression transfer for lip sync	Audio-driven lip sync with ref_image	Audio-driven lip sync with ref_image	Audio-driven lip sync
Workflow Link	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump
Model Link	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump
Key Nodes

Wan Infinite Talk

Intro:

InfiniteTalk is a sparse frame-based dubbing generation solution. Input a video with audio, and the system generates a new video with accurate lip sync, synchronized head movements, body posture, and facial expressions with audio rhythm. Unlike traditional methods that only process the mouth, it maintains identity and generates videos of any length. Also supports "image + audio → video" mode.

How to Use:

Upload portrait image and voice audio.

⚠Ensure the total frame rate matches fps in workflow nodes:

Since we're using wan2.1 model here, it's 16 fps, with 5 seconds total = 81 frames.

Sample:

---------------------------------

Camera Control Workflows

	Wan Recammaster	Wan2.1 Camera	Wan2.1 ATI	Wan2.1 Uni3C
Intro	Video-to-video camera movement	Select camera movement via nodes	Free-drag camera direction	Video camera controlnet
Workflow Link	Click to jump	Click to jump	Click to jump	Click to jump
Model Link	Click to jump	Click to jump	Click to jump	Click to jump
Key Nodes

Wan2.1 ATI

ATI (Any Trajectory Instruction) by ByteDance team is a trajectory-controlled video generation framework. Users can draw trajectories to precisely control object motion, local deformation, and camera movement in a unified workflow, significantly enhancing dynamic control and output quality.

Key Nodes:

Spline Editor

Create and edit spline curves to generate a series of values or masks.

- Arrows can be edit with left-click to determine camera direction.

WanVideo ATI Tracks

- temperature: Controls randomness. Higher values = more active/varied trajectories; Lower values= more stable/conservative.

- start_percent / end_percent: Time interval for trajectory use, 0–1 represents percentage range. 0/1 = full duration.

Sample:

---------------------------------

Subject Consistency Workflows

	Wan Stand-In	Wan Lynx	Phantom	Wan2.1 MAGREF	Wan2.2 HoloCine	Wan EchoShot
Intro	Character identity consistency LoRA	Identity and core appearance consistency	Multi-image consistency reference	Multi-image consistency reference	for multi-camera, long-video storytelling	Multi-image consistency
Workflow Link	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump
Model Link	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump	Click to jump
Key Nodes

Wan Lynx

Lynx is a high-fidelity personalized video generation model that generates custom videos from a single input image. It stably preserves character identity features while synthesizing natural motion, continuous lighting, and excellent scene adaptability. Comparison results show Lynx significantly leads in identity restoration and subjective quality while maintaining competitive motion naturalness.

 🚨Notice

-Current workflow only works with real people. It will error if it cannot detect faces, including anime characters.

-Note the subtle differences in model names when loading - these are different models.

Key Nodes:

WanVideo Add Lynx Embeds

- ip_scale: Weight of character features

- ref_scale: Weight of overall reference image style/texture. Higher → closer to reference appearance.

- lynx_cfg_scale: Lynx-specific "guidance strength" (similar to CFG). Higher → stricter adherence to text/reference, but may produce stiffness/noise.

Sample:

---------------------------------

Camera Control Workflows

Wan2.1 Fun InP

Wan-Fun InP (Wan2.1-Fun family) image-to-video model allows control of first and last frames. Key feature: Given first and last frames, generates intermediate segments for ?oother, more controllable videos. Significantly better generation stability and quality compared to earlier community versions.

Keynode

WanVideo ImageToVideo Encode

-Ensure first and last frames are connected to corresponding ports.

Sample:

+  =

---------------------------------

LoRA Series

Speed ​​ LoRA

---------------------------------

All workflows and models have been introduced. Try them out now and create outstanding videos!🎉🐱‍🏍✨

If you have any questions, feel free to ask in our Discord channel.