Wan2GP V47版：新增MiniMax H3 低配显卡玩转AI绘画/视频生成/音乐语音 支持50系显卡 一键整合包下载
Wan2GP 是一个由DeepBeepMeep开发开源的 “显卡门槛低的全能型 AI 创作工具”，最大的特点是“低显存也能跑”，支持多种模型（视频、图像、语音、音乐），旨在为GPU资源有限的用户提供高质量的 视频/绘画 生成体验。它囊括了多种绘画/视频生成模型，包括最新的MiniMax H3、阿里的Wan及其衍生模型、腾讯的Hunyuan Video和LTV Video等主流视频生成和Qwen-Image-Edit、Flux、Z-Image等模型，通过简洁易用的网页界面，用户无需深入了解复杂的模型细节，即可轻松生成想要的 绘画/视频内容。
Wan2GP 的问世，让广大低端显卡用户也能玩转高大上的视频生成项目了。就以HunyuanVideo 13B图生视频模型来说，原版需要至少80G显存才能跑得动的模型，现在 Wan2GP 把这个标准降低到10GB，而且生成的视频质量几乎没用任何的损失和降低。但缺点也是有的，生成时间会拉长，同时需要更大的运行内存。
Wan2GP 同时支持各种主流高质量的AI绘画和图像编辑模型以及语音和音乐生成模型，目前支持Flux和Qwen主流图像生成和图像编辑模型、Qwen-TTS和Index-TTS等主流语音模型、Ace-Step等音乐生成模型，涵盖视频生成、图像生成、语音音乐等综合领域All In One。
今天分享的 Wan2GP V47版，基于官方 8月4日的 V12.41 打包。新增最强开源视频生成模型 MiniMax H3（支持多图参考、音频参考、视频参考）；Gradio 优化及插件更新。
因后期版本整体做了模块化及大量内部重构，翻译的工作量难度也相应增大，翻译后的版本可能有一些问题， 如有影响使用的问题，请评论区回复，会第一时间修复。
在尽量保证功能完整的情况下，进一步对WebUI做了更多的汉化翻译，目前汉化率97%。新增“多开”功能，支持一次开启多个WebUI。
注. 从V6版到V39版，提供两种版本，免费版和付费版。区别为：免费版不再提供中文翻译，原汁原味官方原版，不包含模型；付费版为中文翻译版，包含一些常用的模型，后期会逐步加入更多模型，以及一些优化功能加入。
因个人精力优先，故从V40版起，不再发布任何免费版本的Wan2GP一键包。如需免费版，请移步历史版本。
8月4日更新内容
环境部分：
新增GGUF内核，优化Wan Pytorch 编译器，恢复稳定的环境 torch到2.7；更新 SageAttention；集成Git环境，无需手动安装Git即可实现插件安装配置
因官方已支持 Python 3.11、Pytorch 2.10、Cuda 13组合，对Blackwell架构显卡做了大量优化和性能提升，后期版本考虑单独制作一个基于Blackwell架构（50系显卡）版的Wan2GP。
主要更新内容：
MiniMax H3 是 Seedance 2 的顶级开放重量竞争者，在一个模型中结合了电影视频生成、令人信服的动作、强大的提示依从性和同步的原生立体声音轨
WanGP 版本一如既往地进行了超优化：5-6GB VRAM 仅支持 5 秒（124 帧），8-9GB VRAM 在 832x480 下可支持 15 秒
MiniMax H3 FL2VA：创建或继续镜头：选择此版本可仅从文本生成同步视频和立体声音频、从图像或上一个视频的最后一帧开始、定位结束图像或约束镜头的两端。它还支持带有滑动窗口的更长生成；
MiniMax H3 Ref2VA：重复使用人物、场景、动作或声音：当新视频应遵循参考图像、参考视频或参考音频时，请选择此版本。参考文献引导新生成的结果，而不是成为固定的框架；该版本不支持滑动窗口。
如果您的 RAM 不足，请检查“高级/杂项”选项卡，您会在底部找到一系列量化文本编码器
添加选择量化文本编码器
项目特点
低显存要求：只需 6GB 显存即可运行部分模型，适合“显卡贫民”（老款 NVIDIA RTX 10xx/20xx）。
多模型支持：兼容 Wan 2.1/2.2、Hunyuan Video、Flux、Qwen Image、LTX Video、Kandinsky 等主流开源生成模型。
多模态功能：不仅能生成视频，还支持图像编辑、语音合成（TTS）、音乐生成。
插件生态：内置画廊浏览器、模型管理器、CivitAI 下载器、Upscaler 等工具，方便扩展。
易用性：提供完整的网页界面和命令行模式，支持队列生成和批处理。
优化性能：支持量化（int8、fp8、NV FP4 等），提升速度同时降低显存占用。
应用领域
短视频创作：快速生成 AI 视频，用于社交媒体内容、广告或创意展示。
语音合成与配音：支持情感化 TTS，可生成多角色对话，适合播客、虚拟主播。
音乐生成：内置 Ace Step、Heart Mula 等模型，可自动生成歌曲和歌词。
学术研究与实验：为研究人员提供多模态生成平台，方便测试不同模型。
个性化创作：支持 Lora 微调和控制视频生成参数，满足定制化需求。
使用教程：（建议N卡，显存6G起，部分模型需内存32G起。支持50系显卡，基于CUDA12.8）
使用和之前发布的Wan2.1以及类似的视频生成软件类似，根据需要，点击最上方的模型列表，切换需要使用的模型，会根据切换的模型自动下载，模型较大，耐心等待下载完成。
注. 模型是通用的，更新新版后，只需要将之前旧版的模型目录（目录下的ckpts）移动到新软件目录下即可，无需重复下载
支持文生视频和图生视频。支持低端显卡运行阿里Wan、腾讯HunyuanVideo以及LTV Video等高精度模型。支持多种Lora类型扩展，请根据页面使用说明将lora模型放入对应的目录手动加载。
启动WebUI后，页面有“指南”选项卡，作者很详细的介绍了不同的模型参数和特点及应用领域、Lora模型的加载及使用以及VACE ControlNet的详细使用说明。UI我也做了大部分汉化，方便大家使用。
基于原版使用文档，我做了详细的翻译，建议大家仔细阅读，作为操作参考。
测试了30-50系显卡，均能正常运行。10-20没做测试，可自行测试
模型下载技巧：打开模型下载链接后，选择“按修改时间”排序，即可快速找到最新版本同步更新的模型，下载放到ckpts目录即可。
Wan2.2 提示词填写技巧，可以参考官方文档：
https://mp.weixin.qq.com/s/ucHuyomTZ6X2q_tL3wHQQg
https://alidocs.dingtalk.com/i/nodes/jb9Y4gmKWrx9eo4dCql9LlbYJGXn6lpz
软件目录结构：
📂 ckpts/
│ ├── 📂 chinese-wav2vec2-base/
│ │ └── pytorch_model.bin
│ ├── 📂 Qwen2.5-VL-7B-Instruct/
│ │ └── Qwen2.5-VL-7B-Instruct_quanto_bf16_int8.safetensors
│ └── 📂 umt5-xxl/
│ └── models_t5_umt5-xxl-enc-quanto_int8.safetensors
📂 models/
│ ├── 📂 qwen/
│ ├── 📂 wan/
│ ...
📂 loras/
📂 deepface/
......
下载地址：
夸克网盘：
**** 本内容需购买 ****
百度网盘：
**** 本内容需购买 ****
MiniMax H3提示词生成技巧（模板来自“超级面爸”公众号）：
你是一个 MiniMax-H3 视频生成提示词专家。你的任务是根据用户的描述，生成符合 MiniMax-H3 格式要求的视频提示词。 ## 任务类型 根据用户提供的素材判断任务类型： - T2VA：纯文本生成视频，无参考图。提示词直接从三个核心字段开始。 - I2VA：一张首帧参考图。提示词第一行为对齐指令，然后空一行，再写三个核心字段。 - FL2VA：首帧+尾帧两张参考图。提示词第一行为对齐指令，然后空一行，再写三个核心字段。 - L2VA：一张尾帧参考图。提示词第一行为对齐指令，然后空一行，再写三个核心字段。 ## 对齐指令模板 - I2VA： For the target video, at 0.00 seconds into the target video, <Picture 1> (from ) is fully referenced. - FL2VA（N 为实际最后一个镜头编号，S.SS 为视频时长，保留两位小数）： How the reference pictures align with the target video — Picture 1 (from Shot 1) aligns with the 0.00-second mark of the target video; Picture 2 (from Shot N) aligns with the S.SS-second mark of the target video. - L2VA（N 为实际最后一个镜头编号，S.SS 为视频时长，保留两位小数）： How the reference pictures align with the target video — <Picture 1> (from ) aligns with the S.SS-second mark of the target video. ## 三个核心字段 1. integrated_multimodal_description：沿时间线描述画面风格、构图、人物、动作、镜头运动、对白和现场声音。 2. overall_soundscape：1-4 句英文，概括全视频的环境音、动作音和非语言人声。对白和唱歌不写这里。 3. non_diegetic_music：1-3 句英文，描述只有观众能听到的背景音乐，聚焦乐器、速度、节奏和动态变化。无配乐写 N/A。 ## 写作规则 1. 开头先定风格（Cinematic/live-action/2D-animated/3D CG/claymation/watercolor/vintage film）和初始构图。 2. 第一个镜头不加时间戳；后续镜头用 At MM:SS.mmm, the camera cuts to... 格式，时间严格递增。 3. 镜头运动写成自然英文动作句，格式为：运动类型 + with small/large amplitude + at slow/fast speed。中等幅度和正常速度可省略。可用类型：Zoom In/Out, Push In/Pull Out, Pan Left/Right, Truck Left/Right, Tilt Up/Down, Pedestal Up/Down, Arc Shot, Tracking Shot, Static Shot, Shake Slightly/Strongly, POV, Roll Clockwise/Counterclockwise。 4. 说话人用稳定 ID (S1)(S2)，多人同说用 (S1,S2)。首次出场需描述年龄、性别、音色等身份信息。对白格式：<d>[语言] 原文内容</d>，原文一字不改不翻译。 5. 旁白用 says in an off-screen voiceover，其后必须写明画面中人物嘴唇保持闭合。 6. 对白跨镜头用 <scenetrans> 标记并写明声音延续；被结尾截断用 <cutoff>。 7. 画面内可见文字（招牌、字幕、标签）用英文双引号包裹，保留原文不翻译。 8. I2VA：Shot 1 须声明人物外貌、服装、位置、场景与 Picture 1 保持一致，然后从首帧发展动作。结构：首帧锚定→动作起始→连续发展→结果或反应。 9. FL2VA：通常用单镜头，写从首帧到尾帧的运动路径。结构：首帧状态→中间变化→差异缩小→尾帧状态。末尾须明确对齐到 Picture 2。 10. L2VA：反推兼容的前情状态，让动作逐步收敛到尾帧。结构：合理前情→动作和过渡→逐步收敛→尾帧着陆。末尾须明确对齐到 Picture 1。 11. 整个提示词用英文撰写（<d> 内的对白原文和画面内文字保留原始语言）。 ## 输出格式 直接输出完整提示词，不要加任何解释、注释或 markdown 代码块标记。格式如下： [对齐指令——仅 I2VA/FL2VA/L2VA 需要，T2VA 跳过] integrated_multimodal_description: ... overall_soundscape: ... non_diegetic_music: ... ## 用户输入 {用户会在这里描述想要的视频内容、提供参考图信息、指定视频时长等}
1、复制上面的提示词模板，发给大模型，比如豆包，deepseek，千问等
2、输入你需要生成的视频内容主题，比如 “生成一段美女热舞的视频，美女一边跳舞，一边冲着镜头说” 等。如果是文生视频，带上图片，输入主题内容
3、等待大模型生成提示词，复制到提示词即可。 哇靠哥你也太快了，昨晚还在说这个，今天就来了 效率好高啊 辛苦辛苦，这必须充电支持了！{:3_59:} 215069003 发表于 2026-8-4 15:19
辛苦辛苦，这必须充电支持了！
感谢老板支持！ 请问大大，这个有扩图模型吗？ 1387573 发表于 2026-8-5 18:18
请问大大，这个有扩图模型吗？
z-image或krea都支持扩图，你搜下提示词怎么写
也有扩图的插件，我改天发一个吧 无言以对 发表于 2026-8-5 18:32
z-image或krea都支持扩图，你搜下提示词怎么写
也有扩图的插件，我改天发一个吧 ...
谢谢，昨天我问了下DEEPSEEK，真的有，缺点就是扩图区域比较模糊，不过也够用了，我主要是为了姿势迁移，我用了wan2gp中的QWEN-image-edit-plus-2511这个模型，然后在姿势迁移。后来发现扩图用PS也行，表现更好，就是它在线模型对暴露的穿着不支持，还得想办法遮住，ZIMAGE和krea单独包还没有用过，不过已经下好了，空了再试试。
大大如果有插件的话，那就更好了，大大才是懂市场的科技老板。:lol 1387573 发表于 2026-8-6 09:46
谢谢，昨天我问了下DEEPSEEK，真的有，缺点就是扩图区域比较模糊，不过也够用了，我主要是为了姿势迁移， ...
这阵子忙完了，发一个基于krea的扩图版，krea的细节还是很赞的