Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Generieren Sie Videos aus Textanfragen mit Wan2.2 on Deadline Cloud Das [ Jobpaket ](https://github.com/aws-deadline/deadline-cloud-samples/tree/mainline/job_bundles/wan22_video_generation) wan22\_video\_generation auf der GitHub Website generiert kurze Videoclips anhand einer Textaufforderung mithilfe eines offenen Wan2.2 Videogenerierungsmodells. Bei jeder Aufgabe wird ein unabhängiger Clip mit einem eigenen Startwert gerendert, sodass sich ein einzelner Job auf die Mitarbeiter verteilt und eine Reihe von Variationen derselben Aufforderung zurückgibt. Das Bündel durchläuft den Wan2.2 TI2V-5B Checkpoint durch die Diffusoren. `WanPipeline` Die Arbeiter ziehen die Gewichte zur Laufzeit aus Hugging Face und speichern sie im Cache. Dabei bevorzugen sie das persistente Volumen der Flotte, sodass die Workers den Download später wiederverwenden können. Es ist kein Hugging Face-Token erforderlich, da die Repositorys nicht gesperrt sind. Wan2.2 Das Modell selbst finden Sie im [ Wan2.2 Repository ](https://github.com/Wan-Video/Wan2.2) auf der Website. GitHub Das Paket benötigt eine Farm mit einer GPU-enabled Linux-Warteschlange. Workers müssen über eine NVIDIA-GPU (mindestens 24 GB VRAM), 64 GiB Systemspeicher und mindestens 60 GiB freie Festplatte für den Modell-Cache verfügen. Bei 24-GB-Karten aktiviert das Skript die sequentielle CPU-Entlastung und VAE-Kachelung, damit das Modell passt; größere Karten laufen erheblich schneller. Reichen Sie einen Job ein, der vier Varianten einer Aufforderung generiert: ``` 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 ``` In der README-Datei wird der gesamte Parametersatz beschrieben, einschließlich Auflösungs- und Frame-Count-Beschränkungen, Einstellungen für schnellere Rauchtests und gemessene Generierungszeiten. Beispiele für verwandte generative KI finden Sie unter und. [Generieren Sie Bilder stapelweise mit einem Diffusionsmodell in Deadline Cloud](examples-jb-text-to-image-batch.md) [Trainiere und verwende eine FLUX.2 Klein LoRa auf Deadline Cloud](examples-jb-flux-lora.md) Informationen zur Einrichtung eines persistenten Volumes finden Sie in der Dokumentation zum Flottenspeicher, auf die in der README-Datei verwiesen wird.