前言
前陣子在社群上瘋傳的「AI 角色替換動畫」，你應該也看過了——一張靜態照片配上參考影片，就能讓照片裡的角色做出跟原片一模一樣的动作。效果驚人到讓人懷疑人生。
這項技術背後的主力，就是阿里巴巴旗下通義千問團隊開發的 Wan2.2 Animate。跟之前只能做「圖轉影片」或「文轉影片」的模型不同，Wan2.2 Animate 專攻「角色動畫」與「角色替換」兩個場景，而且完全開源、Apache 2.0 授權、本地就能跑。
這就引出一個很實際的問題：如果你是個經常需要產出 AI 動畫內容的創作者或團隊，「自己架 GPU 跑 Wan2.2」跟「訂閱 Runway Gen-3 / Gen-4」，到底哪個更划算？
這篇文章就來好好算一筆帳。
Wan2.2 Animate 是什麼？技術亮點一次看
Wan2.2 是 Wan 系列視頻生成模型的第二次重大升級，2025 年 7 月正式發布。它在架構上從 Dense Transformer 升級為 Mixture-of-Experts (MoE) 架構，這是它最核心的技術突破。
MoE 架構：一次推理，兩個專家
簡單來說，Wan2.2 的 14B 模型總共有 270 億個參數，但每一步推理只激活其中 140 億個參數。它的運作方式很聰明：
- 高噪音專家（High-Noise Expert）：負責影片初始佈局，決定整體構圖和運動方向
- 低噪音專家（Low-Noise Expert）：負責後期細節精煉，讓畫面更清晰、動作更流暢
這個設計讓 Wan2.2 在不增加推理成本的前提下，大幅提升了處理複雜運動、美學控制和語義理解的能力。官方數據顯示，相比 Wan2.1，Wan2.2 的訓練數據增加了 65.6% 的圖片和 83.2% 的影片。
模型家族一覽
Wan2.2 不只有一個模型，而是一整個家族，涵蓋不同任務：
| 模型 | 任務 | 特色 |
|---|---|---|
| T2V-A14B | 文字轉影片 | MoE 架構，支援 480P/720P |
| I2V-A14B | 圖像轉影片 | MoE 架構，支援 480P/720P |
| TI2V-5B | 文/圖轉影片 | 高壓縮 VAE，RTX 4090 就能跑 720P@24fps |
| S2V-14B | 語音轉影片 | 音訊驅動，支援姿勢驅動 |
| Animate-14B | 角色動畫 | 動畫模式 + 替換模式 |
我們今天的主角就是最後這個 Animate-14B，它支援兩種模式：
- Animate（動畫模式）：輸入一張圖片 + 一段參考影片，讓圖片中的角色做出跟參考影片相同的動作
- Replacement（替換模式）：把影片中的某個角色替換成你指定的角色，保持原來的動作和場景
開源 + Apache 2.0：商業使用零疑慮
跟很多開源但限制重重的模型不同，Wan2.2 採用 Apache 2.0 授權，意味著你可以自由商用，不需要付授權金，也不用擔心法律問題。模型權重放在 Hugging Face 和 ModelScope 上，任何人都可以下載。
本地部署需要什麼硬體？
這是最關鍵的一環。跑開源模型跟用 SaaS 服務最大的差別就是——你要自己準備 GPU。
最低硬體需求
根據官方文件和社區測試，不同解析度和模型變體需要的 GPU VRAM 如下：
| 模型變體 | 480P 所需 VRAM | 720P 所需 VRAM | 最低 GPU |
|---|---|---|---|
| 1.3B T2V | 8–12 GB | 16–20 GB | RTX 4090 |
| 14B Animate | 40–48 GB（FP8） | 65–80 GB | H100 PCIe |
這裡有幾個關鍵數字值得注意：
- RTX 4090（24 GB）：跑 14B 模型在 720P 下大約需要 28 GB 峰值 VRAM，需要開啟
--offload_model True和--convert_model_dtype參數來減少記憶體使用 - RTX 3090（24 GB）：通常不到 40 GB，但需要 offload 和轉換精度的組合
- A100（40 GB）：480P/720P 表現優秀，支援 24fps
- H100（80 GB）：14B 模型在 720P 下的標準配置，需要 FP8 量化
- H200（141 GB）：如果需要生成 10 秒以上影片或追求穩定性，這是最佳選擇
實測參考：消費級 GPU 能跑嗎？
社區有不少用 RTX 4090 跑 Wan2.2 的實測。一位 Reddit 使用者用 RTX 4090 Mobile（16 GB VRAM）+ 64 GB 系統記憶體 成功運行了 Wan2.2，使用的是 Q8 GGUF 量化版本。另一位使用者在 RTX 5060 Ti（16 GB）上搭配 64 GB RAM 也能跑，只是速度會慢一些。
這意味著，如果你的預算有限，消費級 GPU + 量化技術 也是一條可行之路。
部署方式
官方提供了 Python 腳本直接運行，也有 ComfyUI 的整合方案。基本安裝流程很直觀：
git clone https://github.com/Wan-Video/Wan2.2.git
cd Wan2.2
pip install -r requirements.txt
huggingface-cli download Wan-AI/Wan2.2-Animate-14B --local-dir ./Wan2.2-Animate-14B
然後透過 generate.py 腳本執行推理。如果你用 ComfyUI，只需要裝上 WanVideoWrapper 節點就能直接在視覺化介面中操作。
成本大比拼：本地部署 vs. Runway
好了，重點來了。我們來算算帳。
Runway 的收費結構
Runway 是目前最主流的 AI 影片生成 SaaS 平台，它的 Gen-3 Alpha 和最新的 Gen-4 系列都是市場上的一線產品。以下是它的定價結構：
| 方案 | 月費 | 每月點數 | Gen-3 Alpha 可生成 |
|---|---|---|---|
| Free | $0 | 125 點（一次性） | 約 12.5 秒 |
| Standard | $12/月 | 625 點 | 約 62 秒（1 分鐘） |
| Pro | $28/月 | 2,250 點 | 約 225 秒（3.75 分鐘） |
| Max | $76/月 | 9,500 點 | 約 950 秒（15.8 分鐘） |
注意：Gen-3 Alpha 的計價是 10 點 / 秒，Gen-3 Alpha Turbo 是 5 點 / 秒。
換算成每分鐘的成本：
- Standard 方案：$12 / 1 分鐘 = $12 / 分鐘
- Pro 方案：$28 / 3.75 分鐘 = $7.47 / 分鐘
- Max 方案：$76 / 15.8 分鐘 = $4.81 / 分鐘
Wan2.2 本地部署的一次性成本
本地部署的成本主要是 GPU 硬體。我們來看幾個典型方案：
| 方案 | 硬體成本 | 每月電費（預估） | 每月折舊 |
|---|---|---|---|
| RTX 4090（二手約 $1,200） | $1,200 | ~$30 | ~$100 |
| RTX 5090（32 GB，約 $2,000） | $2,000 | ~$50 | ~$167 |
| A100 40GB（雲端 $2,500/月租賃） | $0（雲端） | 含在月費中 | $2,500 |
| H100 80GB（雲端 $3,000/月租賃） | $0（雲端） | 含在月費中 | $3,000 |
這裡有個關鍵：本地部署的 GPU 不是只跑 Wan2.2 一個模型。同一張卡可以跑 Stable Diffusion、ComfyUI、各種 LLM，所以折舊成本應該攤提。但為了公平比較，我們先假設 GPU 專跑 Wan2.2。
雲端 GPU 的彈性方案
如果你不想一次投入大筆硬體成本，雲端 GPU 是另一個選擇。以 Spheron 為例：
| 雲端 GPU | 時薪 | 5 秒 480P 成本 | 5 秒 720P 成本 |
|---|---|---|---|
| H100 SXM5（80 GB） | $2.50 | ~$0.17–0.21 | ~$0.42–0.50 |
| H200 SXM（141 GB） | $4.54 | ~$0.30–0.35 | ~$0.61–0.76 |
| H100 Spot（60% 折扣） | $1.00 | ~$0.07–0.08 | ~$0.17–0.20 |
注意 Spot 實例可以省 60%，但適合不介意被中斷的批量處理場景。
另一條路：SiliconFlow API
如果你連 GPU 都不想管，SiliconFlow 提供 Wan2.2 的 API 服務：
| 模型 | 單次生成成本 |
|---|---|
| Wan2.1-I2V-14B-720P-Turbo | ~$0.21 / 影片 |
| Wan2.2-I2V-A14B | ~$0.29 / 影片 |
| Wan2.2-T2V-A14B | ~$0.29 / 影片 |
這裡的「影片」指的是約 5 秒的輸出。換算成每分鐘：約 $3.48 / 分鐘。
總算帳：不同使用量下的成本比較
讓我們用三個典型場景來比較：
場景一：業餘創作者，每月生成 5 分鐘 AI 影片
| 方案 | 月成本 | 說明 |
|---|---|---|
| Runway Standard | $12 | 剛好在額度內 |
| Wan2.2 雲端（Spheron H100） | ~$10–15 | 看解析度和時長 |
| Wan2.2 API（SiliconFlow） | ~$17.4 | 固定每分鐘 $3.48 |
| Wan2.2 本地（RTX 4090） | ~$130 | 含折舊和電費 |
→ 結論：低使用量下，Runway Standard 最划算
場景二：內容創作者，每月生成 30 分鐘 AI 影片
| 方案 | 月成本 | 說明 |
|---|---|---|
| Runway Pro | $28 | 還剩 26 分鐘額度 |
| Runway Max | $76 | 額度足夠 |
| Wan2.2 雲端（Spheron H100） | ~$60–90 | 720P 約 $0.42–0.50/秒 |
| Wan2.2 API（SiliconFlow） | ~$104.4 | 固定每分鐘 $3.48 |
| Wan2.2 本地（RTX 4090） | ~$130 | 固定成本 |
→ 結論：30 分鐘/月時，Runway Pro 仍然最便宜，但差距縮小
場景三：工作室級，每月生成 100 分鐘 AI 影片
| 方案 | 月成本 | 說明 |
|---|---|---|
| Runway Max | $76 | 還剩約 84 分鐘額度 |
| Wan2.2 雲端（H100 批量） | ~$200–300 | 可加掛多張 GPU |
| Wan2.2 API（SiliconFlow） | ~$348 | 固定每分鐘 $3.48 |
| Wan2.2 本地（RTX 4090 x2） | ~$260 | 含折舊和電費 |
→ 結論：高使用量下，本地部署的規模效益開始顯現
隱形成本：你不能忽略的細節
除了看得見的金錢成本，還有幾個隱形因素：
- 等待時間：Runway 免費層和標準層有排隊時間，Pro 以上會快一些。本地部署則完全取決於你的 GPU 速度
- 生成時長限制：Runway 單段影片最長約 10 秒，需要多次生成拼接。Wan2.2 本地版可以生成更長的影片（取決於 VRAM）
- 角色一致性：Wan2.2 Animate 的看家本領就是角色一致性，這是 Runway 目前較弱的環節
- 靈活性：本地部署可以調整各種參數（採樣步數、CFG、種子等），Runway 的控制相對有限
- 無網路限制：本地部署離線也能跑，適合對網路品質不穩定的場景
優化技巧：讓每一塊錢都花得更值
如果你決定用 Wan2.2，這裡有幾個實測有效的優化技巧：
FP8 量化：VRAM 砍半，品質幾乎無損
將模型從 FP16 轉換為 FP8（fp8_e4m3fn） 量化，可以減少 20–40% 的 VRAM 使用，而品質損失幾乎察覺不到。在 ComfyUI 的 WanVideoModelLoader 節點中直接啟用即可。
解析度階梯法：480P 構圖 → 720P 輸出
先以 480P 快速生成確認構圖和動作，滿意後再用 720P 生成最終版本。480P 的生成成本只有 720P 的 1/3 到 1/2。
Spot 實例：批量處理省 60%
如果對時間不敏感（比如批量生成 100 個素材），使用雲端 GPU 的 Spot 實例可以節省約 60% 的成本。但要注意，Spot 實例可能被中斷，不適合需要即時確認的場景。
避免 LoRA：官方建議
官方文件明確建議不要使用基於 Wan2.2 訓練的 LoRA 模型，因為可能導致「意外行為」。目前 LoRA 在 Wan2.2 上的成熟度還不夠高。
總結：該選哪條路？
沒有絕對的答案，只有適合你的方案。這裡給個簡單的決策框架：
| 使用場景 | 推薦方案 |
|---|---|
| 每月 < 10 分鐘 | Runway Standard / Pro |
| 每月 10–50 分鐘 | Runway Pro 或 SiliconFlow API |
| 每月 50–200 分鐘 | Wan2.2 雲端 GPU（H100） |
| 每月 > 200 分鐘 | 本地部署 GPU（RTX 4090 x2 或 A100） |
| 重度角色動畫需求 | Wan2.2 Animate 本地部署（這是 Runway 做不到的） |
| 預算有限但想試試 | Hugging Face Spaces 免費 Demo |
最後說一句實話：開源模型的最大價值不只是省錢，而是「自由」。你不需要每月付訂閱費、不怕平台漲價、模型升級了直接下載新版本、甚至可以把模型裝到邊緣裝置上跑。
Runway 當然很好用，但如果你已經在重度使用 AI 影片生成，尤其是需要角色動畫這個場景，Wan2.2 Animate 的本地部署絕對值得你認真考慮。
省下的錢，拿去升級硬體，再省……再升級。這跟 Runway 的「每月點數歸零」邏輯相比，長期來看，開源模型的投資回報率確實更吸引人。
參考資料：Wan2.2 GitHub 、Wan2.2 Animate Demo 、Runway 官方定價 、SiliconFlow 模型定價 、Spheron GPU 雲端