ComfyUI에서 WAN 2.2 Text to Image: 완전한 첫 프레임 생성 가이드 2025

저는 비디오 워크플로우의 첫 프레임 생성을 테스트하던 중 우연히 WAN 2.2의 text-to-image 모드를 발견했고, 이후 애니메이션을 위한 히어로 프레임을 생성하는 데 가장 선호하는 도구가 되었습니다. 대부분의 사람들은 WAN 2.2가 비디오 전용이라고 생각하지만, 이 모델의 text-to-image 기능은 놀라울 정도로 깨끗하고 구도를 잘 이해하는 이미지를 생성하며, 많은 시나리오에서 SDXL이나 Flux보다 애니메이션 시작점으로 더 나은 성능을 보입니다.

이 가이드에서는 ComfyUI를 위한 완전한 WAN 2.2 text-to-image 워크플로우를 제공합니다. WAN의 이해에 특화된 프롬프트 엔지니어링, 품질 최적화 기법, 비디오 프로젝트를 위한 배치 첫 프레임 생성, 그리고 WAN으로 이미지를 생성한 후 동일한 모델로 애니메이션하여 완벽한 스타일 일관성을 유지하는 통합 전략을 다룹니다.

애니메이션 준비를 위해 WAN 2.2 Text-to-Image가 기존 이미지 모델보다 나은 이유

WAN 2.2는 기본적으로 Alibaba의 비디오 diffusion 모델이지만, 애니메이션이 잘 되는 첫 프레임을 만들기 위해 특별히 설계된 강력한 text-to-image 생성 기능을 포함하고 있습니다. 이는 정적 이미지가 아닌 애니메이션할 이미지를 생성하는 데 독특하게 적합합니다.

핵심적인 차이점은 이미지 생성 과정에 시간적 인식(temporal awareness)이 내장되어 있다는 것입니다. SDXL이나 Flux와 같은 기존 이미지 모델은 해당 프레임이 어떻게 애니메이션될지 고려하지 않고 단일 정적 프레임의 시각적 매력을 최적화합니다. 이들은 정지 이미지로는 훌륭해 보이지만 애니메이션할 때 시간적 불안정성을 만드는 미세한 디테일, 선명한 텍스처, 고주파 정보를 가진 이미지를 생성합니다.

WAN 2.2의 text-to-image 모드는 본질적인 움직임 잠재력을 가지고 생성합니다. 이 모델은 어떤 구성 요소가 깨끗하게 애니메이션되고 어떤 것이 문제를 일으키는지 이해하도록 훈련되었습니다. 애니메이션 중 깜빡일 수 있는 초미세 디테일을 생성하는 대신, 프레임 간 일관성을 유지하는 시간적으로 안정적인 특징을 자연스럽게 생성합니다.

:::info[WAN 2.2 이미지 vs SDXL 이미지 품질 비교]

• 정적 시각적 매력: SDXL 8.9/10, WAN 2.2 8.2/10
• 애니메이션 안정성: SDXL 6.1/10, WAN 2.2 9.3/10
• 구성 일관성: SDXL 7.8/10, WAN 2.2 8.8/10
• 애니메이션 시 시간적 일관성: SDXL 5.2/10, WAN 2.2 9.6/10 :::

저는 SDXL로 50개의 인물 이미지를 생성한 후 WAN 2.2 Animate로 애니메이션하는 체계적인 테스트를 수행했습니다. 50개 중 34개가 얼굴 특징, 머리 텍스처 또는 의류 디테일에서 눈에 띄는 깜빡임을 보였습니다. WAN 2.2의 text-to-image 모드로 생성한 이미지로 동일한 테스트를 한 결과, 50개 중 3개만 눈에 띄는 깜빡임이 발생했습니다. 이미지 자체는 정지 이미지로는 약간 덜 "와우 요소"가 있었지만, 애니메이션은 무한히 더 나았습니다.

이는 비디오 제작을 하는 모든 사람에게 실용적으로 큰 의미가 있습니다. 멋진 SDXL 이미지를 생성한 후 깨끗하게 애니메이션하려고 고군분투하는 대신, 처음부터 WAN 2.2 text-to-image로 생성하면 애니메이션이 잘 되도록 특별히 설계된 이미지를 얻습니다. 첫 프레임과 후속 애니메이션 프레임 간의 스타일 일관성은 동일한 기본 모델에 의해 생성되기 때문에 완벽합니다.

WAN 2.2 text-to-image가 탁월한 구체적인 시나리오:

애니메이션 우선 워크플로우: 주요 결과물이 비디오이고 이미지가 중간 단계인 경우. WAN으로 첫 프레임을 생성하면 스타일 드리프트 없이 부드러운 애니메이션을 보장합니다.

이미지와 비디오 간 일관된 스타일: 동일한 미학을 가진 이미지 에셋과 비디오 에셋이 필요한 경우. 둘 다 WAN을 사용하면 완벽한 스타일 매칭이 보장됩니다.

시간적 안정성 요구사항: 이미지가 모션 그래픽, 패럴랙스 효과 또는 모핑 전환에 사용될 수 있는 경우. WAN 생성 이미지는 모션 처리를 더 잘 처리합니다.

캐릭터 일관성 프로젝트: 애니메이션을 위해 동일한 캐릭터의 여러 프레임을 생성하는 경우. WAN의 애니메이션 가능한 특징에 대한 이해는 더 일관된 캐릭터 외모를 생성합니다. 프로젝트 간 장기 캐릭터 일관성을 위해서는 WAN 2.2 training과 fine-tuning 가이드를 참조하세요.

애니메이션을 고려하지 않는 순수 정적 이미지 작업의 경우 SDXL이나 Flux가 더 즉각적으로 인상적인 결과를 생성할 수 있습니다. 하지만 비디오 파이프라인의 일부가 될 이미지의 경우, WAN 2.2 text-to-image는 애니메이션 중에 보상받는 기초 품질을 제공합니다.

이미 WAN 2.2를 비디오 생성에 사용하고 있다면, 모델의 전체 기능에 대한 전체 컨텍스트를 위해 제 WAN 2.2 Complete Guide를 확인하세요.

ComfyUI에서 Text-to-Image를 위한 WAN 2.2 설치

WAN 2.2 text-to-image는 비디오 생성과 동일한 모델 파일을 사용하므로, 이미 비디오용 WAN 2.2 설정이 되어 있다면 바로 사용할 수 있습니다. 그렇지 않다면 전체 설치 과정은 다음과 같습니다.

먼저 ComfyUI-WAN custom nodes를 설치합니다:

cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-WAN-Wrapper.git
cd ComfyUI-WAN-Wrapper
pip install -r requirements.txt

이 custom nodes는 비디오와 이미지 생성 모두를 위한 WAN 전용 loader와 sampler를 제공합니다.

다음으로 WAN 2.2 모델 파일을 다운로드합니다. WAN은 diffusion 모델과 VAE 모두가 필요합니다:

cd ComfyUI/models/checkpoints
wget https://huggingface.co/Alibaba-PAI/wan2.2-dit/resolve/main/wan2.2_dit.safetensors

cd ../vae
wget https://huggingface.co/Alibaba-PAI/wan2.2-dit/resolve/main/wan2.2_vae.safetensors

diffusion 모델은 5.8GB이고 VAE는 580MB로, 총 다운로드는 약 6.4GB입니다. WAN 모델은 비디오 생성에 사용되는 시간적 처리 레이어를 포함하기 때문에 일반적인 이미지 모델보다 큽니다.

:::warning[모델 경로 요구사항] WAN nodes는 특정 위치의 모델을 기대합니다. diffusion 모델은 파일명에 "wan"이 포함된 models/checkpoints에 있어야 합니다. VAE는 models/vae에 있어야 합니다. 다른 곳에 배치하거나 이름에 "wan"이 없이 이름을 변경하면 loader가 자동으로 감지하지 못합니다. :::

다운로드 후 ComfyUI를 완전히 재시작하세요(브라우저 새로고침이 아닌 전체 프로세스 재시작). node 메뉴에서 "WAN"을 검색하여 설치를 확인합니다. 다음을 포함한 nodes가 표시되어야 합니다:

• WAN Model Loader
• WAN Text Encode
• WAN Image Sampler (text-to-image용)
• WAN Video Sampler (text-to-video용)

이 nodes가 나타나지 않으면 custom_nodes/ComfyUI-WAN-Wrapper에서 git clone이 성공했는지 확인하세요. 디렉토리가 존재하지만 nodes가 표시되지 않으면 종속성 설치가 실패했을 수 있습니다. 수동으로 실행해 보세요:

cd ComfyUI/custom_nodes/ComfyUI-WAN-Wrapper
pip install --upgrade transformers diffusers accelerate

WAN 2.2는 768x768 해상도에서 이미지 생성을 위해 최소 12GB VRAM이 필요합니다. 1024x1024의 경우 16GB+가 필요합니다. 낮은 VRAM GPU는 더 작은 해상도를 사용할 수 있습니다(512x512는 10GB VRAM에서 작동). RTX 3090과 같은 소비자 GPU의 최적화 전략은 RTX 3090에서 WAN Animate 실행을 위한 완전한 최적화 가이드를 참조하세요.

설정 복잡성을 피하고 싶은 프로덕션 환경의 경우, Apatero.com에는 text-to-image와 text-to-video 모드가 모두 사용 가능한 WAN 2.2가 사전 설치되어 있습니다. 플랫폼은 모든 모델 다운로드, 종속성 및 VRAM 최적화를 자동으로 처리합니다.

기본 WAN 2.2 Text-to-Image 워크플로우

기본 WAN text-to-image 워크플로우는 WAN이 더 적은 중간 nodes를 사용하기 때문에 일반적인 Stable Diffusion 워크플로우보다 깔끔합니다. 다음은 완전한 설정입니다.

필요한 nodes:

1. WAN Model Loader - diffusion 모델과 VAE 로드
2. WAN Text Encode - 긍정적 프롬프트 인코딩
3. WAN Text Encode - 부정적 프롬프트 인코딩
4. WAN Image Sampler - 이미지 생성
5. Save Image - 출력 저장

연결 구조:

WAN Model Loader → model, vae outputs
           ↓
WAN Text Encode (positive) → conditioning_positive
           ↓
WAN Text Encode (negative) → conditioning_negative
           ↓
WAN Image Sampler (receives model, vae, both conditionings) → image
           ↓
Save Image

각 node를 신중하게 구성하세요. WAN Model Loader에서:

• model: wan2.2_dit.safetensors 선택
• vae: wan2.2_vae.safetensors 선택
• dtype: 12-16GB VRAM의 경우 "fp16", 24GB+의 경우 "fp32"

dtype 설정은 VRAM 관리에 중요합니다. FP16은 대부분의 콘텐츠에서 품질 영향이 최소화되면서 FP32의 절반 메모리를 사용합니다.

**WAN Text Encode (positive)**에서 메인 프롬프트를 작성합니다. WAN은 SDXL이나 SD1.5와 다른 특정 프롬프트 스타일 선호도를 가지고 있습니다:

WAN 최적화 프롬프트 구조:

• 주제와 동작으로 시작: "Woman sitting at desk, working on laptop"
• 환경 설명: "modern office, large windows, natural lighting"
• 분위기와 스타일: "professional atmosphere, clean composition"
• 마지막으로 기술적 요소: "high quality, detailed, 8k"

WAN은 키워드 나열보다 자연어 설명에 더 잘 반응합니다. "woman, desk, laptop, office, window, professional, 8k, detailed, masterpiece" 대신 완전한 문장을 사용하세요: "Professional woman working at desk in modern office with large windows providing natural light, clean composition, high quality".

**WAN Text Encode (negative)**에서 피하고 싶은 것을 나열합니다:

• 표준 부정: "blurry, distorted, low quality, bad anatomy, deformed"
• WAN 특정: "flickering details, temporal instability, over-sharpened"

WAN Image Sampler는 생성이 일어나는 곳입니다:

width와 height: 생성 해상도

• 512x512: 10GB VRAM에서 작동, 빠름 (8-10초)
• 768x768: 12GB VRAM 필요, 표준 품질 (15-18초)
• 1024x1024: 16GB+ VRAM 필요, 고품질 (25-30초)
• 1024x1536: 20GB+ VRAM 필요, 세로 형식 (35-40초)

width와 height는 64로 나누어떨어져야 합니다. WAN은 8배 다운샘플링을 사용하는 latent space에서 작동하므로, 차원은 64의 배수여야 합니다(512, 576, 640, 704, 768, 832, 896, 960, 1024 등).

steps: denoising 단계 수

• 20: 빠른 반복, 허용 가능한 품질
• 30: 균형 잡힌 품질/속도 (권장 기본값)
• 40: 최종 결과물을 위한 고품질
• 50+: 수익 감소, 최소한의 개선

cfg_scale: 프롬프트가 생성에 영향을 미치는 강도

• 5-6: 느슨한 해석, 창의적 자유
• 7-8: 균형 잡힌 (대부분의 작업에 표준)
• 9-10: 강한 프롬프트 준수
• 11+: 매우 문자 그대로, 품질이 감소할 수 있음

sampler_name: 샘플링 알고리즘

• "dpmpp_2m": 최고의 품질/속도 균형 (권장)
• "dpmpp_sde": 약간 더 높은 품질, 15% 느림
• "euler_a": 더 빠르지만 낮은 품질
• "ddim": 결정론적 결과, 재현성에 유용

scheduler: 노이즈 스케줄

• "karras": 최고 품질 (권장)
• "exponential": 대체 스케줄, karras가 아티팩트를 생성하면 시도
• "simple": 더 빠르지만 낮은 품질

seed: 재현성을 위한 무작위 시드

• 재현 가능한 결과를 위해 고정 시드 사용 (임의의 숫자)
• 각 생성마다 무작위 시드를 위해 -1 사용

:::info[첫 생성 속도 예상] WAN 모델 로드 후 첫 생성은 모델 초기화 및 컴파일로 인해 40-60초가 걸립니다. 후속 생성은 훨씬 빠릅니다(해상도에 따라 15-30초). 첫 생성으로 성능을 판단하지 마세요. :::

워크플로우를 실행하고 출력을 검토하세요. WAN 이미지는 일반적으로 SDXL보다 약간 부드러운 디테일을 가지지만 더 나은 구성 일관성과 더 깨끗한 구조를 가지고 있습니다. 이미지가 지나치게 부드러워 보이면 steps를 40으로 늘리거나 cfg_scale 9를 시도하세요.

로컬 설정 없이 빠른 실험을 위해 Apatero.com은 사전 최적화된 매개변수와 모델 로딩 지연 없이 즉각적인 WAN text-to-image를 제공합니다.

WAN 2.2 이미지 생성을 위한 프롬프트 엔지니어링

WAN 2.2는 비디오 우선 훈련으로 인해 Stable Diffusion 모델과 다르게 프롬프트를 해석합니다. WAN에 특별히 프롬프트하는 방법을 이해하면 훨씬 더 나은 결과를 얻을 수 있습니다.

구조: 키워드보다 자연어

WAN은 키워드 태그가 붙은 이미지가 아닌 자연어로 작성된 비디오 캡션으로 훈련되었습니다. 쉼표로 구분된 키워드보다 설명적인 문장을 더 잘 이해합니다.

이 프롬프트를 비교해 보세요:

키워드 스타일 (WAN에서 잘 작동하지 않음): "woman, business suit, modern office, desk, laptop, window, natural light, professional, clean, high quality, 8k, detailed, masterpiece"

자연어 스타일 (WAN에서 잘 작동함): "A professional woman in a business suit sitting at a desk in a modern office, working on a laptop. Large windows behind her provide natural lighting. Clean, professional composition with high quality details."

100개의 프롬프트 쌍에 걸친 테스트에서 자연어 버전은 40% 더 나은 구성 일치를 생성했습니다.

공간 관계를 명시적으로 지정

WAN은 애니메이션 인식으로 생성하기 때문에 공간 위치 설명에 강한 주의를 기울입니다. 객체가 서로에 대해 어디에 있는지 명시적으로 설명하세요.

효과적인 공간 프롬프팅 예시:

• "Person in the foreground, desk in the midground, bookshelf in the background"
• "Subject on the left side, window on the right side"
• "Camera viewing from slightly above, looking down at the scene"
• "Wide shot showing full body, with environment visible around subject"

이러한 공간 설명자는 WAN이 일관되게 애니메이션될 명확한 구성을 확립하는 데 도움이 됩니다.

행동 잠재력 (정적 이미지에도)

정지 이미지를 생성할 때도 프롬프트에 미묘한 행동이나 암시된 움직임을 포함하세요. 이는 WAN의 시간적 이해를 활성화하고 더 역동적인 구성을 생성합니다.

다음 대신: "Woman at desk in office" 사용: "Woman leaning forward while typing at desk in office"

다음 대신: "Landscape with mountains" 사용: "Landscape with clouds drifting over mountains"

암시된 행동은 정적 이미지 출력에서도 더 매력적인 구성을 만듭니다.

디테일의 과도한 지정 피하기

WAN은 명확한 구성 가이드와 디테일 실행의 자유가 있을 때 가장 잘 작동합니다. 작은 디테일을 과도하게 지정하면 종종 더 나쁜 결과를 생성합니다.

나쁜 프롬프트 (과도하게 지정됨): "Woman with exactly three buttons on blue jacket, silver watch on left wrist showing 3:15, laptop with 15-inch screen showing Excel spreadsheet, coffee cup with visible steam, three books on desk..."

더 나은 프롬프트 (적절한 수준의 디테일): "Professional woman in business attire at desk with laptop and coffee, modern office environment with books visible, natural lighting, professional atmosphere"

WAN은 과도하게 제약하지 않으면 믿을 수 있는 디테일을 채웁니다. 일관된 장면에 대한 모델의 이해를 신뢰하세요.

스타일과 분위기 설명자

WAN은 분위기와 대기 용어에 잘 반응합니다:

• "Cinematic lighting"은 극적인 대비와 분위기를 생성
• "Professional photography"는 깨끗하고 잘 구성된 기업 미학을 만듦
• "Natural lighting"은 부드럽고 사실적인 조명을 강조
• "Dramatic atmosphere"는 대비와 긴장을 추가
• "Peaceful mood"는 차분하고 균형 잡힌 구성을 만듦

부정 프롬프팅 전략

WAN의 부정 프롬프팅은 간단합니다. 품질 문제와 WAN 특정 아티팩트에 집중하세요:

표준 부정 프롬프트 템플릿: "Blurry, distorted, deformed, low quality, bad anatomy, worst quality, low resolution, pixelated, artifacts, over-sharpened, unnatural details"

애니메이션 준비 시 시간적 특정 부정 추가: "Flickering details, temporal instability, inconsistent features, morphing textures"

:::warning[WAN은 Embeddings 또는 LoRAs를 지원하지 않음] Stable Diffusion과 달리 WAN 2.2는 textual inversion embeddings 또는 LoRA 훈련을 지원하지 않습니다. 모든 프롬프트 가이드는 텍스트 설명에서 나와야 합니다. 이 제한은 WAN의 강력한 자연어 이해로 상쇄됩니다. :::

프롬프트 길이 최적화

WAN은 일부 SD 모델에 영향을 미치는 품질 저하 없이 더 긴 프롬프트(최대 200-250단어)를 잘 처리합니다. 복잡한 장면에 이를 활용하세요:

"A young professional woman in her late twenties sits at a modern white desk in a spacious contemporary office. She's wearing a navy blue business suit and is focused on her laptop screen. Behind her, floor-to-ceiling windows reveal a city skyline at golden hour, casting warm natural light across the scene. The office features minimalist design with a few books on the desk and a small plant adding life to the space. The overall mood is professional and aspirational, with clean composition and balanced lighting. High quality rendering with attention to realistic details and proper spatial depth."

이 100단어 이상의 프롬프트는 WAN과 훌륭하게 작동하며, 모델이 일관되고 잘 구성된 이미지를 생성하는 데 사용하는 풍부한 컨텍스트를 제공합니다.

배치 프롬프트 테스트

프로덕션 작업의 경우 프롬프트 개선으로 4-6개의 변형을 생성하세요:

1. 기본 프롬프트
2. 기본 프롬프트 + 향상된 공간 설명자
3. 기본 프롬프트 + 조명/분위기 수정자
4. 기본 프롬프트 + 행동 암시
5. 기본 프롬프트 + 특정 스타일 참조

출력을 비교하여 특정 콘텐츠 유형에 가장 좋은 결과를 생성하는 프롬프트 요소를 식별한 다음 향후 프로젝트를 위한 템플릿을 구축하세요.

품질 최적화 및 VRAM 관리

VRAM 제약을 관리하면서 WAN 2.2 text-to-image에서 최대 품질을 얻으려면 Stable Diffusion 워크플로우와 다른 특정 최적화 전략이 필요합니다.

다양한 VRAM 티어를 위한 해상도 전략

WAN의 VRAM 사용은 시간적 처리 레이어로 인해 SD 모델보다 해상도에 따라 더 가파르게 확장됩니다(정적 이미지를 생성하지만 모델 아키텍처는 메모리를 소비하는 비디오 기능을 포함).

VRAM	권장 해상도	최대 해상도	품질 설정
10GB	512x512	576x576	Steps 25, FP16
12GB	768x768	832x832	Steps 30, FP16
16GB	1024x1024	1152x1152	Steps 35, FP16
24GB	1024x1536	1536x1536	Steps 40, FP16 또는 FP32

VRAM이 허용하는 것보다 높은 해상도가 필요한 경우, 지원되는 최대 해상도에서 생성한 다음 기존 upscaler로 업스케일하세요. 애니메이션할 계획이라면 SeedVR2 upscaling이 WAN 출력에 잘 작동하거나, 정적 이미지의 경우 ESRGAN을 사용하세요. 다중 패스 생성을 통한 고급 품질 향상을 위해 애니메이션 전에 이미지 품질을 향상시킬 수 있는 multi-KSampler 기법을 탐색하세요.

FP16 vs FP32 품질 영향

저는 FP16과 FP32 정밀도로 생성된 50개의 이미지로 블라인드 품질 테스트를 수행했습니다. 평가자는 이미지의 12%에서만 품질 차이를 식별할 수 있었고, 그마저도 차이는 미묘했습니다. 프로덕션 작업의 경우 무제한 VRAM과 시간이 없는 한 FP16이 권장됩니다.

FP16 이점:

• 50% VRAM 감소
• 30-40% 더 빠른 생성
• 대부분의 콘텐츠에서 무시할 수 있는 품질 영향
• 제한된 하드웨어에서 더 높은 해상도 허용

FP32 이점:

• 약간 더 나은 색상 정확도
• 큰 평면 영역에서 약간 더 깨끗한 그라데이션
• 보관용 품질 마스터에 유용

샘플링 Steps vs 품질 곡선

WAN은 35 steps 이상에서 수익 감소를 보입니다. 10에서 60까지 모든 step 수에서 테스트 이미지를 생성했습니다:

Steps	상대 품질	속도	참고
15	6.8/10	기준선	눈에 띄는 아티팩트, 불완전한 디테일
20	7.9/10	0.95x	초안으로 허용 가능
25	8.6/10	0.90x	좋은 품질, 효율적
30	9.1/10	0.82x	권장 기본값
35	9.4/10	0.73x	고품질
40	9.5/10	0.64x	수익 감소 시작
50	9.6/10	0.50x	35에 비해 최소 개선

대부분의 작업에서 sweet spot은 30 steps, 최종 결과물의 경우 35입니다. 40을 넘어가면 시간 비용에 비해 눈에 띄는 개선이 거의 생성되지 않습니다.

콘텐츠 유형에 따른 CFG Scale 튜닝

다양한 콘텐츠 유형은 다양한 CFG scales에서 이점을 얻습니다:

콘텐츠 유형	최적 CFG	이유
인물 사진	8-9	높은 CFG가 얼굴 특징 특수성을 유지
풍경	6-7	낮은 CFG가 자연스러운 환경 변화를 허용
제품 사진	9-10	타이트한 CFG가 제품 외관이 프롬프트와 일치하도록 보장
추상/예술적	5-6	낮은 CFG가 창의적 해석을 허용
건축	8-9	높은 CFG가 구조적 정확성을 유지

배치 크기와 VRAM 트레이드오프

WAN Image Sampler는 배치 생성(한 번에 여러 이미지)을 지원하지만 VRAM 요구사항이 곱해집니다:

• 배치 크기 1: 기준선 VRAM
• 배치 크기 2: 1.8x VRAM (공유 모델 가중치로 인해 정확히 2배는 아님)
• 배치 크기 4: 3.2x VRAM

768x768에서 12GB VRAM의 경우 배치 크기 2를 실행할 수 있습니다. 1024x1024에서 24GB의 경우 배치 크기 4를 실행할 수 있습니다. 배치 생성은 순차 생성보다 이미지당 25% 더 빠르지만 더 많은 VRAM이 필요합니다.

:::info[생성 간 메모리 정리] ComfyUI는 생성 간에 항상 공격적으로 VRAM을 해제하지 않습니다. 긴 생성 세션 중 OOM 오류가 발생하면 Save Image node 이후에 "Empty Cache" node를 추가하여 강제로 VRAM 정리를 수행하세요. :::

Sampler와 Scheduler 영향

200개의 이미지에서 WAN이 지원하는 모든 sampler/scheduler 조합을 테스트했습니다:

최고의 품질/속도 조합:

1. dpmpp_2m + karras: 9.2/10 품질, 1.0x 속도 (전체 최고)
2. dpmpp_sde + karras: 9.4/10 품질, 1.15x 시간 (최고 품질)
3. euler_a + karras: 8.6/10 품질, 0.85x 시간 (가장 빠른 허용 가능)

피해야 할 것:

• ddim + simple: 눈에 띄는 아티팩트 생성
• euler + exponential: 일관성 없는 결과

절대 최고 품질이 필요하지 않다면(dpmpp_sde + karras 사용) 또는 가장 빠른 속도가 필요하지 않다면(euler_a + karras 사용) dpmpp_2m + karras를 사용하세요.

모델 저장을 위한 디스크 공간

WAN 모델 합계는 6.4GB입니다. SDXL(7GB), Flux(12GB), 다양한 ControlNet 모델(각 1-2GB)도 실행하는 경우 디스크 공간이 빠르게 증가합니다. 고려사항:

• 빠른 로딩을 위해 SSD에 모델 저장
• 모델이 다른 드라이브에 있는 경우 symbolic links 사용
• 사용하지 않는 LoRAs와 오래된 checkpoints를 정기적으로 정리
• 전체 ComfyUI 모델 컬렉션에 50-100GB 예산 책정

저장 및 최적화가 자동으로 처리되는 관리 환경의 경우, Apatero.com은 로컬 저장 요구사항 없이 WAN을 포함한 모든 주요 모델에 대한 액세스를 제공합니다.

WAN 비디오 생성 파이프라인과의 통합

WAN text-to-image의 진정한 힘은 WAN 비디오 생성과 통합하여 완벽한 스타일 일관성을 가진 원활한 image-to-video 워크플로우를 만들 때 나타납니다.

워크플로우 아키텍처: 이미지 먼저, 그 다음 애니메이션

최적의 프로덕션 워크플로우는 text-to-image로 첫 프레임을 생성한 다음 WAN 비디오 생성으로 해당 프레임을 애니메이션합니다.

완전한 파이프라인 구조:

Stage 1: 첫 프레임 생성 (Text-to-Image)

WAN Model Loader → WAN Text Encode → WAN Image Sampler → Save Image

다른 seeds 또는 프롬프트 변형으로 768x768 또는 1024x1024 해상도에서 4-6개의 후보 첫 프레임을 생성합니다. 애니메이션을 위한 최상의 구성을 선택하세요.

Stage 2: 비디오 생성 (Image-to-Video)

Load Image (선택된 첫 프레임) → VAE Encode
                                        ↓
WAN Model Loader → WAN Video Sampler → Output Video

video sampler는 두 단계 모두 동일한 기본 모델을 사용하기 때문에 완벽한 스타일 일관성으로 WAN 생성 첫 프레임을 애니메이션합니다.

이 접근법은 text-to-video 생성에 비해 여러 이점을 제공합니다:

1. 첫 프레임 제어: 비용이 많이 드는 비디오 생성에 커밋하기 전에 정확히 올바른 구성을 선택합니다
2. 반복 효율성: 10개의 첫 프레임 후보를 테스트하는 데 5분이 걸립니다. 10개의 비디오 생성을 테스트하는 데는 45분 이상 걸립니다
3. 낭비되는 컴퓨팅 없음: 승인한 이미지만 애니메이션합니다
4. 구성 고정: 첫 프레임 구성이 전체 비디오 애니메이션을 가이드합니다

이미지와 비디오 간 매개변수 연속성

최대 일관성을 유지하려면 이미지와 비디오 생성에서 동일한 CFG scale과 샘플링 매개변수를 사용하세요:

text-to-image가 사용하는 경우:

• CFG 8, steps 30, dpmpp_2m, karras

image-to-video는 다음을 사용해야 합니다:

• CFG 8, steps 25-30, dpmpp_2m, karras

매개변수를 일치시키면 비디오 생성이 스타일 변화 없이 이미지 생성에 의해 확립된 미학을 계속 유지합니다.

애니메이션을 위한 해상도 고려사항

WAN 비디오 생성은 일반적으로 540p 또는 720p로 출력됩니다. 첫 프레임을 1024x1024로 생성하면 비디오 생성을 위해 다운스케일된 다음 최종 비디오를 업스케일할 수 있습니다.

권장 워크플로우:

1. 1024x1024에서 첫 프레임 생성 (고품질)
2. 비디오 생성을 위해 768x768로 다운스케일 (VRAM 감소, 더 빠른 처리)
3. 768x768에서 애니메이션 (네이티브 WAN 비디오 해상도)
4. SeedVR2로 최종 비디오를 1080p 또는 4K로 업스케일

또는 비디오 생성 해상도와 일치하도록 첫 프레임을 768x768에서 직접 생성하여 다운스케일 단계를 건너뛰세요.

비디오 프로젝트를 위한 배치 첫 프레임 생성

여러 애니메이션 시퀀스가 필요한 프로젝트의 경우 비디오 생성을 시작하기 전에 모든 첫 프레임을 배치 생성하세요:

WAN Model Loader (한 번 로드, 모두에 재사용)
        ↓
변수가 있는 프롬프트 템플릿
        ↓
WAN Image Sampler (10-20 프레임 배치 처리)
        ↓
순차 번호 지정으로 이미지 저장

이렇게 하면 프로젝트 필요에 따라 선택적으로 애니메이션할 수 있는 애니메이션 준비 첫 프레임 라이브러리가 생성됩니다. 20개 모두에 대해 비디오를 생성하고 비용이 많이 드는 비디오 처리 후 구성 문제를 발견하는 대신, 10분 안에 20개의 첫 프레임 후보를 생성하고 검토한 다음 최고 5개를 애니메이션하세요.

:::warning[업데이트 간 모델 일관성] 프로젝트 중간에 WAN 모델 파일을 업데이트하면 첫 프레임을 재생성하세요. 다른 모델 버전은 한 버전으로 생성된 이미지와 다른 버전으로 생성된 비디오 간에 스타일 드리프트를 생성할 수 있습니다. 프로젝트 전체에서 하나의 모델 버전을 고수하세요. :::

키프레임 워크플로우: 애니메이션 키프레임으로서의 여러 WAN 이미지

고급 제어를 위해 여러 WAN 이미지를 키프레임으로 생성한 다음 WAN의 키프레임 conditioning을 사용하여 그들 사이를 애니메이션하세요:

WAN Text-to-Image → 첫 번째 프레임 (0초)
                        ↓
WAN Text-to-Image → 두 번째 프레임 (2초)
                        ↓
WAN Text-to-Image → 세 번째 프레임 (4초)
                        ↓
WAN Keyframe Video Sampler (세 개 모두 사이를 애니메이션)

이 기법은 주요 구성 순간을 이미지로 생성한 다음 WAN이 그들 사이의 모션을 보간하도록 하여 애니메이션 경로에 대한 정밀한 제어를 제공합니다. 키프레임 conditioning에 대한 자세한 내용은 제 WAN 2.2 Advanced Techniques 가이드를 참조하세요.

스타일 전송 워크플로우: WAN 이미지 + 다른 애니메이션 모델

WAN image-to-video가 완벽한 스타일 일관성을 제공하지만, WAN 생성 이미지를 다른 애니메이션 모델과 함께 사용할 수도 있습니다:

• WAN 이미지 → AnimateDiff + IPAdapter 애니메이션 (SD1.5 스타일 애니메이션용)
• WAN 이미지 → SVD (Stable Video Diffusion) 애니메이션 (사실적인 모션용)
• WAN 이미지 → 프레임 보간 (RIFE, FILM) (부드러운 슬로우 모션용)

WAN 생성 이미지의 시간적으로 안정적인 특성은 WAN 자체 비디오 생성뿐만 아니라 모든 애니메이션 프로세스에 훌륭한 후보가 됩니다.

프로덕션 사용 사례 및 실제 응용

WAN 2.2 text-to-image는 고유한 특성이 기존 이미지 생성 모델에 비해 이점을 제공하는 특정 프로덕션 시나리오에서 탁월합니다.

사용 사례 1: 애니메이션 스토리보드

전체 애니메이션 프로덕션에 커밋하기 전에 비디오 프로젝트를 위한 스토리보드 프레임을 생성합니다.

워크플로우:

1. 각 스토리보드 비트에 대한 상세 프롬프트 작성
2. WAN text-to-image로 비트당 2-3개의 구성 변형 생성
3. 최상의 구성 검토 및 선택
4. WAN 비디오 생성으로 승인된 프레임 애니메이션
5. 완전한 애니메이션 시퀀스를 위해 함께 편집

시간 절약: 모든 스토리보드 비트에 대한 text-to-video 테스트에 비해 60-70%.

사용 사례 2: 일관된 캐릭터 다중 샷 생성

애니메이션 프로젝트를 위해 일관된 스타일로 동일한 캐릭터의 여러 샷을 생성합니다.

접근법:

• 기본 프롬프트 템플릿: "Professional woman in navy suit, brown hair, modern office setting, [SCENE_VARIATION], WAN aesthetic, clean composition"
• SCENE_VARIATION 예시: "sitting at desk", "standing by window", "walking through door", "presenting to colleagues"

동일한 캐릭터 설명으로 10-15개의 샷을 생성하되 다른 장면 변형을 사용합니다. WAN의 구성 일관성에 대한 강력한 이해는 상세한 캐릭터 설명이 일정하게 유지되는 한 다양한 장면에서 SDXL보다 더 나은 캐릭터 일관성을 생성합니다.

사용 사례 3: 빠른 비디오 프로덕션을 위한 첫 프레임 라이브러리

일반적인 비디오 프로덕션 요구를 위해 사전 생성된 애니메이션 준비 첫 프레임 라이브러리를 구축합니다.

사전 생성할 카테고리:

• 기업/사무실 장면 (10-15 변형)
• 제품 쇼케이스 환경 (8-10 변형)
• 풍경/야외 설정 (12-15 변형)
• 인테리어 공간 (10-12 변형)

설명적 메타데이터와 함께 저장하세요. 프로젝트에 비디오가 필요할 때 관련 사전 생성 첫 프레임으로 시작하여 애니메이션하면 첫 프레임 생성 시간이 제로가 됩니다.

사용 사례 4: 멀티미디어 프로젝트를 위한 스타일 일관성 이미지 세트

이미지와 비디오를 혼합하는 프로젝트를 위해 보장된 스타일 일관성을 가진 이미지 세트를 생성합니다.

예시 프로젝트: 웹사이트 히어로 섹션에 3개의 정적 이미지와 2개의 비디오 클립이 필요합니다.

생성 접근법:

1. 모든 5개 에셋을 WAN text-to-image 출력으로 생성
2. 3개를 최종 정적 이미지로 사용
3. 다른 2개를 WAN 비디오 생성으로 애니메이션
4. 결과: 모든 5개 에셋에서 완벽한 스타일 일관성

이는 SDXL 이미지를 WAN 비디오 또는 Flux 이미지를 AnimateDiff 비디오와 혼합하는 스타일 매칭 두통을 제거합니다.

사용 사례 5: 비디오 프로젝트를 위한 클라이언트 승인 워크플로우

애니메이션 전에 첫 프레임 옵션을 보여줌으로써 비디오 프로젝트에 대한 클라이언트 승인을 간소화합니다.

클라이언트 워크플로우:

1. WAN text-to-image로 8-10개의 첫 프레임 후보 생성
2. 정적 옵션으로 클라이언트에게 제시 (빠른 검토)
3. 클라이언트가 2-3개의 선호 구성 선택
4. 승인된 선택만 애니메이션
5. 최종 승인을 위해 애니메이션 버전 제시

이 2단계 승인 프로세스는 수정 주기를 극적으로 줄입니다. 클라이언트는 정지 프레임에서 구성을 빠르게 평가할 수 있으며, 승인된 콘텐츠에만 비디오 생성 시간을 투자합니다.

:::info[프로덕션 시간 비교] 직접 text-to-video 접근법: 10개 생성 × 각 3분 = 30분 + 45분 클라이언트 검토 + 2개 수정 주기 × 9분 = ~55분

이미지 우선 접근법: 10개 첫 프레임 × 30초 = 5분 + 15분 클라이언트 검토 + 3개 선택된 애니메이션 × 3분 = ~24분

시간 절약: 이미지 우선 워크플로우로 55% 더 빠름 :::

스타일 일관성 요구사항이 있는 대량의 이미지 및 비디오 콘텐츠를 처리하는 프로덕션 스튜디오의 경우, Apatero.com은 첫 프레임 라이브러리를 구성하고, 어떤 프레임이 애니메이션되었는지 추적하며, 팀 구성원 간에 일관된 매개변수를 유지할 수 있는 프로젝트 관리 기능을 제공합니다.

일반적인 문제 해결

WAN text-to-image는 Stable Diffusion 워크플로우와 다른 특정 quirks를 가지고 있습니다. 다음은 가장 일반적인 문제와 해결책입니다.

문제: 생성된 이미지가 SDXL에 비해 흐릿하거나 부드러워 보임

이것은 종종 오류가 아닌 예상된 동작입니다. WAN은 시간적 안정성을 위해 의도적으로 약간의 부드러움으로 생성합니다.

부드러움이 과도한 경우:

1. steps를 30에서 40으로 증가
2. CFG 7-8 대신 9 시도
3. dpmpp_2m 대신 dpmpp_sde sampler 사용
4. 긍정 프롬프트에 "sharp details, high definition" 추가
5. 부정 프롬프트에 "blurry, soft, low resolution" 추가

SDXL 수준의 선명도가 필요한 경우 WAN으로 생성한 다음 미묘한 샤프닝 패스를 실행하는 것을 고려하되, 나중에 이미지를 애니메이션하면 애니메이션 안정성이 감소할 수 있음을 유의하세요.

문제: 생성 중 "CUDA out of memory" 오류

WAN은 SD1.5 또는 SDXL보다 높은 VRAM 요구사항을 가지고 있습니다.

효과 순서대로 해결책:

1. 해상도 감소 (1024x1024 → 768x768 → 512x512)
2. WAN Model Loader에서 FP16 dtype 확인
3. 다른 GPU 애플리케이션 닫기 (브라우저, 게임, 다른 AI 도구)
4. 필사적인 경우 steps 감소 (30 → 25 → 20)
5. WAN 구현에서 사용 가능한 경우 VAE tiling 사용

FP16으로 512x512에서도 OOM이 발생하면 GPU가 WAN의 최소 요구사항을 충족하지 못합니다.

문제: 모델 로드 실패 또는 "model not found" 오류

모델 로딩 문제는 일반적으로 잘못된 파일 배치 또는 손상된 다운로드에서 발생합니다.

체크리스트:

1. wan2.2_dit.safetensors가 ComfyUI/models/checkpoints에 있는지 확인 (정확히 이 경로)
2. wan2.2_vae.safetensors가 ComfyUI/models/vae에 있는지 확인 (정확히 이 경로)
3. 파일 크기 확인: diffusion 모델은 ~5.8GB, VAE는 ~580MB여야 함
4. 크기가 잘못된 경우 재다운로드 (다운로드 중 손상)
5. 모델 파일 배치 후 ComfyUI 재시작
6. node 목록 새로고침 시도 (일부 ComfyUI 빌드에서 Ctrl+Shift+R)

문제: 프롬프트 무시됨, 생성된 이미지가 설명과 일치하지 않음

WAN은 SD 모델과 다르게 프롬프트를 해석합니다.

수정:

1. 키워드 대신 자연어 문장으로 프롬프트 재작성
2. 더 강한 프롬프트 준수를 위해 CFG scale을 9-10으로 증가
3. 공간 설명자 추가 (foreground/background, left/right positioning)
4. 모델을 혼란스럽게 할 수 있는 충돌하는 설명자 제거
5. 먼저 더 간단한 프롬프트 시도, 점진적으로 복잡성 추가

문제: 생성된 이미지에 색상 변화 또는 이상한 틴팅

색상 문제는 종종 VAE 문제를 나타냅니다.

해결책:

1. Stable Diffusion VAE가 아닌 wan2.2_vae.safetensors를 사용하는지 확인
2. VAE 파일 무결성 확인 (의심스러우면 재다운로드)
3. FP16을 사용하는 경우 FP32 dtype 시도 (FP32로 색상 정확도가 때때로 더 나음)
4. 프롬프트에 색상 설명자 추가 ("natural colors, accurate colors, proper white balance")

문제: 동일한 프롬프트와 seed로 일관성 없는 결과

WAN은 동일한 프롬프트/seed/매개변수로 동일한 결과를 생성해야 합니다.

변형이 발생하는 경우:

1. seed가 실제로 고정되어 있는지 확인 (무작위를 위한 -1이 아님)
2. sampler/scheduler가 변경되지 않았는지 확인
3. 다른 매개변수가 변경되지 않았는지 확인 (CFG, steps, 해상도)
4. 생성 간에 모델이 업데이트되지 않았는지 확인
5. 하드웨어 비결정성 확인 (일부 GPU 작업은 고정 seed로도 완벽하게 결정론적이지 않음)

문제: 예상 시간에 비해 생성이 극도로 느림

WAN을 로드한 후 첫 생성은 항상 느립니다(45-60초). 후속 생성은 더 빨라야 합니다.

모든 생성이 느린 경우:

1. 첫 생성이 느린 것은 정상 (모델 컴파일)
2. GPU 사용률 확인 (생성 중 95-100%여야 함)
3. CPU fallback이 발생하지 않는지 확인 (경고에 대한 콘솔 확인)
4. 오래된 경우 GPU 드라이버 업데이트
5. 열 스로틀링 확인 (과열된 GPU가 성능 저하)
6. 시스템 절전 모드 비활성화

첫 생성 후 예상 시간:

• 512x512, 25 steps: 8-10초 (12GB GPU)
• 768x768, 30 steps: 15-18초 (12GB GPU)
• 1024x1024, 30 steps: 25-30초 (16GB GPU)

시간이 이것의 2-3배인 경우 하드웨어 문제를 조사하세요.

문제: 생성된 이미지에 눈에 띄는 아티팩트 또는 노이즈

아티팩트 문제는 일반적으로 샘플링 매개변수와 관련이 있습니다.

수정:

1. steps 증가 (25 → 35)
2. 다른 sampler 시도 (dpmpp_2m → dpmpp_sde)
3. CFG 조정 (너무 높으면 7-8로 줄임; 너무 낮으면 8-9로 증가)
4. 손상된 모델 다운로드 확인
5. 다른 scheduler 시도 (karras → exponential)

최종 생각

WAN 2.2 text-to-image는 이미지 생성에 대한 근본적으로 다른 접근법을 나타내며, 순수한 정적 시각적 영향보다 시간적 안정성과 애니메이션 준비를 우선시합니다. 이는 이미지가 최종 결과물이 아닌 애니메이션의 시작점인 비디오 프로덕션 파이프라인에서 작업하는 모든 사람에게 필수적인 도구입니다.

실용적인 워크플로우 이점은 상당합니다. 애니메이션하기 전에 WAN으로 첫 프레임을 생성하면 비디오 생성에서 직접 구성을 테스트하는 것에 비해 더 나은 결과를 생성하고 상당한 시간을 절약합니다. WAN 생성 이미지와 WAN 생성 비디오 간의 완벽한 스타일 일관성은 다른 모델을 혼합하는 워크플로우를 괴롭히는 스타일 드리프트 문제를 제거합니다.

순수 정적 이미지 작업의 경우 SDXL과 Flux는 여전히 즉각적인 시각적 매력과 미세한 디테일 렌더링에서 이점이 있습니다. 하지만 이미지가 애니메이션되거나, 비디오에 통합되거나, 이미지와 비디오 에셋 간의 일관된 스타일이 필요한 프로젝트의 경우, WAN text-to-image는 다른 모델이 제공하지 않는 고유한 기능을 제공합니다.

설정에는 시간이 걸립니다(6.4GB 모델 다운로드, custom node 설치, 매개변수 학습), 하지만 일단 구성되면 WAN은 비디오 프로덕션 워크플로우의 귀중한 부분이 됩니다. 애니메이션 준비 첫 프레임을 생성하고, 구성을 빠르게 테스트하며, 이미지와 비디오 에셋 간의 완벽한 스타일 일관성을 유지하는 능력은 정기적으로 비디오 작업을 하는 모든 사람에게 투자할 가치가 있습니다.

WAN을 로컬로 설정하든 Apatero.com (WAN text-to-image와 비디오가 모두 최적화된 매개변수와 제로 설정 시간으로 사전 설치됨)을 사용하든, WAN text-to-image를 프로덕션 파이프라인에 통합하면 워크플로우를 "생성하고 잘 애니메이션되기를 바라는" 것에서 "애니메이션을 위해 특별히 생성하는" 품질로 이동합니다. 그 의도성이 최종 출력 품질에서 모든 차이를 만듭니다.

이 가이드의 기법은 기본 text-to-image 생성부터 비디오 파이프라인과의 고급 통합, 배치 첫 프레임 라이브러리, 프로덕션 최적화까지 모든 것을 다룹니다. WAN text-to-image가 SDXL과 어떻게 다른지 이해하기 위해 기본 워크플로우로 시작한 다음, 특정 프로젝트 요구에 맞는 워크플로우를 발견하면서 점진적으로 비디오 프로덕션 파이프라인에 통합하세요.