Guide Complet — WanGP (Wan2GP)

avril 2026 · 12 min de lecture

WanGP est un générateur vidéo IA open source conçu pour les "GPU pauvres" : il rend accessibles des modèles de génération vidéo de pointe sur du matériel grand public, avec aussi peu que 6 Go de VRAM.

📋 Table des matières

  1. Présentation
  2. Prérequis
  3. Installation
  4. Mise à jour
  5. Lancement
  6. Interface Web
  7. Modèles disponibles
  8. Profils mémoire
  9. Fonctionnalités avancées
  10. Optimisations de performance
  11. Dépannage
  12. Ressources et communauté

Présentation

WanGP est un fork optimisé du projet Wan2.1, créé par DeepBeepMeep. Il supporte une large gamme de modèles de génération :

Catégorie Modèles supportés
Vidéo Wan 2.1 / 2.2, Hunyuan Video, LTX Video / LTX-2 / LTX-2.3, LongCat
Image Flux 1 / 2, Qwen Image, Z-Image
Audio / TTS Qwen3 TTS, Ace Step, Heart Mula, Kugel Audio, Chatterbox

Points forts :

  • VRAM minimale dès 6 Go (certains modèles)
  • Support des anciens GPU Nvidia (GTX 10XX, 20XX, ...)
  • Support des GPU AMD (RDNA 2, 3, 3.5, 4)
  • Interface 100% web (Gradio)
  • Téléchargement automatique des modèles adaptés à votre GPU
  • Quantification multi-formats : int8, fp8, GGUF, NV FP4, Nunchaku
  • Système de plugins, LoRA, file d'attente, mode batch

Prérequis

  • Un GPU compatible (Nvidia RTX 10XX ou plus récent, ou AMD RDNA 2+)
  • Au moins 6 Go de VRAM (pour les modèles légers)
  • Python 3.10.9 ou 3.11.14 selon votre configuration
  • Conda (recommandé pour la gestion d'environnements)
  • Connexion internet pour le téléchargement initial des modèles

Installation

Installation rapide (Pinokio)

La méthode la plus simple : utilisez l'application Pinokio.

⚠️ Il est recommandé d'utiliser les scripts communautaires wan2gp ou wan2gp-amd par Morpheus plutôt que le script officiel Pinokio.

Installation manuelle (Python 3.10)

git clone https://github.com/deepbeepmeep/Wan2GP.git
cd Wan2GP
conda create -n wan2gp python=3.10.9
conda activate wan2gp
pip install torch==2.7.1 torchvision torchaudio --index-url https://download.pytorch.org/whl/test/cu128
pip install -r requirements.txt

Installation manuelle (Python 3.11 — recommandée)

git clone https://github.com/deepbeepmeep/Wan2GP.git
cd Wan2GP
conda create -n wangp python=3.11.14
conda activate wangp
pip install torch==2.10.0 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt

Pourquoi Python 3.11 ? Cette configuration permet d'accéder à des noyaux optimisés (Triton, Flash Attention 2, kernels NVFP4) pour des gains de vitesse significatifs, surtout sur RTX 40XX / 50XX.

Installation via Docker

Pour les systèmes Debian/Ubuntu :

./run-docker-cuda-deb.sh

Ce script automatisé :

  • Détecte votre GPU et sa VRAM
  • Sélectionne l'architecture CUDA optimale
  • Installe le runtime Docker NVIDIA si nécessaire
  • Construit une image Docker avec toutes les dépendances
  • Monte le répertoire courant (modèles, LoRA, vidéos générées sont sauvegardés localement)

Installation AMD

Consultez le guide dédié : docs/AMD-INSTALLATION.md

Support pour les GPU RDNA 2, 3, 3.5 et 4.

Mise à jour

# Avec Pinokio : utiliser l'interface Pinokio
# En manuel :
cd Wan2GP
git pull
conda activate wangp
pip install -r requirements.txt

En cas d'erreurs git :

git fetch origin && git reset --hard origin/main
conda activate wangp
pip install -r requirements.txt

Lancement

# Mode par défaut (Text-to-Video)
python wgp.py

# Mode Image-to-Video
python wgp.py --i2v

# Modèle léger et rapide (1.3B)
python wgp.py --t2v-1-3B

# Avec profil mémoire spécifique (1 à 5)
python wgp.py --profile 4

# Avec verbosité maximale (debug)
python wgp.py --verbose 2

Une fois lancé, ouvrez votre navigateur à l'adresse indiquée (généralement http://127.0.0.1:7860).

💡 Première utilisation ? Consultez l'onglet Guides dans l'interface : il vous propose une sélection de modèles recommandés selon votre matériel.

Interface Web

L'interface Gradio comporte plusieurs sections principales :

Section Description
Model Selection Sélection du modèle via un menu déroulant
Prompt Description textuelle de la vidéo à générer
Resolution Résolution de sortie (doit correspondre au modèle choisi)
Num Frames Nombre de frames (FPS fixé à 16 ; ex. 160 frames = 10 s)
Quality Paramètres avancés : steps, guidance, Self Refiner...
LoRA Chargement de LoRA pour personnaliser le style
Queue File d'attente pour générer plusieurs vidéos
Config Paramètres de performance, mémoire, prompt enhancer

Modèles disponibles

Vidéo

Modèle Spécialité VRAM min.
Wan 2.1 T2V 1.3B Text-to-Video rapide (idéal pour débuter) ~6 Go
Wan 2.1 T2V 14B Text-to-Video haute qualité ~12 Go
Wan 2.1 I2V Image-to-Video ~8 Go
Wan 2.2 Version améliorée de Wan 2.1 ~8 Go
Hunyuan Video Qualité élevée (texte vers vidéo) ~10 Go
LTX-2 / LTX-2.3 Vidéo + bande son audio, très optimisé ~8 Go
LTX-2 Distilled Version rapide de LTX-2 ~8 Go

Image

Modèle Spécialité
Flux 1 / 2 Klein Génération d'images haute qualité
Qwen Image Génération et édition d'images
Z-Image Turbo Ultra-rapide (1 à 3 steps)

Audio / TTS

Modèle Spécialité
Ace Step 1.5 Turbo Génération de chansons complètes (multi-minutes)
Heart Mula Chansons avec paroles
Qwen3 TTS Synthèse vocale avec clonage de voix
Kugel Audio TTS avec dialogues entre deux voix clonées
Chatterbox TTS polyvalent

💡 Conseil de départ : commencez avec Wan 2.1 T2V 1.3B pour apprendre l'interface, puis passez à Hunyuan Video ou Wan 14B pour la qualité finale.

Profils mémoire

WanGP propose 5 profils qui contrôlent l'équilibre VRAM / RAM :

Profil Description Usage recommandé
1 Tout en VRAM, RAM réservée pour accélérer les transferts VRAM abondante (24+ Go)
2 VRAM + RAM partagées Usage général
3 (LowRAM_HighVRAM) Modèle entier en VRAM, peu de RAM 24 Go VRAM, peu de RAM
3+ Variante de 3 sans réservation RAM Beaucoup de VRAM, peu de RAM
3.5 Entre 3 et 5, sans RAM réservée VRAM suffisante pour tout le modèle
4 Déchargement agressif sur CPU RAM Faible VRAM (6–8 Go)
5 Maximum d'économie mémoire Cas extrêmes

Fonctionnalités avancées

LoRA

Les LoRA permettent de personnaliser le style ou le contenu des générations.

# Vérifier la compatibilité des LoRA
python wgp.py --check-loras --verbose 2
  • Placez vos fichiers LoRA dans le dossier loras/ (ou le dossier racine défini dans Config)
  • Chargez-les depuis l'onglet LoRA de l'interface
  • Vous pouvez spécifier un multiplicateur de force (ex. 0.8)
  • Pour LTX-2, les multiplicateurs peuvent varier selon le pass : "1;0.5"

LoRA accélérateurs notables :

LoRA Effet
CausVid Génération en 4–12 steps seulement (x2 à x3 plus rapide)
AccVideo Accélération x2 pour les modèles Wan

File d'attente (Queue)

  1. Configurez une génération dans l'interface
  2. Cliquez sur Add to Queue au lieu de Generate
  3. Répétez pour autant de vidéos que souhaité
  4. Cliquez sur Generate Queue pour lancer le tout
  5. Vous pouvez réordonner les éléments par glisser-déposer
  6. Sauvegardez la file avec Save Queue pour une utilisation ultérieure

Mode headless (batch)

Traitez des files d'attente sauvegardées sans ouvrir l'interface web :

# Traiter une file sauvegardée
python wgp.py --process ma_file.zip

Voir la documentation CLI pour toutes les options.

VACE ControlNet

VACE permet un contrôle avancé de la vidéo générée (pose, profondeur, flux optique) :

  • Transfert de pose : utilisez une vidéo de référence pour guider les mouvements
  • Contrôle de profondeur : contrôle la structure 3D de la scène
  • Inpainting / Outpainting : remplacement de zones masquées

Guides vidéo :

Self Refiner

Le Self Refiner (WanGP exclusif) améliore la qualité du mouvement en ré-échantillonnant certaines étapes de débruitage.

  • Activez-le dans l'onglet Quality
  • Définissez un Refiner Plan (ex. "2-5:3" = les étapes 2 à 5 sont affinées 3 fois)
  • Attention : la génération peut être jusqu'à 3× plus lente
  • Disponible sur Wan T2V/I2V, LTX-2 et modèles distillés

Génération audio / TTS

Les modèles TTS sont des modèles autoregressifs : utilisez impérativement les profils mémoire 1, 3 ou 3+ pour éviter des générations très lentes.

Ace Step 1.5 — Génération de chansons :

  1. Choisissez Ace Step 1.5 Turbo ou une variante LM
  2. Saisissez vos paroles dans le champ dédié
  3. Optionnel : utilisez le Prompt Enhancer pour générer des paroles automatiquement
  4. Ajustez BPM, tonalité, signature rythmique si nécessaire

Qwen3 TTS — Synthèse vocale :

  • Clonage de voix : fournissez un échantillon audio de référence
  • Voix personnalisée : décrivez la voix souhaitée via un prompt
  • Voix prédéfinie : choisissez parmi une liste de voix intégrées

Optimisations de performance

Attention et compilation

# Mode attention SDPA (baseline, compatible partout)
python wgp.py --attention sdpa --profile 4

# Mode SageAttention (plus rapide, RTX 20XX+)
python wgp.py --attention sage --profile 3

# Avec compilation PyTorch + TeaCache
python wgp.py --compile --teacache 2.0

Quantification

WanGP télécharge automatiquement le checkpoint adapté à votre GPU. Les formats disponibles :

Format Description
int8 Bon compromis qualité/vitesse, ~10% plus rapide avec Triton
fp8 Très bonne qualité, légèrement moins précis
GGUF Moins de RAM/SSD, vitesse identique
NV FP4 RTX 50XX uniquement, jusqu'à 30% plus rapide
Nunchaku INT4/FP4, très faible VRAM

Cache du Text Encoder

Si vous réutilisez un prompt déjà soumis récemment avec le même modèle, le résultat sera pris depuis le cache automatiquement (économie de temps et de VRAM).

Préchargement des modèles

# Désactiver le préchargement (économie de RAM)
python wgp.py --preload 0

Dépannage

GPU non détecté / erreur CUDA

# Vérifier la version CUDA
nvidia-smi

# Réinstaller PyTorch pour CUDA 12.6 (GTX 10XX – RTX 30XX)
pip install torch==2.6.0+cu126 torchvision==0.21.0+cu126 torchaudio==2.6.0+cu126 \
  --index-url https://download.pytorch.org/whl/cu126

# Pour CUDA 12.8 (RTX 40XX – 50XX)
pip install torch==2.7.1 torchvision torchaudio \
  --index-url https://download.pytorch.org/whl/test/cu128

Out Of Memory (OOM)

# Utiliser le modèle léger
python wgp.py --t2v-1-3B

# Activer la quantisation
python wgp.py --quantize-transformer True

# Profil mémoire minimal
python wgp.py --profile 4

# Désactiver le préchargement
python wgp.py --preload 0

Erreurs de compatibilité de paquets

# Vérifier la version Python
python --version  # Doit afficher 3.10.9 ou 3.11.x

# Recréer l'environnement si nécessaire
conda create -n wangp python=3.11.14
conda activate wangp
pip install -r requirements.txt

Problèmes de performance avec les modèles TTS

Les modèles autoregressifs (Ace Step LM, Kugel Audio) sont très lents avec les profils 2 et 4. Utilisez Profile 1 ou 3/3+ si votre VRAM le permet.

Ressources et communauté

Ressource Lien
🐙 GitHub deepbeepmeep/Wan2GP
💬 Discord discord.gg/g7efUW9jGV
🐦 Twitter/X @deepbeepmeep
📖 Guide installation docs/INSTALLATION.md
🔧 Dépannage docs/TROUBLESHOOTING.md
🎛️ CLI Reference docs/CLI.md
🎬 Tutoriel VACE YouTube

Projets connexes (DeepBeepMeep)

Guide basé sur WanGP v10.84+ — Mis à jour en avril 2026

Ce guide vient de Build With Nath

La communauté est gratuite. J’y publie ces guides au fil de l’eau et on y répond aux questions.

Rejoindre gratuitement →Voir l’original

Autres guides · Guides

Vous dirigez une entreprise et vous voulez savoir lequel de vos process mérite ce genre de traitement ? Le diagnostic vous le dit en trois minutes, ou on en parle trente minutes.