Video di influencer AI in locale: 15 clip con Kandinsky 6 e Wan 2.2

👁 112 letture

Creare un video influencer AI interamente sulla propria scheda video non richiede più servizi cloud chiusi: ho animato 5 personaggi fittizi usando modelli per video AI in locale sulla mia GeForce RTX 4090 da 24 GB. Nel mio test ho generato 15 clip verticali da 5 secondi ciascuna mettendo a confronto Kandinsky 6.0 Pro, Kandinsky 6.0 Lite e Wan 2.2 5B. I movimenti della fotocamera da smartphone e la coerenza del volto funzionano, mentre il parlato integrato nei modelli multimodali mostra ancora limiti evidenti.

Come ho impostato la generazione delle clip

Per dare vita a queste sequenze sono partito dai ritratti statici che avevo realizzato nell’esperimento per creare un’influencer AI in locale senza l’effetto pelle di plastica. Ho ripreso i selfie prodotti da FLUX.2 Klein 4B, modello sotto licenza Apache 2.0 che garantisce proporzioni naturali ed evita tratti artificiali. A ciascuno dei 5 soggetti ho assegnato una frase da 7-10 parole e una descrizione dell’ambiente circostante con i rumori di fondo.

1. Ho caricato il selfie come primo fotogramma (Image-to-Video).
2. I modelli Kandinsky hanno ricevuto il prompt visivo con la frase vocale racchiusa nei tag speciali <S>...<E> e una descrizione sonora separata per l’ambiente.
3. Wan 2.2 5B ha ricevuto la stessa identica descrizione visiva, tralasciando le indicazioni audio.
4. Ho impostato la risoluzione a 480×864 pixel per Kandinsky e 544×960 pixel per Wan, calcolando 121 fotogrammi a 24 fps (esattamente 5 secondi).
5. Per valutare la fedeltà del parlato, ho estratto la traccia vocale di ciascun filmato e l’ho analizzata con Whisper large-v3, calcolando la percentuale di parole trascritte correttamente rispetto al testo originale.

Il prompt descrittivo utilizzato in ComfyUI era strutturato in questo modo (esempio per la guida alpina):

A vertical smartphone selfie video of the woman from the reference image, same face and clothes, same place. She is strands of hair blowing across her face, grinning into the phone, looks into the phone camera and says in Polish: <S>Wieje jak diabli, ale Morskie Oko czeka. Idziemy!<E> Natural handheld phone movement, realistic, no filters.

Sound: strong mountain wind, her energetic voice

Risultati del test audio: intelligibilità della voce

Mentre Wan genera filmati privi di audio (in maniera simile ad altri progetti aperti descritti nell’analisi di LTX-Video), la famiglia Kandinsky sintetizza video e traccia audio simultaneamente. Nei miei test le battute pronunciate facevano parte di un test linguistico in polacco. Ho misurato la quota di parole effettivamente comprensibili tramite Whisper large-v3.

Nel test condotto sulla lingua polacca, Kandinsky 6.0 Pro ha registrato una media del 65% di vocaboli comprensibili, mentre Kandinsky 6.0 Lite si è fermato al 57%. I risultati variano vistosamente: nella clip della guida alpina la variante Lite ha raggiunto l’88% contro il 38% della Pro, ma sui termini culinari o le parole più complesse la Lite è scesa fino al 30%. Se punti a produrre brevi storie verticali con sottotitoli a schermo, il parlato sintetizzato internamente da Pro può bastare per clip veloci. Se invece cerchi precisione assoluta, conviene generare la voce a parte tramite una pipeline vocale e montarla successivamente.

Confronto tra i modelli per influencer AI video

Tutti i calcoli sono stati eseguiti sul mio PC con scheda NVIDIA GeForce RTX 4090 da 24 GB, processore Intel Core i9-14900KF e 64 GB di RAM su Windows 11. I requisiti variano notevolmente tra i modelli distillati e le versioni quantizzate a 8 bit.

* Nota sulle misurazioni: una clip su Pro ha impiegato 40 minuti a causa di un processo concorrente sulla GPU. I tempi indicati in tabella riflettono generazioni con scheda parzialmente impegnata; su GPU completamente scarica Kandinsky Lite richiede circa 2 minuti e Pro circa 6,5 minuti.

Cosa ha funzionato e cosa da rifare

L’approccio basato su video AI in locale risolve finalmente uno dei problemi storici della generazione video: la perdita di coerenza del soggetto.

• Identità del viso preservata: tutti e tre i motori grafici hanno mantenuto lentiggini, occhiali, taglio di capelli e abiti del ritratto originale. Solo in una clip di Wan 2.2 il volto della runner appariva visibilmente più giovane verso gli ultimi frame.
• Effetto smartphone autentico: i movimenti non sembrano rendering tridimensionali rigidi. Ci sono micro-oscillazioni della mano, ciocche di capelli spostate dal vento e reazioni verosimili alla luce del sole.
• Gesti talvolta bizzarri: nel video di Wan la food blogger solleva il cucchiaio fin quasi a toccarsi la punta del naso, mentre la recensore tecnologica davanti allo specchio rimane eccessivamente statica.
• Incoerenze fonetiche: nella versione Lite una parola legata alla cucina è stata deformata in un termine incomprensibile. È indispensabile ascoltare ogni singola clip prima dell’eventuale pubblicazione.

Istruzioni per replicare il flusso in ComfyUI

Se vuoi riprodurre questo test sul tuo computer, puoi impostare l’ambiente locale seguendo questi passaggi pratici:

1. Genera il ritratto di partenza in alta risoluzione con un modello realistico evitando filtri leviganti.
2. Apri ComfyUI, carica i pesi di Kandinsky 6 e usa il workflow predefinito «Image to Video+Audio».
3. Inserisci il ritratto nel nodo «Load Image», imposta la dimensione a 480×864 pixel e nel nodo «Beautify Prompt» imposta il valore enabled su false.
4. Scrivi il prompt includendo la battuta vocale tra i marcatori <S>...<E>. Mantieni il testo breve, tra 6 e 10 parole, senza espressioni gergali complesse.
5. Genera 2 o 3 varianti della stessa clip per scartare quelle con difetti di pronuncia evidenti.
6. Se invece intendi montare una clip su base musicale senza parlato, carica il workflow «Wan 2.2 5B ti2v» alla risoluzione di 544×960 pixel.

Ricorda di contrassegnare chiaramente i contenuti come generati da intelligenza artificiale se intendi pubblicarli online, nel pieno rispetto delle linee guida sulle comunicazioni digitali.

Domande frequenti

Fonti

• Kandinsky 6.0 Lite su Hugging Face (licenza MIT)
• Wan 2.2 TI2V 5B su Hugging Face (licenza Apache 2.0)
• Miei test empirici su workstation RTX 4090, 17 ottobre 2026: 15 clip generate, analisi vocale Whisper large-v3.

Verificato il 17 ottobre 2026.

// continua a leggereKandinsky 6.0 Video: test su RTX 4090, Lite e ProBenchmarkInfluencer AI che parla: Kandinsky 6 e Wan 2.2BenchmarkWan 2.2 in locale: test su RTX 4090, tempi, VRAM e videoMagazine