El Secreto para Usar el Modelo Wan de Video como Generador de Imágenes

Esta entrada explora si los modelos de video como Wan pueden usarse para generar imágenes estáticas y cómo configurar el flujo de trabajo en ComfyUI.

¿Puede Wan generar imágenes?

Sí, los modelos WAN pueden generar imágenes. Esto es posible porque el modelo no deja de ser una red de difusión latente; un video se compone simplemente de una secuencia de frames.

Aunque funciona para generar una imagen o varios frames idénticos sin movimiento, hay que tener en cuenta ciertos matices: WAN no está optimizado específicamente para imágenes fijas. La calidad del resultado suele ser ligeramente inferior a la de modelos dedicados exclusivamente a imágenes como SDXL o Flux.

El control con VACE y Conditioning

Aquí es donde muchos usuarios se confunden: ¿se puede usar ControlNet en Wan? La respuesta honesta es que no directamente. WAN no utiliza el ControlNet clásico de Stable Diffusion, por lo que intentar enchufar nodos estándar suele ser inestable o romper la consistencia.

En su lugar, el control se gestiona mediante mecanismos nativos como VACE, condition encoders y reference embeddings. Es importante entender que VACE actúa como un equivalente funcional a ControlNet, pero está diseñado específicamente para la consistencia temporal y la manipulación de sujetos o poses.

Flujo de trabajo en ComfyUI

Para implementar esto correctamente, el flujo típico implica tratar la generación de una imagen como un video de 1 frame. El proceso requiere conectar un nodo WAN Loader configurado para un solo frame, seguido por un nodo VACE o Conditioning que reciba la imagen de referencia y las máscaras necesarias.

El prompt textual se inyecta junto con el conditioning, y finalmente el Sampler WAN procesa la imagen. Un detalle técnico clave es ajustar los parámetros de muestreo: se recomiendan más pasos (alrededor de 30 a 40) que en generación pura de imágenes, ya que el modelo tiende a saturarse si no se le da suficiente iteración.