[動画生成 AI] Wan2.2 をローカルで動かして動画を生成してみる。(Stability Matrix + ComfyUI で実行 /2025年9月)

本サイトで紹介している商品・サービス等の外部リンクには、アフィリエイト広告が含まれる場合があります。

SHARE

概要

Wan2.2 は、Alibaba などが関与するWAN‐AIチームによって開発された、動画生成用のマルチモーダルAIモデルです。

ローカル PC 上で Wan2.2 の実行環境を用意して試してみましたので記載しておきます。
生成される動画の質もよく、ミドルレンジのグラフィックカード NVIDIA GeForce RTX 5060Ti 16GB でもそこまで時間がかからず生成できました。

ここでは、以下の方法を記載しています。

  • Text to Video (テキスト → 動画)
  • Image to Video (画像 → 動画) : 開始画像のみ指定
  • Image to Video (画像 → 動画) : 開始画像と、終了画像を指定



Wan2.2 とは

Wan2.2（WAN 2.2） は、Alibaba などが関与する WAN-Video チーム が開発した 動画生成AIモデル です。
本稿更新時点で、以下に対応したマルチモーダルAIです。

  • Text to Video (テキスト → 動画, t2v)
  • Image to Video (画像 → 動画, i2v)
  • Text to Image (テキスト → 画像, t2i)
  • Speech to Video (音声+画像 → 動画)

ComfyUI との統合も進められているので利用しやすいです。

公式サイト

https://wan.video
https://github.com/Wan-Video/Wan2.2

Hugging Face (モデルのダウンロードサイト)
https://huggingface.co/Wan-AI/Wan2.2-TI2V-5B
https://huggingface.co/Wan-AI/Wan2.2-I2V-A14B
https://huggingface.co/Wan-AI/Wan2.2-T2V-A14B


ライセンス

オープンソースとして公開されており Apache 2.0 ライセンスです。商用利用も可能です。

参考
https://github.com/Wan-Video/Wan2.2/blob/main/LICENSE.txt

配布されているモデル

Wan2.2 のオリジナルの Diffution モデルは以下です。

モデル名パラメータ規模入力形式特徴
TI2V-5B約 5Bテキスト / 画像 → 動画軽量な統合モデル。テキストと画像の両方に対応し、720p・24fps 動画を生成可能。
T2V-A14B約 14Bテキスト → 動画高品質な Text-to-Video モデル。
I2V-A14B約 14B画像 → 動画Image-to-Video 専用モデル。

ComfyOrgチーム による再パッケージ版のモデルは以下で配布されています。
https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged

ローカル実行環境の用意

参考情報

ComfyUI の情報を参考にしています。

https://comfyui-wiki.com/ja/tutorial/advanced/video/wan2.2/wan2-2
https://comfyanonymous.github.io/ComfyUI_examples/wan22/

今回は ComfyOrg チームによる再パッケージ版のモデルを利用します。

PC 環境

NVIDIA GeForce RTX 5060Ti 16GBを入れて自作した PC で行います。

参考
RTX 5060Ti 16GB でナイスミドルな自作PC
アプリを作りたい

Stability Matrix + ComfyUI の実行環境の用意

ComfyUI は、以前 Stability Matrix で用意したものを使います。準備方法はこの過去記事をご参照ください。

参考
Stable Diffusion の実行環境を用意する (GUI / Stability Matrix, 2024年12月)
アプリを作りたい


必要なファイルのダウンロード

今回は、Stability Matrix のフォルダに配置するため手動で全部用意します。

(1) テキストエンコーダ、VAE、Diffusion モデル、Lora

ComfyUI による再パッケージ版を以下からダウンロードします。

テキストエンコーダ
https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/text_encoders
umt5_xxl_fp16.safetensors
umt5_xxl_fp8_e4m3fn_scaled.safetensors
　→ それぞれのダウンロードボタンからダウンロード

Wan_2.2_ComfyUI_Repackaged テキストエンコーダ

VAE
https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/vae
wan2.2_vae.safetensors
wan_2.1_vae.safetensors
　→ それぞれのダウンロードボタンからダウンロード

Wan_2.2_ComfyUI_Repackaged VAE

Diffusion モデル

https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/diffusion_models
wan2.2_i2v_high_noise_14B_fp16.safetensors
wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
wan2.2_i2v_low_noise_14B_fp16.safetensors
wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
wan2.2_t2v_high_noise_14B_fp16.safetensors
wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors
wan2.2_t2v_low_noise_14B_fp16.safetensors
wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors
wan2.2_ti2v_5B_fp16.safetensors
　→ それぞれのダウンロードボタンからダウンロード (スクロールダウンすると見つかります。)

Wan_2.2_ComfyUI_Repackaged Diffusion モデル (1/2)
Wan_2.2_ComfyUI_Repackaged Diffusion モデル (2/2)

LoRA
14B T2V と 14B I2V では、LoRA も利用されているのでダウンロードしておきます。
https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/loras
wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors
wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors
wan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensors
wan2.2_t2v_lightx2v_4steps_lora_v1.1_low_noise.safetensors
　→ それぞれのダウンロードボタンからダウンロード

Wan_2.2_ComfyUI_Repackaged Lora

(2) ワークフローとサンプル画像ファイル

以下のページからそれぞれのワークフローと画像ファイルをダウンロードします。
https://comfyui-wiki.com/ja/tutorial/advanced/video/wan2.2/wan2-2

4 パターン実行するので、それぞれ用意します。

2-1) Wan2.2 TI2V 5B ハイブリッド版用 ワークフロー

video_wan2_2_5B_ti2v.json

Wan2.2 TI2V 5B ハイブリッド版用 ワークフロー

2-2) Wan2.2 14B T2V 用 ワークフロー

video_wan2_2_14B_t2v.json

Wan2.2 14B T2V 用 ワークフロー

2-3) Wan2.2 14B I2V 用 ワークフロー

video_wan2_2_14B_i2v.json

Wan2.2 14B I2V 用 ワークフロー

画像もダウンロードします。
input.jpg

Wan2.2 14B I2V 用 サンプル画像のダウンロード

2-4) Wan2.2 14B FLF2V 用 ワークフロー

video_wan2_2_14B_flf2v.json

Wan2.2 14B FLF2V 用 ワークフロー

wan22_14B_flf2v_start_image.png

Wan2.2 14B FLF2V 用 サンプル画像をダウンロード

wan22_14B_flf2v_end_image.png

Wan2.2 14B FLF2V 用 サンプル画像をダウンロード 2つ目

ファイルの配置

StabilityMatrix だと ComfyUI 個別の models に配置しなくてよいです。
ダウンロードしたテキストエンコーダ、VAE、Diffusion モデル、Lora のファイルは以下に配置します。

(1) テキストエンコーダ
StabilityMatrxiのインストールフォルダ\Data\Models\TextEncoders

(2) VAE
StabilityMatrxiのインストールフォルダ\Data\Models\TextEncoders\Data\Models\VAE

(3) Diffution モデル
StabilityMatrxiのインストールフォルダ\Data\Models\TextEncoders\Data\Models\DiffusionModels

(4) LoRA
StabilityMatrxiのインストールフォルダ\Data\Models\TextEncoders\Data\Models\Lora

C:\StablilityMatrix にインストールしている場合は以下のような形です。

C:\StabilityMatrix\Data\Models
├─DiffusionModels
│      wan2.2_i2v_high_noise_14B_fp16.safetensors
│      wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
│      wan2.2_i2v_low_noise_14B_fp16.safetensors
│      wan2.2_i2v_low_noise_14B_fp8_scaled.safetensors
│      wan2.2_t2v_high_noise_14B_fp16.safetensors
│      wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors
│      wan2.2_t2v_low_noise_14B_fp16.safetensors
│      wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors
│      wan2.2_ti2v_5B_fp16.safetensors
│
├─Lora
│      wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors
│      wan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors
│      wan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensors
│      wan2.2_t2v_lightx2v_4steps_lora_v1.1_low_noise.safetensors
│
└─VAE
        wan2.2_vae.safetensors
        wan_2.1_vae.safetensors

ワークフローや画像ファイルは実行時に指定するので、どこに置いてあっても大丈夫です。

実行

準備

(1) Stability Matrix を起動し、Stability Matrix や ComfyUI を更新します。
古いバージョンだとうまく動かない可能性があるので更新しておきます。

  • Stability Matrix – Settings – アップデート
  • Stability Matrix – パッケージ – ComfyUI の更新


以下では、
Stability Matrix 2.15.0
ComfyUI v0.3.59
で試しています。

(2) Stability Matrix 経由で ComfyUI を起動し、ブラウザで ComfyUI の WebUI (http://127.0.0.1:8188) を開いておきます。

 Wan2.2 TI2V 5B ハイブリッド版 Text to Video (テキストから動画の生成)

まずは、軽量な統合モデルによる T2V です。

サンプルと同じものは video_wan2_2_5B_ti2v.json をドラッグアンドドロップするだけで生成できます。

  1. ワークフローファイル video_wan2_2_5B_ti2v.json を ComfyUI の WebUI にドラッグアンドドロップします。
  2. Load Diffusion Modelノードがwan2.2_ti2v_5B_fp16.safetensorsモデルをロードしていることを確認します。
  3. Load CLIPノードがumt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルをロードしていることを確認します。
  4. Load VAEノードがwan2.2_vae.safetensorsモデルをロードしていることを確認します。
  5. 実行をクリックします。
video_wan2_2_5B_ti2v.json ワークフロー
video_wan2_2_5B_ti2v.json 動画生成後

私の NVIDIA GeForce RTX 5060Ti 16GB の環境で 11分くらいかかりました。

 Wan2.2 14B T2V Text to Video

次に、高品質な Text-to-Video モデルを使って動画を生成してみます。

これもサンプルと同じものは video_wan2_2_14B_t2v.json をドラッグアンドドロップするだけで生成できます。
ワークフローには、LoRA を利用しないフローもありますが、今回は LoRA を使用している部分(上半分だけ) を利用する形です。

  1. ワークフローファイル video_wan2_2_14B_t2v.json を ComfyUI の WebUI にドラッグアンドドロップします。
  2. 最初のLoad Diffusion Modelノードがwan2.2_t2v_high_noise_14B_fp8_scaled.safetensorsモデルをロードしていることを確認します。
  3. 2番目のLoad Diffusion Modelノードがwan2.2_t2v_low_noise_14B_fp8_scaled.safetensorsモデルをロードしていることを確認します。
  4. Load CLIPノードがumt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルをロードしていることを確認します。
  5. Load VAEノードがwan_2.1_vae.safetensorsモデルをロードしていることを確認します。
  6. 1番目の Lora Loader Model Onlyノードがwan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensors モデルをロードしていることを確認します。
  7. 2番目の Lora Loader Model Onlyノードがwan2.2_t2v_lightx2v_4steps_lora_v1.1_low_noise.safetensors モデルをロードしていることを確認します。
  8. 実行をクリックします。
video_wan2_2_14B_t2v.json ワークフロー全体
video_wan2_2_14B_t2v.json ワークフロー上半分
video_wan2_2_14B_t2v.json 動画生成後

私の NVIDIA GeForce RTX 5060Ti 16GB の環境で 4分くらいかかりました。

 Wan2.2 14B I2V Image to Video

次に、高品質な Image-to-Video モデル で、画像をもとに動画を生成してみます。

サンプルのワークロードファイルをドラッグアンドドロップした後、ダウンロードしておいた入力用の画像も指定する形です。
これも ワークフローには、LoRA を利用しないフローもありますが、今回は LoRA を使用している部分(上半分だけ) を利用する形です。

  1. video_wan2_2_14B_i2v.json を ComfyUI の WebUI にドラッグアンドドロップします。
  2. 最初のLoad Diffusion Modelノードがwan2.2_i2v_high_noise_14B_fp8_scaled.safetensorsモデルをロードしていることを確認します。
  3. 2番目のLoad Diffusion Modelノードがwan2.2_i2v_low_noise_14B_fp8_scaled.safetensorsモデルをロードしていることを確認します。
  4. Load CLIPノードがumt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルをロードしていることを確認します。
  5. Load VAEノードがwan_2.1_vae.safetensorsモデルをロードしていることを確認します。
  6. 1番目の Lora Loader Model Onlyノードがwan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors モデルをロードしていることを確認します。
  7. 1番目の Lora Loader Model Onlyノードがwan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors モデルをロードしていることを確認します。
  8. Load Imageノードに、ダウンロードしていた画像 input.jpgをドラッグアンドドロップします
  9. 実行をクリックします。
video_wan2_2_14B_i2v.json ワークフロー全体
video_wan2_2_14B_i2v.json ワークフロー上半分
video_wan2_2_14B_i2v.json 入力画像指定
video_wan2_2_14B_i2v.json 動画生成後

私の NVIDIA GeForce RTX 5060Ti 16GB の環境で 4分くらいかかりました。

Wan2.2 14B FLF2V First Last Frame to Video

最後に、開始画像と終了画像を指定して、間をつなぐ動画の生成です。

サンプルのワークロードファイルをドラッグアンドドロップした後、ダウンロードしておいた開始画像と終了画像を指定します。
これも LoRA を使用している部分(上半分だけ) を利用する形しています。

  1. 最初のLoad Imageノードに、開始画像 wan22_14B_flf2v_start_image.png をドラッグアンドドロップします。
  2. 2番目のLoad Imageノードに、開始画像 wan22_14B_flf2v_end_image.png をドラッグアンドドロップします。
  3. 最初のLoad Diffusion Modelノードがwan2.2_i2v_high_noise_14B_fp8_scaled.safetensorsモデルをロードしていることを確認します。
  4. 2番目のLoad Diffusion Modelノードがwan2.2_i2v_low_noise_14B_fp8_scaled.safetensorsモデルをロードしていることを確認します。
  5. Load CLIPノードがumt5_xxl_fp8_e4m3fn_scaled.safetensorsモデルをロードしていることを確認します。
  6. Load VAEノードがwan_2.1_vae.safetensorsモデルをロードしていることを確認します。
  7. 1番目の Lora Loader Model Onlyノードがwan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors モデルをロードしていることを確認します。
  8. 1番目の Lora Loader Model Onlyノードがwan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensors モデルをロードしていることを確認します。
  9. 実行をクリックします。
video_wan2_2_14B_flf2v.json 全体
video_wan2_2_14B_flf2v.json 上半分
video_wan2_2_14B_flf2v.json 開始画像と終了画像を指定
video_wan2_2_14B_flf2v.json 動画生成後

私の NVIDIA GeForce RTX 5060Ti 16GB の環境で 3分半くらいかかりました。

まとめ、おまけ

プロンプトやサイズ、利用する画像を変更することでいろいろできそうです。
生成される動画の質もよく、ミドルレンジのグラフィックカード NVIDIA GeForce RTX 5060Ti 16GB でもそこまで時間がかからず生成できました。

FLF2V で、複数動画を作成して、動画編集ソフトでつなげると以下のような感じになりました。
プロンプトを変更してなかったので、変な遷移もありますがこれはこれで面白いです。
少し前に流行った 人魚エフェクト・人魚への変身動画も、プロンプトを工夫すれば手元で作れるかもしれません。

FLF2V で生成した2つの動画をつなげたもの

参考となれば幸いです。

参考
RTX 5060Ti 16GB でナイスミドルな自作PC
アプリを作りたい