. [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)
[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)
[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)

[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)

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.videohttps://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-5Bhttps://huggingface.co/Wan-AI/Wan2.2-I2V-A14Bhttps://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/wan2-2https://comfyanonymous.github.io/ComfyUI_examples/wan22/

今回は Comfy Org 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アプつ 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)アプつ

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_encodersumt5_xxl_fp16.safetensorsumt5_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

VAEhttps://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/vaewan2.2_vae.safetensorswan_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

Diffusion モデルhttps://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/diffusion_modelswan2.2_i2v_high_noise_14B_fp16.safetensorswan2.2_i2v_high_noise_14B_fp8_scaled.safetensorswan2.2_i2v_low_noise_14B_fp16.safetensorswan2.2_i2v_low_noise_14B_fp8_scaled.safetensorswan2.2_t2v_high_noise_14B_fp16.safetensorswan2.2_t2v_high_noise_14B_fp8_scaled.safetensorswan2.2_t2v_low_noise_14B_fp16.safetensorswan2.2_t2v_low_noise_14B_fp8_scaled.safetensorswan2.2_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。)

LoRA14B 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/loraswan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensorswan2.2_i2v_lightx2v_4steps_lora_v1_low_noise.safetensorswan2.2_t2v_lightx2v_4steps_lora_v1.1_high_noise.safetensorswan2.2_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

(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

2-2) Wan2.2 14B T2V 用 ワークフロー

video_wan2_2_14B_t2v.json

2-3) Wan2.2 14B I2V 用 ワークフロー

video_wan2_2_14B_i2v.json

画像もダウンロードします。input.jpg

2-4) Wan2.2 14B FLF2V 用 ワークフロー

video_wan2_2_14B_flf2v.json

wan22_14B_flf2v_start_image.png

wan22_14B_flf2v_end_image.png

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StabilityMatrix のインストールフォルダ\Data\Models\TextEncoders

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

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

(4) LoRAStabilityMatrix 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 │ ├─TextEncoders │ umt5_xxl_fp16.safetensors │ umt5_xxl_fp8_e4m3fn_scaled.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 2.15.0ComfyUI 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。

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。

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。

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。

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。

リンク 参考RTX 5060Ti 16GB でナイスミドルな自作PCアプつ
📎📎📎📎📎📎📎📎📎📎