「Wan2.1」ローカル環境の使い方！ ComfyUIで動画生成に挑戦！

2025年3月10日

Wan2.1は、アリババが2025年3月に公開したオープンソースの動画生成AIです。

Wan2.1を使えば、テキストプロンプトや画像を入力するだけで、高品質な動画を簡単に作成できます。

この記事では、初心者にも分かりやすく、Wan2.1の概要とComfyUIを活用したローカル環境での導入・使い方を解説します。

リリース記念、2,000Ptプレゼント！

Wan2.1とは？

Wan2.1は、アリババが開発した最先端の動画生成AIです。テキストや画像を入力するだけで、高品質な動画を簡単に生成できます。

Wan2.1の強みは、水の跳ね返りや空間関係、物理法則を忠実に再現できる点にあります。

Wan2.1の主な特徴は下記の3つです。

Wan2.1の特徴

テキストや画像、動画から動画生成ができるマルチモーダル対応
低スペックPCでも、高品質な動画を高速生成
オープンソースモデルで、無料で利用可能

テキストや画像、動画から動画生成ができるマルチモーダル対応

データキュレーションでは、基本的な項目、視覚的品質、動きの品質に焦点を当てた4段階のデータクリーニングプロセスを設計しています。

膨大な画像・動画データから構成される候補データセットを精査し、重複を排除しています。

この堅牢なデータ処理パイプラインにより、高品質かつ多様で大規模な画像および動画のトレーニングデータセットを容易に得られるようになりました。

低スペックPCでも、品質が高い動画が高速で作れる

Wan2.1は、他の動画生成AIモデルと比較しても高い性能を誇ります。

テストでは、人間の好みを反映した基準値を用いた総合スコアで他サービスを大きく上回る評価を獲得しました。

また、一般向けのゲーミングGPUでも動作可能で、例えばRTX 4090では480pの5秒動画を約4分で生成できます。

オープンソースモデルで、無料で利用することができる

Wan2.1は、Apache 2.0ライセンスのもとで公開されており、無料で利用可能です。

Wan2.1はローカル環境、クラウド環境、ComfyUIで動作可能で、多様な利用シナリオに対応していて、カスタマイズや独自用途への適用が容易です。

オープンソース化により、学術研究者や企業が初期費用を抑えつつ、高品質な動画生成技術をプロジェクトに統合できます。

Wan2.1 ComfyUIでの始め方・使い方

ここでは、「ComfyUI」を使ったローカル環境での「Wan2.1」の始め方から使い方まで紹介します。

STEP

Wan2.1のプロジェクトをインストール

Wan2.1は、多くのGPUパワーが必要になりますので、余裕をもって準備をしておきましょう。

最初にWan2.1専用の環境を設定します。

同じPC内で異なるプログラムのバージョンを利用するには、ソフト専用の環境を作ります。そうすることでパッケージの競合を防ぐことができます。

ここでは、conda環境を利用して整えます。

下記のコマンドを入力して環境を新規で構築します。

conda create -n Wan python=3.10
conda activate Wan
pip install torch==2.5.1+cu118 torchvision --extra-index-url https://download.pytorch.org/whl/cu118

環境の設定が完了したらデータのインストールに進みます。

「ComfyUI」>「custom_nodes」を開き、下記のコマンドを入力してComfyUI用のWan2.1プロジェクトをインストールします。

cd ComfyUI/custom_nodes
git clone https://github.com/kijai/ComfyUI-WanVideoWrapper.git

「ComfyUI-WanVideoWrapper」を開き、依存関係を取り除く追加データを入手します。

cd ComfyUI/custom_nodes/ComfyUI-WanVideoWrapper
pip install -r requirements.txt

STEP

学習データを入手する

次に、動画を生成するためのモデルデータを入手します。

動画生成に必要なモデルデータは下記の3つです。

動画のモデルデータ
VAE
CLIP

動画のモデルデータ

動画のモデルデータをHugging Faceからダウンロードします。

Wan2_1-T2V-1_3B_fp8_e4m3fn.safetensors（1.47 GB）

最初は軽量版の「Wan2_1-T2V-1_3B_fp8_e4m3fn.safetensors」を使用します。

「ComfyUI」>「models」>「diffusion_models」を開き、下記のコマンドを入力して動画のモデルデータをダウンロードして配置します。

cd ComfyUI/models/diffusion_models
wget https://huggingface.co/Kijai/WanVideo_comfy/blob/main/Wan2_1-T2V-1_3B_fp8_e4m3fn.safetensors

VAE

次にVAEのモデルデータをHugging Faceからダウンロードします。

wan_2.1_vae.safetensors（254 MB）

「ComfyUI」>「models」>「vae」を開き、下記のコマンドを入力してVAEのモデルデータをダウンロードして配置します。

cd ComfyUI/models/vae
wget https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/blob/main/split_files/vae/wan_2.1_vae.safetensors

CLIP

最後にCLIPデータをHugging Faceからダウンロードします。

umt5_xxl_fp8_e4m3fn_scaled.safetensors（6.74GB）

「ComfyUI」>「models」>「text_encoders」を開き、下記のコマンドを入力してCLIPデータフォルダをダウンロードして配置します。

cd ComfyUI/models/clip
wget https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/blob/main/split_files/text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors

STEP

「ComfyUI」を起動してワークフローを開く

今回は公式で配布されているテキストから動画を生成できるワークフローを使用します。

ワークフローデータは、公式に公開されているサンプルファイルをダウンロードして使用します。

導入前に「ComfyUI」を起動して最新版に更新しておきましょう。

ダウンロードしたワークフローデータ（text_to_video_wan.json）をComfyUIの画面にドラッグ＆ドロップで読み込みます。

ノードが正常に反映されているか確認します。

STEP

パラメータを設定して生成開始！

ComfyUIの生成開始画面で、各種パラメータを変更していきます。

unet_name

・unet_nameにWan2_1-T2V-1_3B_fp8_e4m3fn.safetensors

を選択します。

clip名
・umt5_xxl_fp8_e4m3fn_scaled.safetensors

に設定します。

vae_name

・wan_2.1_vae.safetensors

を選択します。

その他のパラメータはデフォルトのままで問題ありません。

画面上部の▷Queueボタンの右側に数字を入力する欄あるので生成したい動画の本数を指定します。

その後「Queue」ボタンをクリックして生成を開始します。

使用したプロンプト

very awa, masterpiece, best quality, newest, highres, absurdres,1girl, popart, best quality, ultra detailed picture, dynamic posing, nvinkpunk, Gorgeous splash of vibrant paint, popart, smile, Super detailed eyes, Highly detailed face, Highly detailed eyes, Cowboy Shot, (Ultra-high resolution, Super detailed), (((stylish fashion))), 8K Quality,avant-garde pop art, Beautiful and expressive paintings, Beautiful artwork illustration,wonderful, Cool beauty, fringe, (lady:1.1), (reflection:1), (silhouette:1), A cheerful high school girl manager cheering for her team, wearing a crisp white sailor uniform with red ribbons,vibrant sunset lighting, dynamic pose with confetti in the air, school track field background with teammates practicing, anime-style illustration, soft shading, warm color palette, energetic atmosphere, detailed facial expression (sparkling eyes, bright smile),energetic pose, afternoon sunlight through windows, detailed, vibrant colors, dynamic composition, BREAK tracking camera,(impressionistic style, loose brushwork:1.3), dappled light, vivid colors, evocative atmosphere, (expressive movement, painterly textures:1.3)

Wan2.1（ComfyUI）で生成した動画