静止画で終わらせるのをやめた——ComfyUIで作った絵をComfyUIで動かした話

はじめに

以前、「SDXLのモデルをやめた——Stable Diffusion一筋だった俺がComfyUI×Animaに切り替えた話」という記事を書いた。

その記事がいつの間にか過去記事を全部追い抜いて、PV1位になっていた。数日で。

「Animaで何か次を書いてほしい」という雰囲気を勝手に感じたので、次のステップに進んだ。

静止画を動かす。

Animaで生成したキャラクター画像を、動画にする。それだけのことが、思った以上に大変だったし、思った以上に面白かった。

WAN 2.2とは何か

動画生成モデルの名前だ。

Alibaba系のWan-AIが開発した、テキストや画像から動画を生成できるモデル。2026年時点でオープンソース系の動画生成モデルとしては最有力候補の一つだ。

今回使ったのは WAN 2.2 TI2V 5B。「TI2V」はText+Image to Videoの略で、テキストプロンプトと入力画像の両方を使って動画を生成するタイプだ。

5Bは50億パラメータ。RTX 4070 Ti（VRAM 12GB）で動く、ギリギリのサイズ感。

ComfyUIはWAN 2.2をネイティブサポートしていた

最初、カスタムノードを探した。

ComfyUI Managerで「WanVideo」と検索すると大量に出てくる。ダウンロード数が多いもの、少ないもの、いろいろある。

ただ調べていくうちにわかった。ComfyUIはWAN 2.2をネイティブサポートしている。 カスタムノードを入れる必要がない。公式が対応済みで、ワークフローのサンプルも公開されている。

余計なものを入れないのが一番安定する。カスタムノードはやめて、ネイティブで行くことにした。

モデルのダウンロード：34GBの壁

ここが最初の関門だ。

WAN 2.2 TI2V 5Bを動かすには、3種類のファイルが必要になる。

• 拡散モデル本体（約10GB）

• テキストエンコーダ — umt5-xxl（fp8版で約6GB）

• VAE（約2GB）

ただし注意点がある。HuggingFaceの公式リポジトリ（Wan-AI/Wan2.2-TI2V-5B）に置いてあるのはシャード分割版で、ComfyUIのワークフローが期待するファイル名と一致しない。

正解は Comfy-Org/Wan_2.2_ComfyUI_Repackaged というリポジトリ。ComfyUI向けに再パッケージされた単一ファイル版がここにある。`wan2.2_ti2v_5B_fp16.safetensors` というファイル名で配布されている。

ファイルの置き場所

ComfyUIのmodelsフォルダの中に入れる。Animaモデルと同じUNETLoader方式なので、構成はAnima環境と同じ考え方だ。

• `wan2.2_ti2v_5B_fp16.safetensors` → `models/diffusion_models/`

• `umt5_xxl_fp8_e4m3fn_scaled.safetensors` → `models/text_encoders/`

• `wan2.2_vae.safetensors` → `models/vae/`

ワークフローを読み込む

ComfyUIの公式サンプルページからTI2V用のワークフローJSONを入手して、ComfyUIにドラッグ＆ドロップするだけで読み込める。

ワークフローの構成はシンプルだ。

• UNETLoader（モデル読み込み）

• CLIPLoader（テキストエンコーダ）

• VAELoader

• CLIPTextEncode × 2（ポジティブ・ネガティブ）

• LoadImage（入力画像）

• Wan22ImageToVideoLatent（画像→潜在空間変換）

• KSampler（生成）

• VAEDecode + SaveAnimatedWEBP（出力）