これが次世代動画生成AIだ！Wan2.2 プロ志向モデルの実力とコミュニティ連携による開発戦略に見る次世代AIへの取り組み｜建築ビジュアルCG × AI活用法㊴

こんにちは、STUDIO55技術統括の入江です。
2025年7月28日──アリババの「Wan AI チーム」が開発したオープンソースのビデオ生成モデル「Wan2.2」がリリースされ、SNSや AIコミュニティは瞬く間に “Wan一色” の熱狂に包まれました。

Wan2.2 は、これまでにない プロ志向の強いハイエンドモデル として登場し、リリース直後からコミュニティ有志による情報や工夫が次々と共有されています。

そのスピード感に、「ついていけない」「整理が追いつかない」と感じている方も多いかもしれません。

本記事では、そうした方へ向けても理解しておきたいポイントを一通りまとめましたので、参考にしていただければ幸いです。

この夏、注目のAIモデル（Flux.1 Kontext、Krea 1、Veo 3、Qwen-Image、Runway Act-Two（ACT 2）など）に共通して見られる "プロ志向" は、これからの AI の実用化に欠かせない フェーズに入ったことを強く感じさせます。

今回は、その代表例として驚異的な進化を遂げた「Wan2.2」を詳しく取り上げ、具体的にどのように “プロ志向” が表れているのかを見ていきます。

📍Wan2.2がなぜこれほど話題になったのか

これまでの Wan2.1モデルについて詳しい方もいれば、動画生成AI の最新事情にはあまり触れてこなかった方もいるでしょう。そういう場合、「なぜこんなに Wan2.2 が話題になっているのか」「なにがスゴイのか」が ピンとこないかもしれません。

簡単に注目すべき点を挙げると、以下の3点です。

1. 映像品質の飛躍

2. コントロール性の高さ

3. 開放的なエコシステム戦略

つまり、「Wan2.2」は、この 3つの要素を同時に満たした、数少ないビデオ生成モデルということです。

1. 映像品質の飛躍

1つ目の注目ポイントとして、「映像品質の飛躍」が挙げられます。
これは、誰もが一目で見て理解できるものです。

下の動画は、Wan2.2 14B T2V で生成した動画です。

ご覧いただいてわかるように、動きは驚くほど滑らかで自然です。細部のディテールまで緻密に描写されており、まるで実写と見まがうレベルの完成度に思わず息をのみます。

ここまでリアルな動画を生成できるとなると、本格的な映像制作への活用がますます期待される一方で、同時にフェイク動画への悪用といった懸念も新たに生じます。
特に男性諸氏は、美しい女性キャラクターにだまされないようご注意ください（笑）。

2. コントロール性の高さ

2つ目のポイントとして、「Wan2.2」は、このような美しい映像を生み出すだけのモデルではないという点です。
プロンプトや参照フレームの指示を高精度に反映し、構図・被写体・動きのニュアンスまで忠実に再現します。さらに、カメラワークや細かな動きの指定にも柔軟かつ正確に対応できるのが大きな特徴となります。

✍️プロンプト例.

では、どのぐらいプロンプトに忠実であるか、その精度から確認します。

"リアルのその上をいくリアル" な画像生成AI「Flux.1 Krea」で生成した画像を出発点に、Wan2.2 14B I2V（Image to Video）で変換テストを試みます。

Flux.1 Krea + Wan2.2 の最強コンビで、リアルな静止画がどのようにリアルに動き出すのか、注目です。

「Flux.1 Krea」の記事をまだ ご覧でない場合は、こちらにリンクしておきますので、参考にしてください。

これを、"肩からジャケットをかけている" と明記せず、"腰に手をあてるポーズ" とだけプロンプトすると、次のようになります。

"両腕を上げて頭の後ろに手を当てて腕を曲げるポーズ" で指示を出した例。

"足を前に出してモデルのポーズをとる" といった指示を出した例。

最後の例ように、すべてを細かく指示するのではなく、"モデルのポーズ" とだけ指示した場合には、その意図を解釈して生成されています。

これは、「Wan2.2」における優れた「Aesthetic control（審美的なコントロール）」によるものです。

「審美的なコントロール」は、単に映像を生成するだけでなく、"映像の見た目や雰囲気を意図的にデザインできる能力" を指しています。

Wan2.1 では必須だった「審美タグ」が、Wan2.2 では事前に入れなくても高い完成度を実現できる──これは、プロンプト設計の自由度を飛躍的に高める進化です。
今のテスト例でも、テキスト指示と画像参照の両方から “美的方向性” を定義し、それを "破綻なく融合" しているのが分かります。

🎥カメラワーク例.

次に、カメラアングルや動きを操るテストです。

こちらも「Flux.1 Krea」生成の画像ベースに、画像から動画への変換（I2V）を行います。

女性の顔にゆっくりズームするカメラアニメーションを作成します。

プロンプトでカメラの動きは指示されていますが、反映されていません。
わたしが行った ComfyUI でのプロンプトテストでは、このように “普通のテキスト文” では カメラ制御は再現できません でした。

いくつか検証した結果、単に動作手順を文章で書くだけではなく、生成モデルに正しく解釈させるための プロンプト構造 が重要であることが分かりました。

カメラワーク反映のポイントを以下にまとめます。

💡カメラコントロールのポイント

• "CAMERA:" で明示的に指定

• "close-up to extreme close-up" など具体的な画角指定

• "cinematic movement" などの修飾語を追加

そこで、以下のようにプロンプトを構成し直します。

通常のテキストプロンプトで反映されないような場合は、このように明確にカメラワークと具体的な画角指定を定義することによって、映像に反映されやすくなりますので、参考にしてみてください。

🎬カメラショット例.

一連のカメラショットの例を掲載します。

GIF形式のため動きが少しカクついて見えるかもしれませんが、実際の生成内容をご覧になりたい方は、最後に添付したYouTubeリンクからまとめてご確認いただけます。

できるだけ快適な環境でご覧ください。

● GIF

● mp4

Wan2.2 の「審美しんび的コントロール」の進化により、カメラアングルの様々なショットを再現すると共に、ご覧のように、スタイルや質感の調整も見事にコントロールされます。

写実的、シネマティック、アニメ調などの質感の反映。光の色味や強さ、影の落ち方、被写界深度などの演出。あるいは、特定のカラーパレットやフィルムルックまで反映することができ、雰囲気（幻想的、ダーク、暖かいなど）に至るまで忠実に表現します。

あらゆるジャンルでの使用が想定できるため、ユーザーのニーズに合わせた映像生成が可能です。

3. 開放的なエコシステム戦略

3点目の注目ポイントは、「Wan2.2」の "リリース戦略" です。

映像コントロールやクォリティで飛躍的な進化を遂げた本モデルですが、実は最も注目すべきは、その公開の手法に込められた戦略にあります。

待望の「Wan 2.2」モデルのリリースページ はこちらです。

「Wan2.2 Day-0 Support in ComfyUI」と題されたこの記事は、ご覧のように、"ComfyUIの公式ブログ" に掲載されたものです。

ComfyUI は世界中の AIクリエイターが集う事実上の標準ツールです。

そのページで、即日にリリースを大々的に伝えたものとなっている という点に注目してください。

また、その 発信者が Wanチームではなく ComfyUI側であることも重要 です。

外部プロジェクトが推奨しているという事実は、モデルの信頼感を高め、OSSコミュニティ内での波及効果を一気に拡大します。
発表直後から作例やワークフローが SNSで広がるのも、この布石あってこそです。

さらに、そのブログの冒頭のコメントで特徴が際立ちます。

まさに、発表と同時に ComfyUI への完全対応が実現したことを、このように告げたのです。

「Day-0サポート」という用語は、ゲーム業界で大型タイトルに合わせて最適化ドライバを公開する際に使われる特別なフレーズです。AIモデルの世界で用いられるのはきわめて稀です。
さらに今回「ネイティブ」を挟むことで──変換や追加設定といった余計な手間が一切不要であることを示し──「Day-0ネイティブサポート」という形で打ち出されました。
このワードセンスからも、ユーザーは公開初日から公式の最適化環境で Wan2.2 の性能を存分に引き出せる、という強い期待を抱きました。

リリース直後の ComfyUI コミュニティでは、Day-0ネイティブサポートへの称賛が早くも寄せられ、Reddit でも次のような声が上がりました。

このように、リリースと同時に、一気にコミュニティ熱が爆発したのです。

このブログ記事は、ぱっと見は ComfyUI 側からの好意的な紹介に思えますが、実際にははっきりとした戦略が込められていました。単なるリリース告知ではなく、技術情報以上のより大きな意味を持つ発信だったのです。
世界中の AI クリエイターが集まる ComfyUI のブログを通じて、「変換や設定なしで、すぐに使える」というメッセージを第三者の立場で届けたことで、Wan2.2 はリリース初日から一気に世界のクリエイターの手に渡り、SNS 上を駆け巡る存在感を放つことに成功しました。

💡商用利用可能なオープンモデル

このブログ発信に見られるリリース戦略には、世界中の ComfyUI ユーザーを取り込む意図に加え、プロユーザーへの魅力的なアプローチも含まれています。

これまでの「Wan2.1」は、公開範囲やライセンスの自由度が限られ、商用利用が可能かどうかも明確ではありませんでした。オープンソースとしての扱いも限定的だったのです。

それに対して「Wan2.2」は、本格的な オープンモデル として登場しました。Apache 2.0 という柔軟なライセンスのもとで公式に公開され、商用利用も安心して行える環境が整っています。これにより、実務や制作現場での活用も容易になりました。

この変化は、商用展開や制作環境を意識するユーザーにとっても大きな魅力となり、結果として「Wan2.2」はリリース直後からコミュニティやSNSで急速に広がる存在となりました。

まさに「Wan2.2」は、Wan2.1 の経験を踏まえつつ、オープン性と商用利用の明確化を進めた 重要なマイルストーン といえるでしょう。

🎯ユーザーを意識したモデル

リリースブログには、以下の「Wan2.2」モデルへのアクセスリンクも掲載されています。

• Wan2.2-TI2V-5B：テキスト/画像をビデオに変換（FP16）

• Wan2.2-I2V-A14B：画像からビデオに変換（FP16/FP8）

• Wan2.2-T2V-A14B：テキストからビデオに変換（FP16/FP8）

これらは大きく分けて 5Bと 14Bの2種類のモデルに分類されます。

• 5B：軽量のハイブリッドモデル

• 14B：MoE（用途別）モデル

現在、Hugging Face に各モデルが並んでおり、用途やスペックに応じて選択できます。

• 14Bモデルには、用途別に以下のタイプがあります。

  • I2V：画像からビデオへの変換

  • T2V：テキストからビデオへの変換

• ノイズや精度のバリエーション

  • Low_noise / High_noise

  • FP16 / FP8

さらに、Fun_control や Fun_inpaint の拡張モデルにも、同様の分類が用意されています。

👑Wan2.2の真骨頂 ― 14Bモデルが切り拓くプロクリエイションの世界

とくに注目すべきは 14B（A14B）モデルです。
このモデルは MoE 構造を採用しており、「高ノイズ」と「低ノイズ」の専門モデル（各約14Bパラメータ）を用途に応じて段階的に切り替える仕組みになっています。

そのため、ComfyUI では 拡散モデルや Kサンプラーなどを ダブルセットで使用する、これまでにないノード構成が必要となります。

MoE（Mixture-of-Experts）は、役割の異なる複数の「専門モデル（エキスパート）」を持ち、ユーザーの入力（例：プロンプト）を ルーティング機構（ゲーティングネットワーク）が解析し、最も適した専門家だけを選んで処理させる手法です。
これにより、効率よく高精度な生成が可能になります。

例えるなら、会社の中に「マーケティング」「開発」「デザイン」などの専門部署があり、案件に応じて必要な部署だけが動くようなものです。

モデル名に見られる 5B や 14B の「数字＋B」による組み合わせは、モデルの パラメータ数（重みの総数）を “Billion＝10億単位” で表したもの となっています。

• 5B → およそ 50億パラメータ

• 14B → およそ 140億パラメータ

この「パラメータ数」は、AIモデルが学習で蓄えた知識や特徴の量を示す指標で、数が多いほど表現力や精度が向上しやすい一方で、必要な計算量・メモリも大きくなります。

例えるなら…

• 5B → 優秀なチームだけど少人数（軽くて動きやすい）

• 14B → 大所帯の精鋭軍団（重いけど表現力が高い）

そのため、使用するには、ハードウェアの条件が出てきます。

• 14B: パラメータ数が大きく、推論時に必要な VRAMも多くなります。
  高性能GPU（例：A100、H100、RTX 6000 Ada、複数枚構成など）向け。

• 5B: パラメータが少ないため、コンシューマー向けの GPU（RTX 3060〜4090）や、クラウドの軽量インスタンスでも動かせます。

結論として、14B は、制作現場での高度な用途を想定したモデルで、いわば “プロ仕様” ということになります。

私の使用するマシーンは RTX 4090（24GB VRAM） ですが、これでもギリギリというのは驚きです。
今年1月末には、AI処理能力をさらに強化した GeForce RTX 5090 / 5080 / 5070 / 5060 が登場しました。RTX 5090 の上位構成では、RTX 4090 の24GBを超える 32GB構成 も確認できます。

とはいえ、ほとんどのクリエイティブ用途では RTX 4090 で十分です。それが、VRAMの種類によっては 14B モデルの使用が難しいケースが報告されているのですから、非常に驚かされます。

つまり、RTX 4090（24GB VRAM）が、14B を動かせる最小クラスの個人用GPU といえます。

先ほどのテストにおける消費状況を参考までにお伝えします。

• GPU：フル稼働でほぼ100％

• RAM：50％強を維持

• VRAM：Kサンプラー処理時には90％を超え、最大で99％まで達する

ちなみに、これは800×800ピクセルの解像度での例です。
バッチサイズや解像度を上げると、RTX 4090の 24GB VRAMでもギリギリの状況になるため、初めは解像度やフレーム数を抑えた状態で開始し、徐々に調整していくことをおすすめします。

📣14Bの使用感について

Wan2.2 による動画生成、特に I2V（Image-to-Video）の初回生成は、ビデオカードに大きく依存するため時間がかかります。初回ではモデルのロードや初期化、重みの展開などが VRAM や CPU/GPU 上で行われるためです。

その一方で、2回目以降は「すでに VRAM 上に展開されたモデルに対して生成処理だけ」が行われるため、初回に比べ大幅に高速化します。

「初回の生成はとくに時間がかかる」という点を認識しておいてください。

📁5Bモデルをめぐるコミュニティの攻防

「5B」モデルは、コンシューマ向けに設計された軽量のハイブリッドモデルで、比較的低スペックなマシンでも扱いやすいため、一般的な使用ではこのモデルが前提 とされます。
14Bが用途別にワークフローを分けているのに対し、5Bはハイブリッド構成である点が特徴です。

5Bモデル使用時の消費例

• GPU：一桁の使用率

• RAM：50％前後の使用率

• VRAM：Kサンプラー処理時で50％未満

しかし、軽量で使いやすい反面、一般に言われる通り、画質やクォリティではどうしても劣ってしまうのが難点です。

わたしが行った 5Bのテストでも、「審美的なコントロール」における差は顕著でした。人物やキャラクター表現での破綻が目立ち、14Bと比べると極端に性能が落ちる印象があります。

参考に、先ほどの14Bと同じプロンプトで生成した動画を掲載しておきます。

"モデルのポーズ" のプロンプト解釈がうまく審美的にコントロールされいない他、クォリティ面で破綻が強いのが比較して分かります。

そのため、コミュニティでも議論の中心は「低VRAM環境でいかにWan2.2 A14Bを動かすか」というやりとりが中心となっています。

具体的には、フレームやステップごとに必要な部分だけをロードするオンデマンド方式の活用や、拡散モデルの初期化部分・一部の層をCPUにオフロードする工夫など、さまざまな試みが継続的にやりとりされています。

🤝コミュニティ開発の軽量モデル

「Wan2.2」は、標準の 14B / 5Bモデル（T2V・I2V含む） が中心で、当初は 高性能GPU環境（24GB VRAM以上） を前提とした構成でした。
お伝えしたように、あくまで「プロ志向のハイエンドモデル」として、制作現場での高度な用途を意識した設計となっています。

一方、公式リリース直後のユーザーコミュニティ（Hugging Face、Reddit、Discord、GitHub など）では、次のような声が多く上がりました。

「RTX 3060 / 8GB でも動かしたい」
「軽量PCやノートでも試したい」
「LoRA や FLF2V ワークフローと併用したい」

こうしたニーズが急速に集まる中、有志による GGUF量子化版 が Hugging Face や個人ブログで配布され、コミュニティが調整した 軽量LoRA（Lightx2v など） もリリースされました。
さらに、公式でも ComfyUIワークフローの即時追加対応 が行われ、低VRAM環境でも利用できる体制が整えられました。

また最近では、日本のユーザーが改良を加えた EasyWan22（イージーワンニャンニャン） も登場し、さらに多くの人が手軽に使えるようになっています。

これは Reddit でも言及され、日本語ユーザーにも「8GB VRAMでもWan 2.2が動く」と支持されています。

サカナAI のいう「貧乏GPU」ではありませんが、日本はエコシステムづくりにおいて本当に強みを発揮していますね。また、「Wan2.2」を “ワンニャンニャン” とアレンジして呼ぶあたり、さすがです（笑）。

リリース直後からの これらの目まぐるしい展開は、なんとしても Wan2.2 を使用したいといった一般ユーザーの願望があることはいうまでもなく、それだけに Wan2.2の性能の高さを示すものとなっています。

🚀技術から創造へ：AIがクリエイターに与える力

「Wan2.2」の登場は、AIが目指すターゲット層を一気に浮き彫りにしました。

他の最新注目モデルにも共通する傾向ですが、昨年までの 技術先導型モデル から一歩踏み出し、今年はより極限まで磨かれた プロ仕様 の世界へ突入しています。

つまり、かつての「クオリティさえ良ければ何でも良い」という大枠から、クリエイターの意図を細部まで正確に再現できる “コントロール可能な領域” こそが、AIの本当の価値になってきています。

その進化の先に、まさに私たちの想像力を拡張し、新たなクリエイティブ体験を生み出す世界が広がろうとしています。