メインコンテンツへスキップ

 ローカル生成AI動画の最前線(2026/8/28)

    ローカル生成AI動画というのはそのままのとおり、自分のPCなどで生成できる動画のことです。大手のサービスに比べてできることが一世代くらい遅れている印象はありますが、できることはどんどんと進化していて、最近ではびっくりするようなこともできるようになってきています。
    まずは、簡単にローカル生成AIの歴史を振り返ってみます。

    2022〜2023年:とにかく動けばうれしかった時代

    最初のころのローカル動画生成は、正確にいうと動画生成ではありませんでした。Stable Diffusionで1枚ずつ画像を作って、条件を少しずつずらしながら並べる。Deforumに代表されるこのやり方は、要するにパラパラ漫画です。1コマごとに顔が別人になり、背景も波打ちます。それでも「自分のPCで映像が動いた」というだけで、かなり感動できました。

    流れが変わったのが2023年3月のModelScope text2video、そして同年7月のAnimateDiffです。とくにAnimateDiffは大きかったと思います。手持ちのStable Diffusionのモデルやスタイルはそのままに、「動き」の部分だけを後から足せる仕組みだったからです。いつも使っているLoRAで、いつものキャラクターが動く。ここでローカル動画生成が、一部の実験から趣味の実用範囲に降りてきました。

    2023年11月には、Stability AIがStable Video Diffusionを公開します。画像を1枚渡すと、そこから2秒ほどの動画が返ってくるというものです。今の目で見れば短いですし破綻もしますが、いま主流になっているi2v(画像から動画をつくる)という遊び方は、この時点でだいたい形になっていました。

    2024年:動画専用のモデルが降りてくる

    2024年は、画像モデルの応用ではなく、最初から動画のために作られたモデルが立て続けにオープンで公開された年でした。

    8月にCogVideoX(智譜AI)。5Bという控えめなサイズで、一般向けのGPUでもそれなりに動きました。10月にはGenmoのMochi 1がApache 2.0という緩いライセンスで登場し、11月にはLightricksがLTX-Videoを公開します。LTX-Videoは速度に振り切った設計で、「待ち時間が現実的におさまる」という感覚を最初に作ってくれたモデルでした。

    そして12月、テンセントがHunyuanVideoを公開します。13Bパラメータで、このあたりからオープンなモデルの出力が、有料の商用サービスと並べても見劣りしない場面が出てくるようになりました。ただし動かすにはそれなりのVRAMが必要です。「品質は届いた、あとは自分のPCで動くかどうか」という、今も続く悩みがここから始まります。

    2025年前半:Wan 2.1と、VRAM 8GBの解放

    2025年2月、アリババがWan 2.1をApache 2.0で公開しました。個人的には、ローカル動画生成でいちばん大きな出来事だったと思っています。

    14Bの高品質版があったから、ではありません。1.3Bの軽量版が同時に出たからです。VRAM 8GBで動きます。つまり、数年前のミドルクラスのゲーミングPCが、そのまま動画生成マシンになりました。ComfyUIのノードもすぐに揃って、ワークフローを組んで共有する流れが一気に広がります。「動画生成AIを試すには何十万円のGPUがいる」という前提が、ここで崩れました。

    4月にはlllyasvielさんがFramePackを公開します。VRAM 6GBで、しかも長い動画が作れます。フレームを先頭から順に予測していく作りなので、メモリの消費が動画の長さにあまり左右されません。ハードを買い替えるのではなく、作り方を変えて壁を越えるという発想でした。

    同じころ、蒸留による高速化も進みます。何十ステップも必要だった生成が数ステップで済むようになり、待ち時間が分から秒に近づいていきました。

    2025年後半:開く流れと、閉じる流れ

    7月末にWan 2.2が公開されます。MoE(混合エキスパート)構成で品質を上げつつ、5Bの軽量版はやはり一般向けGPUで動く範囲に収めてきました。カメラワークや照明を指示できる制御も入って、「なんとなく動く」から「思ったとおりに動かす」段階に入ります。10月には人物の動きを移せるWan2.2-Animateも出ました。

    11月にはテンセントがHunyuanVideo 1.5を公開します。8.3BでVRAM 14GB。前作からかなり軽くなったうえに品質も上がっていました。

    一方で、この時期にもうひとつの流れがはっきりしてきます。Wanの後継バージョンが、まずクラウドのAPI限定で提供されるようになったことです。クラウドで先に出して、しばらくしてからウェイトを公開する、あるいは公開しない。オープンウェイトは当たり前ではなく、各社の判断で開け閉めされるものになりました。ローカルで動かす側からすると、「最新で最強のもの」と「手元で動かせるもの」が一致しない時代の始まりです。冒頭で「一世代くらい遅れている印象」と書いたのは、まさにこのあたりが理由です。

    2026年:音まで含めて、ひとまとめに作る

    2026年1月6日、LightricksがLTX-2をオープンウェイトで公開します。映像と音声を、同期した状態で同時に生成します。4Kにも対応します。これまで別々に作って後から合わせていたものが、ひとつのモデルの出力として出てくるようになりました。

    3月にはLTX-2.3が出ます。派手さはありませんが、実用面ではかなり効いた更新でした。VAEが作り直されて輪郭やテクスチャがシャープになり、テキストを読む部分が4倍に大きくなってプロンプトの効きがよくなりました。1080×1920の縦動画にネイティブで対応したのも、ショート動画を作る人にはありがたいところです。蒸留版は8ステップで動きます。公称の必要VRAMは32GBからと重めですが、fp8やGGUFの量子化版が出回っていて、実際には16GBクラスでも現実的に回せるようになりました。ComfyUIも公開初日から対応しています。

    そして今月、2026年8月に大きいものが2つ続きます。

    まず8月3日、MiniMaxがMiniMax-H3(Hailuo 3.0)のウェイトを公開しました。これは正直、驚きました。Hailuoといえばクラウドの有料サービスとして知られていたところで、その本体が降りてきたことになります。330億パラメータで、最大2K、4〜15秒、24fps。しかも32kHzのステレオ音声を、後付けではなく同じ生成の中で作ります。ComfyUIも公開初日から対応しました。

    ただ、サイズは正直に書いておくと重いです。bf16のままだと本体だけで61.7GB、int8で刈り込んだ版でも19.5GBあります。ComfyUI公式のブログにはRTX 3060クラスでも動かせるとありますが、これはオフロードを前提とした話なので、待ち時間はそれなりに覚悟がいります。それでも「2Kで音つき」がローカルの選択肢に入ったこと自体が大きな変化です。

    ライセンスには少し変わった条件がついていて、商用利用はできるのですが、EU・英国・韓国・米国が対象地域から外れています(年商2,000万ドルを超える場合は別途許諾も必要)。日本は対象内なので使えますが、こういう条件が付くようになったこと自体、いまの状況をよく表しているように思います。

    続いて8月11日、LTX-2.5が公開されました。カットをまたいでも人物や場面の一貫性を保つマルチショット生成に対応し、必要VRAMは16GBから。ComfyUIには初日から統合されています。開発元はこれを動画生成モデルではなく「ワールドモデル」と呼んでいて、映像を作る道具から一歩進んだものだと主張しています。これが本当かどうかは、実際に触って確かめるところです。

    いまの状況(2026年8月)

    ざっと並べると、こんな流れになります。

    時期モデルローカルでの目安2023.11Stable Video Diffusion画像から2秒2024.08CogVideoX5B、一般向けGPUで可2024.11LTX-Video速度重視の先駆け2024.12HunyuanVideo13B、VRAM多め2025.02Wan 2.11.3B版がVRAM 8GBで動く2025.04FramePackVRAM 6GBで長尺2025.07Wan 2.2MoE、5B版は軽量2025.11HunyuanVideo 1.58.3B / VRAM 14GB2026.01LTX-2音声同時生成・4K2026.03LTX-2.3縦動画対応、量子化版で16GB級2026.08MiniMax-H333B、2K+音声、int8版で19.5GB2026.08LTX-2.5マルチショット / VRAM 16GB〜

    4年前はパラパラ漫画でした。それが今は、16GBのGPUで音のついた数十秒の動画が出てきます。試しにローカルで作成した動画を下記に保存してみました。動画では画像を元にした女性が日本語のセリフに従って口を動かして喋ります。もちろん、セリフは事前に入力したものです。正直まだまだ改善の余地はありそうですが、これまでの進化を考えていればローカルの環境で個人が映画のような動画を作れる日もそう遠くないと思えてしまいます。


    あなたへのおすすめ