Wan 2.2 画像から動画の仕組み
Wan 2.2 は、アリババのオープン動画モデルの系列で Wan 2.1 の後継にあたり、2025年7月に Apache 2.0 ライセンスで公開されました。画像から動画の Wan2.2-I2V-A14B は、専門家混合（MoE）型の拡散トランスフォーマーです。ノイズの多い序盤のステップで全体のレイアウトを決める専門家と、終盤のステップで細部を仕上げる専門家に分かれ、総計270億のパラメータのうち各ステップで約140億が動作します。より小さなハイブリッドモデル Wan2.2-TI2V-5B はテキストと画像の両方を受け付け、民生用 GPU 1枚で動きます。
モデルにはクリップの最初のフレームになる画像と、何を動かすかを伝えるプロンプトを渡します。16 fps で81フレーム、つまり約5秒のクリップを、渡した画像を土台に生成します。カメラや被写体が動いても、顔・服・光は元の画像に近いまま保たれます。
動きのプロンプトの書き方
被写体・スタイル・構図はすでに画像が持っているので、プロンプトは変化だけを説明すれば十分です。誰が、何が、どう動くか、カメラは何をするかを1〜2文で書きます。「女性が右を向いて微笑む、髪にそよ風、ゆっくり寄るカメラ」は機能しますが、スタイルタグの羅列は機能しません。カメラが重要なら明示します：「固定カメラ」「左へゆっくりパン」「ドローンが上昇」。
5秒に収まる自然な動きにとどめます。プロンプトごとに動作は1つにしておくのが無難です。歩く、手を振る、まばたきする、流れる、漂う、回転するといった動詞は予測しやすい動きになります。画像にないものは頼まないこと。車は動かせますが、その後ろの道路はモデルが作り出すしかなく、画像にすでに写っているものほど確実ではありません。ネガティブプロンプトが効くのは、ガイダンスが1を超えるときだけです。4ステップの Lightning LoRA ワークフローはガイダンス1で動くため、ネガティブプロンプトを無視します。それ以外なら定番のリストで十分です：ぼやけ、歪んだ手、余分な手足、ちらつき、透かし、文字。
重要な設定
- 解像度：480p は 720p の約3倍速く、SNS 用なら十分なことが多い。最終版は 720p。
- フレーム数：16 fps で81フレームが標準の5秒クリップ。長くすると崩れるので、2本作ってつなぐ方がよい。
- ステップ数：公式スクリプトでは40、ComfyUI の基本ワークフローでは20。4ステップの Lightning LoRA を使えば4〜8で足りる。
- ガイダンス（CFG）：14B の I2V モデルの既定値は3.5、4ステップの LoRA では1。高いほどプロンプトに忠実だがちらつきが増える。
- シード：Stable Diffusion と同じく、同じ画像・プロンプト・設定・シードなら同じクリップが再現される。同じ画像で別の動きが欲しければシードだけ変える。
720p に時間をかける前に、480p でプロンプトを試しましょう。ただし、シードは引き継げません。720p ではノイズの形が変わるため、動きも変わります。
動かしやすい画像
Wan 2.2 はどんな写真や生成画像からでも動きますが、向き不向きがあります。シンプルな背景にはっきりした主役があると動きはきれいで、ごちゃごちゃした場面では何を動かすかをモデルが選ぶことになります。クリップのアスペクト比は元の画像に従うので、縦長でも横長でも使えます。ComfyUI では幅と高さを同じ比率に設定してください。そうしないと画像が切り抜かれます。シャープで明るい画像は、出力サイズ以上の大きさ（長辺が 480p なら 832 ピクセル、720p なら 1280 ピクセル）があればクリップ全体で細部を保ち、ぼやけた画像や強く圧縮された画像からはぼやけた動画になります。
Stable Diffusion、SDXL、Flux で生成した画像はとてもよく動きます。だからこそ画像から動画は、狙った見た目の短い動画を得るいちばん簡単な方法です。まず欲しいフレームを正確に生成し、それを動かしましょう。
Wan 2.2 I2V を自宅で動かす
ウェイトは Hugging Face にあり、ComfyUI、Diffusers、公式の Wan リポジトリで動きます。アリババが「80 GB のカードが必要」とする公式スクリプトでは、14B の I2V モデルの VRAM 使用量はピーク時に 480p で約 41 GB、720p で約 60 GB です。ComfyUI なら、fp8 量子化チェックポイントとオフロードを使って 24 GB のカードでも動きますが、1本に数分かかります。5B の TI2V モデルは RTX 4090 で 720p の5秒クリップを10分以内に生成し、公式スクリプトでは約 24 GB の VRAM を使います。ComfyUI なら 8 GB のカードに収まります。それ未満なら、クラウド GPU かこのサイトの無料デモをお使いください。