Wan 2.2をRTX 4090で実測：生成時間・VRAMと4本の作例

👁 126閲覧数

Wan 2.2は、Alibabaが重みを公開している無料の動画生成モデルで、自分のPCで動かせて商用利用もできます。2026年9月26日、最小構成のTI2V 5BをComfyUIとRTX 4090で動かし、720p（1280×704）・5秒の動画を4本生成しました。モデルの読み込み後は1本あたり約4分、記録したVRAMのピークは下の表に示します。雨の街並みや風景、シンプルな2Dアニメーションのように動きの少ない映像は上手ですが、液体を注ぐ動作や動物の仕草は崩れやすく、音声も出ません。以下に未加工の4本と、測定値、目で見て分かった失敗を載せます。

Wan 2.2 TI2V 5Bは50億パラメーターでGPU 1枚に収まる

Wan 2.2は、AlibabaのWan-AIチームが公開したオープンモデルのシリーズで、ライセンスはApache 2.0です。パラメーター数140億の大きなモデルは、一般的なゲーミングGPUのメモリでは足りない場合があります。TI2V 5Bはパラメーター数50億で、テキストと開始画像のどちらからも動画を生成できます。対応するGPUが1枚あれば実行できます。今回はComfyUIチームが用意したファイルを使いました。

• モデル wan2.2_ti2v_5B_fp16.safetensors - 10.0 GB
• テキストエンコーダー umt5_xxl_fp8_e4m3fn_scaled.safetensors - 6.7 GB
• VAE wan2.2_vae.safetensors - 1.4 GB

ファイルはComfyUI内のmodels/diffusion_models、models/text_encoders、models/vaeフォルダーに配置します。ComfyUIのインストールには、下で紹介するスクリプトか、無料のツールHangarが使えます。

動画生成AIをまとめて比較：AI動画生成ツール8選：料金・動画の長さ・日本語音声を比較 · サブスクリプション不要：ZWID（筆者のサービス）

測定結果：2本目以降は1本約4分

各動画の設定は、1280×704、121フレーム、24 fps（5.04秒）、20ステップ、CFG 5、sampler uni_pc、shift 8です。Wan 2.2 5B用のComfyUI公式テンプレートに基づいています。使用環境はRTX 4090 24 GB、Windows 11、ComfyUI 0.37です。

各シリーズの最初の動画は、モデルをストレージからメモリへ読み込むため、生成に2倍以上の時間がかかりました。2本目以降は約4分です。VRAMのピークには、事前にOSとブラウザーが使用していた約3.4 GBも含まれます。ピーク値から事前使用分を単純に差し引くと約20 GBですが、モデルだけの正確な使用量や最低VRAMを示す値ではありません。この結果だけでは、VRAMが12〜16 GBのGPUで動くことも、その生成時間も保証できません。オフロードはGPU側のメモリー負荷を減らす方法ですが、ワークフローやシステムRAMなどの条件も関係します。

4本の作例：静かな映像は得意、細かい動きは苦手

1. カップに注ぐコーヒー

2. 雨の中を走るワルシャワの路面電車

3. 山の草地にいるラマ

4. 夜の仕事と猫を描いた2Dアニメーション

傾向は明らかです。動きや物理現象が少ないほど、結果はよくなります。雨や路面電車、葉の動きなど背景に動きがある固定カメラの映像は、説得力があります。一方、液体を注ぐ動作や動物の特定の仕草といった細かな動きは、単純化されたり、意図と違う形で表現されたりします。

ローカルのWan 2.2とクラウドの動画生成AIの違い

クラウド型サービスの料金は頻繁に変わります。最新の比較は動画生成AIのまとめをご覧ください。ここからは筆者の意見です。Wan 2.2 5Bのローカル実行は、印象的な動画を1本作るより、ラフ案や背景、編集用素材を何十本も作りたい場合に向いています。

ComfyUIを触らずに試すならHangar

Wan 2.2 TI2V 5Bは、Hangarのカタログにあります。筆者が開発したWindows向けのローカル画像・動画・音楽モデル管理ツールで、無料で利用でき、アカウント登録は不要です。内部ではComfyUIを使います。ダウンロードするのは前述の3ファイルで、合計18.1 GBです（fp16モデル10.0 GB、umT5 fp8エンコーダー6.74 GB、VAE 1.41 GB）。このカタログの説明は記事の確認時点の記録です。小容量GPUでの互換性や速度は、今回の測定からは判断できません。Wan 2.2 TI2V 5BのライセンスはApache 2.0で、その条件に従った商用利用が可能です。これはモデルのライセンスについての説明です。

1. Hangarの紹介ページからインストーラー（14 MB）をダウンロードします。まだデジタル署名されていないため、Windows SmartScreenが警告を表示します。「詳細情報」をクリックしてから「実行」を選択してください。
2. HangarがGPUを検出します（CUDA対応のNVIDIA製GPU、VRAM 8 GB以上。12 GB以上を推奨）。モデルが動作するかどうかも表示します。
3. Wan 2.2 TI2V 5Bを選択します。HangarがHugging Faceからファイルをダウンロードし、SHA-256ハッシュを確認します。
4. 英語でシーンの説明を入力し、動画の長さを秒単位で設定して、生成を開始します。

Hangarを使い、RTX 4090で2026年10月17日にテストしたところ、1280×704の2秒動画はモデルの読み込みを含めて105秒で生成されました。インストーラーと説明はHangarの紹介ページにあります。

コマンド1つで動画を作るスクリプト

モデルファイルは、インストールスクリプトinstaluj-comfyui.ps1を-Modele wanオプション付きで実行するとダウンロードできます。動画生成用に、ComfyUIへプロンプトを送り、フレームを待ち、ffmpegでMP4にまとめるスクリプトも用意しました。長さを秒で指定すると、Wanが必要とする4n+1形式のフレーム数に自動で変換します。2026年9月26日、640×352・49フレーム・2秒の短い動画で動作を確認し、MP4を生成しました。

• ダウンロード：generuj-wideo.py（6 KB）、または5本のスクリプトをまとめたZIPファイル（15 KB）
• 5秒・720pの動画：python generuj-wideo.py "a yellow tram passing a rainy street at dusk, static camera"
• 高速プレビュー：--sekundy 3 --szer 960 --wys 544 --kroki 12。MP4の生成にはffmpegが必要です（winget install Gyan.FFmpeg）。ffmpegがない場合はPNGフレームが出力されます。

インターネットからダウンロードしたスクリプトを実行する前に、必ず内容を確認してください。スクリプトは自分のユーザー権限で動作します。以下に、コメントを日本語にしたコード全文を掲載します。スクリプトのライセンスはMITで、改変や商用利用が可能です。

"""
generuj-wideo.py - Wan 2.2 TI2V 5BとローカルComfyUIで動画を生成
作者: Piotr Olszewski。スクリプトのライセンス: MIT。2026年9月26日にComfyUI 0.37、RTX 4090で確認。

必要なもの: Wan 2.2 5Bのファイルを配置したComfyUI (http://127.0.0.1:8188)
(instaluj-comfyui.ps1 -Modele wan) と、MP4作成用のPATHが通ったffmpeg (winget install Gyan.FFmpeg)。
ffmpegがない場合はPNGフレームのみ出力します。Python 3.9以降の標準ライブラリーのみを使用します。

実行例:
  python generuj-wideo.py "a yellow tram passing a rainy street at dusk, static camera, realistic"
  python generuj-wideo.py "flat 2D animation of a cat walking across a desk" --sekundy 3 --szer 960 --wys 544

RTX 4090の場合: 1280x704の5秒動画は約4分（最初の動画は18 GBのファイル読み込み分だけ長くなります）。
モデルは固定カメラと背景の動きを得意とし、液体を注ぐ動作や仕草など、正確な物理表現は苦手です。
"""
import argparse, json, os, random, shutil, subprocess, sys, tempfile, time, urllib.parse, urllib.request, uuid

FPS = 24
NEG = "blurry, distorted, low quality, jitter, watermark, text, subtitles, static image, deformed hands, extra limbs"


def graf(polecenie, szer, wys, klatki, kroki, seed, prefiks):
    # ComfyUI公式の「Wan 2.2 5B text to video」テンプレートに相当
    return {
        "1": {"class_type": "UNETLoader", "inputs": {"unet_name": "wan2.2_ti2v_5B_fp16.safetensors", "weight_dtype": "default"}},
        "2": {"class_type": "CLIPLoader", "inputs": {"clip_name": "umt5_xxl_fp8_e4m3fn_scaled.safetensors", "type": "wan", "device": "default"}},
        "3": {"class_type": "VAELoader", "inputs": {"vae_name": "wan2.2_vae.safetensors"}},
        "4": {"class_type": "CLIPTextEncode", "inputs": {"clip": ["2", 0], "text": polecenie}},
        "5": {"class_type": "CLIPTextEncode", "inputs": {"clip": ["2", 0], "text": NEG}},
        "6": {"class_type": "ModelSamplingSD3", "inputs": {"model": ["1", 0], "shift": 8.0}},
        "7": {"class_type": "Wan22ImageToVideoLatent", "inputs": {"vae": ["3", 0], "width": szer, "height": wys, "length": klatki, "batch_size": 1}},
        "8": {"class_type": "KSampler", "inputs": {"model": ["6", 0], "seed": seed, "steps": kroki, "cfg": 5.0, "sampler_name": "uni_pc", "scheduler": "simple",
                                                    "positive": ["4", 0], "negative": ["5", 0], "latent_image": ["7", 0], "denoise": 1.0}},
        "9": {"class_type": "VAEDecode", "inputs": {"samples": ["8", 0], "vae": ["3", 0]}},
        "10": {"class_type": "SaveImage", "inputs": {"images": ["9", 0], "filename_prefix": prefiks}},
    }


def api(serwer, sciezka, dane=None):
    req = urllib.request.Request(serwer + sciezka, data=json.dumps(dane).encode() if dane is not None else None,
                                 headers={"Content-Type": "application/json"})
    return json.load(urllib.request.urlopen(req, timeout=60))


def main():
    a = argparse.ArgumentParser(description="Wan 2.2 5Bで動画を生成（ローカルComfyUI）")
    a.add_argument("polecenie", help="シーンの説明（英語を推奨。カメラワークも指定してください）")
    a.add_argument("--sekundy", type=float, default=5.0, help="動画の長さ（初期値: 5秒）")
    a.add_argument("--szer", type=int, default=1280); a.add_argument("--wys", type=int, default=704)
    a.add_argument("--kroki", type=int, default=20)
    a.add_argument("--seed", type=int, default=None)
    a.add_argument("--serwer", default="http://127.0.0.1:8188")
    a.add_argument("--wyjscie", default="wideo")
    x = a.parse_args()
    if x.szer % 32 or x.wys % 32:
        a.error("幅と高さは32の倍数にしてください（例: 1280x704、960x544）")
    klatki = int(round(x.sekundy * FPS / 4)) * 4 + 1          # Wanが必要とする4n+1形式
    try:
        api(x.serwer, "/system_stats")
    except Exception as e:
        sys.exit(f"ComfyUI ({x.serwer}) に接続できません ({e})。start-comfyui.batを起動してください。")
    seed = x.seed if x.seed is not None else random.randint(1, 2**31)
    prefiks = f"wan_{uuid.uuid4().hex[:8]}"
    print(f"{klatki}フレーム（{klatki / FPS:.1f}秒）を{x.szer}x{x.wys}で生成します。シード: {seed}...")
    t0 = time.time()
    pid = api(x.serwer, "/prompt", {"prompt": graf(x.polecenie, x.szer, x.wys, klatki, x.kroki, seed, prefiks), "client_id": str(uuid.uuid4())})["prompt_id"]
    while True:
        h = api(x.serwer, f"/history/{pid}")
        if pid in h:
            break
        print(f"\r  処理中... {time.time() - t0:.0f}秒", end="", flush=True)
        time.sleep(2)
    print()
    wynik = h[pid]
    if wynik.get("status", {}).get("status_str") != "success":
        sys.exit("ComfyUIエラー: " + json.dumps(wynik.get("status", {}), ensure_ascii=False)[:600])
    imgs = sorted([o for v in wynik["outputs"].values() for o in v.get("images", [])], key=lambda o: o["filename"])
    os.makedirs(x.wyjscie, exist_ok=True)
    tmp = tempfile.mkdtemp(prefix="wan_")
    for i, img in enumerate(imgs):
        q = urllib.parse.urlencode({"filename": img["filename"], "subfolder": img.get("subfolder", ""), "type": img.get("type", "output")})
        with urllib.request.urlopen(f"{x.serwer}/view?{q}", timeout=60) as r, open(os.path.join(tmp, f"{i:04d}.png"), "wb") as f:
            shutil.copyfileobj(r, f)
    czas = time.time() - t0
    nazwa = os.path.join(x.wyjscie, f"wan_{time.strftime('%Y%m%d_%H%M%S')}_{seed}")
    if shutil.which("ffmpeg"):
        subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-framerate", str(FPS), "-i", os.path.join(tmp, "%04d.png"),
                        "-c:v", "libx264", "-crf", "20", "-pix_fmt", "yuv420p", "-movflags", "+faststart", nazwa + ".mp4"], check=True)
        shutil.rmtree(tmp, ignore_errors=True)
        print(f"完了: {nazwa}.mp4（{len(imgs)}フレーム、{czas:.0f}秒）")
    else:
        shutil.move(tmp, nazwa + "_klatki")
        print(f"完了: {nazwa}_klatki にPNGフレームを保存しました。MP4を作るにはffmpegをインストールしてください。")


if __name__ == "__main__":
    main()

関連記事：Wan AI：各モデル、料金、動画テスト · 同じプロンプトでWan 3.0とWan 2.2を比較

VRAMの測定値と動作条件を分ける

2026年11月8日、GPU要件の説明と測定値の読み方を補足しました。4本の作例と測定表、スクリプトの動作確認は9月26日のものです。Hangarのテストは10月17日です。今回、新しいGPUテストは行っていません。

TI2V-5Bの公式モデルカードは、VRAM 24 GB以上で動かす参照コマンドを示しています。そこではモデルのオフロード、型変換、テキストエンコーダーのCPU実行を使います。これは公式実装の特定の設定であり、ComfyUIのあらゆる構成に同じ条件を保証する説明ではありません。

私の表はWindows 11、RTX 4090、記事に記したファイルと設定での記録です。初回の読み込みを含む時間と、モデルを読み込んだ後の時間を分けて見てください。チェックポイント、解像度、フレーム数、オフロード設定を変えれば処理内容も変わります。ファイルがSSDに収まることと、生成時のVRAMが足りることも別です。

公式リポジトリでは、TI2V-5Bと大きいモデルを別々に扱っています。記載された720pのサイズは704×1280と1280×704です。画像から生成する場合は、入力画像が縦横比を決め、sizeは面積を指定します。私が測定したのは横向きのテキストからの生成だけで、縦向きの時間や画質まで実証したわけではありません。

約0.02 kWhは読み込み後の生成中にGPUが使う電力量の概算です。PC全体や最初の読み込みは含みません。表にあるクラウド料金も過去の確認時点の記録として読んでください。各モデルの位置づけはWan AIのまとめ、今回の再現条件はこのページの測定欄で分けて確認できます。

よくある質問

Wan 2.2 TI2V 5Bは音声付きの動画を作れますか？

作れません。TI2V 5Bが出力するのは映像だけなので、音声は編集ソフトで後から付けます。別のモデルについては、映像と音声の出力仕様を個別に確認してください。

14Bの大きいモデルはRTX 4090で動きますか？

今回試したのは5Bだけです。14Bは5Bより多くのメモリーを必要とするため、同じ条件での生成時間やVRAM使用量は測っていません。

技術的な補足の出典確認：2026年11月8日。

• https://huggingface.co/Wan-AI/Wan2.2-TI2V-5B
• https://github.com/Wan-Video/Wan2.2
• https://huggingface.co/Comfy-Org/Wan-2.2

// 続きを読むH3 Max Relight・Turbo Extend・Pixelcutを実動画で検証ベンチマークKrea 3を実機検証：画像生成10件・編集8件の結果ベンチマーク日本語の文字を描ける画像生成AIは？21モデルを比較ベンチマーク