ComfyUI動画生成入門：Wanの文生動画・画像生動画とAnimateDiff

ComfyUIで気に入ったキャラクターの静止画は作れたので、次は動かしたい。ところが動画workflowを読み込むとMissing Nodesで赤くなり、VRAM使用率がすぐ99%に達します。WanとAnimateDiffのどちらを選ぶのか、モデルをどのフォルダへ置くのか、framesとVRAMをどう調整するのか、連番画像をmp4へどうまとめるのか。方式の選択、準備項目、控えめな設定値から始め、よくある失敗を順番に切り分けます。

1. 方式を選ぶ：WanとAnimateDiff

workflowを組む前に方式を決めます。WanとAnimateDiffは同じ種類の仕組みではなく、前提、用途、workflowの複雑さが異なります。

1.1 Wan：動画モデルを使う方式

Wan 2.2は、文生動画（T2V）、画像生動画（I2V）、テキストと画像からの動画生成（TI2V）に対応するオープンな動画モデルです。MoE構成を採用し、専用のモデルweight、VAE、text encoderを使います。ComfyUI公式チュートリアルでは、一部のFP8 workflowについて16GBを超えるVRAMを起点にする目安が示され、元の精度では一般にさらに多く必要です。ゼロから動画を生成し、時間方向の一貫性を重視する用途に向きます。

Wanは通常のSD checkpointとは別のモデル群です。workflowが要求するdiffusion model、VAE、text encoderなどを一式用意します。最初は2〜4秒程度の短いクリップから確認するのが現実的です。

1.2 AnimateDiff：SD環境に動きを加える方式

AnimateDiffは、SD 1.5やSDXLなど対応するStable Diffusionモデルに動きを追加します。中心となるのはbase checkpointと組み合わせるmotion moduleです。モデルの配置先はAnimateDiff-Evolvedの更新で変わる可能性があるため、現行READMEとノードのモデル選択欄を確認します。一般的なworkflowではSD checkpointと対応するmotion moduleを読み込み、短いアニメーションを生成します。

すでに画風checkpointを持ち、短いアニメーションやスタイル動画を作りたい場合に適しています。既存のSD checkpointとVAEを再利用できますが、長さと一貫性はbase model、motion module、context設定、frames、解像度に左右されます。

1.3 WanとAnimateDiffの比較表

比較項目	Wan 2.2	AnimateDiff
タスク	文生動画、画像生動画、テキスト＋画像からの動画	SDモデルを基にした短いアニメーション
モデル環境	専用の動画モデル環境	SD 1.5/SDXL環境
VRAMの起点	一部のFP8 workflowは16GBクラスから。元の精度はさらに多い	base model、motion module、設定次第。低解像度・少ないframesから試す
必要なもの	Wan diffusion model + VAE + text encoder	SD checkpoint + motion module
向く用途	新規動画生成、一貫性を重視する場面	既存の画風モデル、短いアニメーション、スタイル動画
workflowの複雑さ	高め。複数のモデルファイルとノードが必要	中程度。motion moduleとbase checkpointを組み合わせる

新しいクリップを作り、モデル一式と多いノードを受け入れられるならWanを選びます。対応するSD checkpointをすでに持ち、短いスタイル動画を作りたい、または大型の専用動画モデルを避けたいならAnimateDiffが候補です。

2. Wan workflowの準備

Wanでは準備段階の失敗が多く、モデルの配置違い、ノード不足、タスクの異なるworkflowが典型です。queueを実行してから一件ずつ直すより、先に一覧で確認します。

2.1 モデルファイルを準備する

Wanのファイルはworkflowが想定する場所へ置きます。フォルダやファイル名が違うと、モデル選択欄が空になることがあります。

Wanでよく使うモデルフォルダ：

フォルダ	ファイル種類	説明
models/diffusion_models/	T2V/I2V diffusion model	480P/720P、fp16/fp8などの違いがある
models/vae/	動画VAE	workflowが指定するWan用VAEを使う
models/clip_vision/	Vision encoder	一部のI2V workflowで必要
models/text_encoders/	Text encoder	workflowが指定するencoderを使う

精度の選び方：

• fp16：元の精度で、VRAM使用量が最も大きい
• fp8：VRAM負荷を下げられる低精度版。実際の要件は現行の公式workflowと自分のログで判断する
• bf16：ハードウェアとworkflowが対応している場合だけ使う

Wanは更新が速いため、正確なファイル名、download link、精度の種類は現行の公式チュートリアルで確認してください。

2.2 Custom Nodesを導入する

動画workflowは複数のサードパーティ製node packに依存することがあります。VideoHelperSuiteは動画の入出力でよく使われ、AnimateDiffでは通常ComfyUI-AnimateDiff-Evolvedが必要です。

導入手順：

1. ComfyUI Managerを開き、workflowが示すノードを導入する。VHSが必要ならComfyUI-VideoHelperSuiteを入れる
2. AnimateDiffを選ぶ場合はComfyUI-AnimateDiff-Evolvedを入れる
3. 現行のVideoHelperSuite READMEに従ってffmpegと関連依存を確認する
4. ComfyUIを再起動する

ffmpegの確認：

ffmpeg -version

versionが表示されれば利用できます。command not foundの場合は、Windowsではwinget install ffmpeg、Linuxではsudo apt install ffmpeg、macOSではbrew install ffmpegで導入します。

2.3 workflow templateを読み込む

最初のWanでは、ノードを一から組むより、公式チュートリアルのT2VまたはI2V workflowを使います。

読み込み手順：

1. 公式チュートリアルからWan T2VまたはI2Vのworkflow JSONをdownloadする
2. JSON、またはworkflow metadataを含むサンプル画像をComfyUIへdragする
3. Missing Nodesが出たら、Managerで各ノードを検索するか、対応repositoryを手動で導入する

Missing Nodesの確認順：

1. ComfyUI Managerで必要なnode packが導入済みか確認する
2. 欠けているノード名をそのまま検索する
3. Managerで見つからない場合は、正しいrepositoryをcustom_nodes/へcloneする
4. ComfyUIを再起動する

詳しい読み込みとMissing Nodesの確認は、ComfyUI workflow再利用ガイドを参照してください。

3. Wan文生動画を動かす

モデルとノードを準備したら、最小構成の文生動画workflowを実行します。

3.1 workflowの主要ノード

Wan T2V workflowには通常、次の役割を持つノードがあります。正確な名称は現行の公式templateに従います。

1. Model loader：Wan T2V diffusion model、VAE、text encoderを読み込む
2. Video latent node：width、height、framesを設定する
3. Text encode：positive promptとnegative promptを入力する
4. Sampling：steps、CFG、seedなどを設定する
5. VAE Decode：動画フレームをdecodeする
6. VideoHelperSuiteまたは同等の保存ノード：フレームを動画ファイルにまとめる

静止画workflowとの主な違い：

• 1枚ではなくframesを設定する
• 関係のない静止画VAEではなく、対応する動画VAEを使う
• 出力経路には、連番フレームと動画結合の処理が含まれることが多い

3.2 動画Promptを書く

動画Promptでは、静止画にはない時間方向の連続性を考えます。

ポイント：

• 動きを具体的に書く：camera followingやslow panなどのcamera motionと、walkingやturning headなどのsubject motionを分ける
• 場面転換を避ける：「最初は公園、その後カフェ」のようにせず、一つの連続した場面にする
• カメラと被写体を区別する：カメラ移動は視点の変化、被写体の動きはフレーム内の内容変化です

Prompt例：

A woman walking in a park, camera following from behind, soft sunlight, 4K
A cat playing with a ball, slow motion, bokeh background

基本の組み立て方はStable Diffusion Promptテンプレートガイドを参照してください。

3.3 frames・FPS・解像度を調整する

frames、FPS、durationは次の関係です。

パラメータ	意味	よく使うテスト値
frames	生成する総フレーム数	16/24/48/72
FPS	1秒あたりの再生フレーム数	12/16/24/30
duration	秒数 = frames / FPS	式から計算する

例：

• 48 frames @ 16 FPS = 3秒
• 72 frames @ 12 FPS = 6秒

解像度はモデルとworkflowに合わせます。一般的なtemplateでは480Pと720Pの方式が分かれています。

framesや解像度を増やすと、samplingとVAE処理の負荷も通常は増えます。第6章で控えめな起点を示します。

3.4 動画を書き出す

Wan workflowの多くは先に連番フレームを生成し、VideoHelperSuiteのVideo Combineや同等のノードで動画にします。

保存ノードでよく使う項目：

• frame_rate：再生FPS
• format：workflowが対応するmp4、gif、webpなど
• output_path：出力先。正確なfieldは現行node versionで確認する

よくある保存失敗：

• ffmpegまたはnode依存がない：extension READMEに従い、ffmpeg -versionを確認する
• 出力folderの権限がない：ComfyUIが書き込める場所を選ぶ
• encoder非対応：まず画像フレームを保存して生成経路を確認し、nodeが対応するformatを選ぶ

4. Wan画像生動画を動かす

画像生動画（I2V）は、静止画を開始フレームとして、その状態から動きを生成します。

4.1 I2V workflowを接続する

Wan I2VとT2Vの主な違い：

1. Load Image：workflowに合う大きさの開始画像を読み込む
2. I2V model loader：T2V版ではなく対応するWan I2V diffusion modelを読み込む
3. CLIP Visionとtext encode：workflowに従って開始画像とPromptを処理する
4. Sampling、VAE Decode、Video Combine：生成して保存する

I2VとT2Vではモデルファイルやtemplateが異なることがあります。download時に公式templateと一つずつ照合します。

4.2 開始画像を準備する

入力画像は後続フレームに強く影響します。

条件：

• 画像サイズをworkflowに合わせる
• 被写体を明確にし、人物や物体の輪郭が分かる画像を使う
• 過剰な細部を避ける。混雑した背景や細かいtextureは後半の崩れを増やすことがある

開始画像にはComfyUI生成画像、または利用権を持つ外部画像を使えます。

4.3 I2V設定の失敗を切り分ける

最初のフレームは似ていても、その後に顔や手がずれ、変形やちらつきが出るのは典型的な失敗です。

原因と対処：

• Promptと画像が合わない：開始画像で自然に起こる動きを書く
• 開始画像が複雑すぎる：背景を簡単にするか、より整理された画像を作る
• VRAM不足：frames、解像度、精度を下げる
• 動きが大きすぎる：workflowにmotionやstrength設定がある場合は弱める

特定のstyleに合わない場合は、別のI2V model variantやseedを試します。

5. AnimateDiff workflowの準備

AnimateDiffはWanとは異なるモデル構成を使います。

5.1 Motion Moduleを準備する

motion moduleはAnimateDiffの中心です。保存folderや対応formatはAnimateDiff-Evolvedの更新で変わる可能性があるため、現行README、example workflow、nodeのmodel listを基準にします。

少なくともSD 1.5、SDXL、その他どのarchitecture向けかを確認し、base checkpointとworkflowに合わせます。download後にComfyUIを再起動し、AnimateDiff-Evolved loaderに表示されることを確認します。

5.2 Base Checkpointを選ぶ

AnimateDiffはbase modelを置き換えるのではなく、対応する画像diffusion modelへ動きを加えます。

選び方：

• motion moduleとworkflowに対応するSD 1.5またはSDXL checkpointを使う
• 既存の画風checkpointも使えるが、短いframesで互換性を確認する
• 通常のcheckpointを完全な動画モデルとして扱わない

checkpointの基礎はStable Diffusionモデル選択ガイドを参照してください。

5.3 workflowを接続する

AnimateDiff workflowは通常、次の役割で構成されます。

1. Checkpoint Loader：対応するbase checkpointを読み込む
2. Motion Model Loader：motion moduleまたはmotion modelを読み込む
3. Context Options：context windowを設定する
4. Video latent node：解像度とframesを設定する
5. Text encode、sampling、VAE Decode、動画結合ノード

総framesとcontext lengthの関係はnode versionとworkflowで変わります。example workflowの対応値から始め、一項目ずつ変更します。

6. パラメータと性能の予算を決める

ローカル動画workflowでは、VRAMとclip lengthが主な制約です。次の値は控えめな開始点であり、GPUの動作保証ではありません。

6.1 VRAM・frames・解像度の開始表

VRAM	安全寄りの開始点	試せるもの	最初は避けるもの
8GB	AnimateDiff、低解像度、16 frames前後、batch 1	コミュニティのlow-VRAM workflow	高解像度Wan、長いclip、複数control branch
12GB	AnimateDiff、少ないframes、小さい解像度	低精度Wanを小さいsize、少ないframesで試す	長い720P clip、複雑な後処理
16GB	公式目安に従った短いWan FP8 test	対応する480Pまたは720P template	複数branchの同時実行と長い動画
24GB+	多くの短い動画実験に余裕がある	高解像度または多いframes	batch、VAE、後処理には引き続き上限が必要

必要量はmodel version、GPU architecture、VAE、custom nodes、workflow実装で変わります。この表は最初のtestを決めるためのもので、特定GPUでの完走を保証しません。

6.2 負荷を下げる順序

VRAMが足りない場合は次の順で下げます。

1. framesを48から24または16へ減らす
2. 720Pから480P、またはworkflowが対応する小さい解像度へ下げる
3. batchを1にし、不要なcontrolと後処理branchを止める
4. 対応workflowではfp16からfp8などの低精度モデルへ替える
5. VAEDecodeTiledまたはVAEEncodeTiledで空間tileとvideo temporal設定を試す
6. 現行versionで対応する場合は--lowvramなどのstartup optionを使う
7. previewを止め、他のGPU負荷が高いapplicationを閉じる

low-VRAM startup flag、cache、tiled VAEは、現行ComfyUIと実際のworkflowを組み合わせて確認します。

6.3 長さと品質を調整する

長くすれば良くなるわけではありません。短いclipは制御しやすく、長いclipでは小さい動きや分割workflowが必要になります。

主なリスク：

• ちらつき：フレーム間で色や明るさが変わる
• 変形：顔、手、物体の輪郭がずれる
• 動きが弱い：Promptまたはmotion設定で動きが不足する

長い動画が必要なら、まず短い区間を検証し、モデルとworkflowが対応するcontinuation、I2V、後処理で分割します。framesを倍にしても一貫性は保証されません。

7. 動画出力と保存を理解する

ComfyUI動画workflowの多くは連番フレームを先に生成し、VideoHelperSuiteなどのノードで結合して保存します。

7.1 VideoHelperSuiteノードの役割

ノードの役割	機能	よく使う設定
Load Video	動画または連番画像を読み込む	frame_count、frame_rate、width/height
Video Combine	フレームを動画にまとめる	frame_rate、format、出力設定
Save Video系ノード	動画ファイルを保存する	format、quality、save_output

ノード名、parameter、対応formatはextension versionで変わります。Load Videoは既存動画の読み込み、Video Combineまたは同等ノードは生成フレームの動画化に使います。

7.2 FPS・frames・durationを換算する

動画の長さは次の式です。

duration（秒）= frames / FPS

例：

• 48 frames @ 16 FPS = 3秒
• 72 frames @ 12 FPS = 6秒

FPSの選択：

FPS	影響
12	同じframesでも再生時間が長くなるが、動きが粗く見える場合がある
16	長さと滑らかさの折衷
24	同じ連番は速く再生され、短くなる
30	同じ長さを保つにはより多いframesが必要

FPSは再生速度を変える値で、間のフレームを自動生成しません。長くするにはframes追加や分割、滑らかにするには補間や後処理が必要になる場合があります。

7.3 保存失敗を確認する

失敗	対処
ffmpegまたはnode依存がない	extension READMEに従い、ffmpeg -versionを確認する
出力先へ書き込めない	ComfyUIに書き込み権限を与えるかdefault output folderを使う
encoderまたはformat非対応	まず画像フレームを保存し、現行nodeが対応するformatを選ぶ
保存ノードへframesが届かない	latent、VAE Decode、保存ノードの接続を確認する

8. よくある失敗を確認する

動画workflowには複数の失敗点があります。無関係な設定を同時に変えず、上流から順番に確認します。

8.1 Missing Nodesを解消する

読み込んだworkflowが赤いMissing Nodesを表示します。

対処順：

1. ComfyUI Managerで必要なcustom node packが導入済みか確認する
2. 欠けているノード名をそのまま検索する
3. Managerで見つからない場合は正しいrepositoryをcustom_nodes/へcloneする
4. ComfyUIを再起動する

詳しくはComfyUI workflow再利用ガイドを参照してください。

8.2 モデルパスの誤りを直す

モデルfolderの誤りは選択欄が空になる代表的な原因です。

モデル種類	よく使うfolder
Wan diffusion model	models/diffusion_models/
Wan VAE	models/vae/
CLIP Vision	models/clip_vision/
text encoder	models/text_encoders/
AnimateDiff motion module	現行AnimateDiff-Evolved READMEとnode model listに従う

ファイル名をworkflowに合わせ、task、解像度、精度の違いを確認します。

8.3 OOMを確認する

VRAM不足は動画生成で最も多いresource errorです。

対処順：

1. frames、解像度、モデル精度を下げる
2. batchを1にし、追加controlや後処理branchを止める
3. VAEDecodeTiledまたはtemporal chunkを試す
4. 対応versionなら--lowvramなどのstartup optionを使う
5. previewを止め、他のGPU applicationを閉じる

8.4 ちらつき・変形・動き不足を直す

問題	主な原因	調整方向
ちらつき	時間方向の一貫性不足、contextやmotion設定の不一致	seedを固定し、testを短くし、contextやmotionを調整する
変形	開始画像が複雑、動きが大きすぎる、モデルの限界	画像を簡単にし、動きを弱め、合うモデルやworkflowを選ぶ
動きが弱い	Promptに動作がない、motion強度が低い	具体的な動作を書き、対応するmotion設定を少しずつ調整する
品質低下	checkpoint、motion module、VAEの不一致	組み合わせを確認し、公式またはextensionのexample workflowへ戻る

Promptの構造はStable Diffusion Promptテンプレートガイドを参照してください。

8.5 VAE Decodeの停止を直す

VAE Decodeが止まる、極端に遅い、またはOOMになります。

対処：

• framesと解像度を下げる
• VAEDecodeTiledを試し、nodeが対応する空間tileやtemporal chunkを調整する
• VAEがworkflowに対応しているか確認する
• モデルファイルが破損している場合は信頼できるsourceから再downloadして検証する

8.6 I2Vで最初のフレーム以降が崩れる場合

I2Vでよくある失敗です。

原因	調整方向
Promptと開始画像が合わない	画像と矛盾しない動作を書く
開始画像が細かすぎる	背景を簡単にするか、整理された画像を作る
動きが大きすぎる	subtle motionやslow camera push-inから始める
I2V modelがstyleに合わない	別のmodel variant、workflow、seedを試す

9. Control・後処理・自動化へ進む

最初のworkflowが最後まで動いたら、実際に残った制約に応じて次の方向を選びます。

9.1 シリーズの関連ガイド

これはComfyUIとStable Diffusion実践シリーズの動画生成編です。必要に応じて次の前提記事を確認してください。

• ComfyUI入門ガイド：まず静止画生成を動かす
• ComfyUI workflow再利用ガイド：JSON workflowの読み込みとcustom nodesの解決
• Stable Diffusionモデル選択ガイド：対応するSD checkpointを選ぶ
• Stable Diffusion Promptテンプレートガイド：基本Promptへ動作とcamera表現を加える

シリーズの別記事では、low-VRAM最適化、フレーム単位の修復、API自動化、複雑なversion conflictを扱います。controlやengineering層を追加する前に、一つの短い動画workflowを安定させてください。

9.2 公式documentとproject resource

まず公式documentとproject repositoryを確認します。

• ComfyUI公式document
• ComfyUI Wan2.2 Tutorial：Wan方式の主な情報源
• Wan-Video/Wan2.2 GitHub：モデル種類とtask type
• ComfyUI-AnimateDiff-Evolved：ComfyUIでのAnimateDiff実装
• ComfyUI-VideoHelperSuite：動画入出力ノード
• VAEDecodeTiled document：動画VAEのtiled処理
• ComfyUI Startup Flags：low-VRAM起動option

9.3 Licenseと商用利用

使用する動画モデルごとに現行licenseを確認してください。

• Wan 2.2はWan-Video/Wan2.2のLICENSEを確認する
• AnimateDiffはAnimateDiffのLICENSEを確認する

商用利用前に確認する項目：

• model licenseが商用利用を許可しているか
• 特にI2V開始画像について、素材を利用する権利があるか
• 生成物の権利がprojectと配布platformでどう扱われるか

これは法律上の助言ではありません。現行repositoryのlicenseを基準にしてください。

まとめ

WanとAnimateDiffは異なるComfyUI動画workflow向けです。Wanはテキストや開始画像から動画を生成し、AnimateDiffは対応する画風checkpointを使って短いアニメーションを作ります。モデルfolder、node version、template versionを実際のworkflowに合わせます。設定表は控えめな開始点で、GPUの保証ではありません。resourceが足りない場合は、frames、解像度、branch、精度、VAE負荷の順に下げます。

Missing Nodes、model path error、OOM、ちらつき、変形、VAE Decode停止、保存失敗は、層ごとに切り分けます。少ないframes、小さい解像度、batch 1で全経路を確認し、その後は一度に一つの変数だけ増やしてください。