動画生成AIを触りたいのに、クレジットの残り本数が気になって生成ボタンを押せない。1本外すたびに数十円が溶ける感覚は、地味に手を止めます。
FramePackはその前提を消します。手元のパソコンで、無料で、何度でも。要求されるVRAM（グラフィックボード内の作業用メモリ）は6GB。数年前のゲーミングノートが、そのまま動画生成マシンに化けます。
ここが面白いところ。
FramePackとは何か？
FramePackとは、少ないVRAMでも長い動画を生成できるように設計された、無料の動画生成技術です。開発者のlllyasviel氏がGitHubで公開していて、ダウンロードから利用までお金はかかりません。
中身は「次に来る映像の区間を予測して継ぎ足す」方式です。動画を丸ごと一度に描くのではなく、少し先を予測して足し、また予測して足す。この反復で尺を伸ばします。
普通の動画生成モデルは、長くしようとするほどメモリを食います。10秒前後で頭打ちになった経験がある人も多いはず。FramePackは壁の作り方そのものを変えました。
同じくローカルで動かせる動画生成モデルとしてはCogVideoXの使い方もあります。比べてみると、FramePackが何を優先した設計なのかがはっきりします。
操作は拍子抜けするほど単純です。
- 動かしたい画像を1枚用意する
- どう動いてほしいかを短い文章（AIへの指示文）で書く
- 生成ボタンを押して待つ
これだけ。カメラ設定も細かいパラメータも、最初は触らなくて動きます。
ローカルでAIを動かすのが初めてなら、ローカルLLMをOllamaで動かす手順を先に読むと、後半のインストールの話が一気に楽になります。GPUとメモリの関係を一度体感しておくと理解が早いです。
そもそも動画生成AIにどんな顔ぶれがいるのかを先に眺めたいなら、AI動画生成カテゴリにツールが並んでいます。FramePackの立ち位置が掴めます。顔ぶれを記事でまとめて見たい場合はAI動画生成ツールの選び方も参考になります。
なぜVRAM 6GBで60秒の動画が作れるのか？
先に数字を置きます。FramePack公式リポジトリは、13Bモデルで30fps・1,800フレーム（＝60秒）を生成するために必要な最小GPUメモリを6GBと明記しています。日本語の解説でよく見る「6GBで120秒」は、この60秒を取り違えた数字です。
では、なぜ6GBで通るのか。鍵は「入力する文脈を一定の長さに圧縮する」という設計です。動画が何秒になっても、抱えるデータ量がほぼ変わりません。
計算量の記号で言えばO(1)。平たく言うと「入力が増えても処理の重さが変わらない」ということです。
一般的なモデルは、これまで生成した全フレームを文脈として抱え続けます。抱える量が増えればメモリも増える。だから長尺で落ちます。
FramePackはここで割り切りました。直近のフレームは細かい情報のまま持ち、遠い過去のフレームは粗く圧縮して持つ。昨日の出来事は細部まで覚えているのに、半年前は要約しか残っていない。人の記憶とほぼ同じ発想です。
技術の中身より実務への効き方が大事なので、表にします。
| 項目 | 一般的な動画生成モデル | FramePack |
|---|---|---|
| メモリ消費 | 尺が伸びるほど増える | 尺が伸びても一定 |
| 実用的な尺の上限 | 数秒〜十数秒で頭打ち | 1,800フレーム（60秒）まで |
| 必要VRAMの目安 | 12GB〜24GB級が前提になりがち | 6GBから |
| 生成の進み方 | 全体を一度に | 区間ごとに継ぎ足す |
つまりFramePackが軽いのは、性能を削ったからではありません。記憶の持ち方を変えたから軽い。ここが単なる省メモリ化と決定的に違う部分です。
公式リポジトリは、学習面についても「画像拡散モデルの学習と同じくらい大きなバッチサイズで回せる」と説明しています。文脈長が固定される設計の副産物です。学習時間の短縮率は公式に数字が出ていないため、倍率は書きません。
ただし、区間を継ぎ足す方式には代償もあります。失敗パターンの章で正直に書きます。
動くパソコンの条件は？
判断の軸は3つだけです。GPUの世代、VRAMの量、空きストレージ。CPUやメインメモリは足を引っ張る要素になりにくいです。
公式が示す前提を噛み砕くと、こうなります。
- GPU: NVIDIA製のRTX 30シリーズ以降が想定されています
- VRAM: 最小6GB。余裕を見るなら8GB以上
- ストレージ: モデルのダウンロードで数十GB単位を食います
- OS: WindowsとLinuxが対象。Macは公式の想定外
自分のマシンがどこに立つのか、分布で見た方が早いです。
| GPUの目安 | VRAM | 現実的な使い方 |
|---|---|---|
| RTX 3060 Laptopなど | 6GB | 動きます。ただし1本あたりの待ち時間は長め |
| RTX 4060 / 4060 Ti | 8〜16GB | 実用ライン。数十秒の生成を回せます |
| RTX 4090 / 5090 | 24GB以上 | 待ち時間が現実的になる帯 |
| GTX 16シリーズ、Intel / AMD GPU | ― | 公式想定外。素直にColabへ |
| MacBook（Apple Silicon） | ― | 非対応。ここは諦めが正解 |
つまり「6GBあれば動く」は本当ですが、「6GBで快適」ではありません。VRAMは通るか落ちるかを決め、GPUの速さは待ち時間を決めます。別の変数です。
Macユーザーや古いGPUの人が捨て鉢になる必要はありません。Google Colabという逃げ道があります。ブラウザだけでGPUを借りられるサービスで、無料枠でも試せます。GPUを時間単位で借りる選択肢を広く見たいなら、GPUクラウド（GPUaaS）の使い方が比較の起点になります。
Windowsへの導入手順は？
一番簡単なのは、公式が配っているWindows向けのワンクリック版を使う道です。PythonもCUDAも自分で組む必要がありません。
流れはこうです。
- 公式リポジトリのReleasesから、Windows用のパッケージをダウンロードする
- 解凍して、
update.batを先に実行する - 続けて
run.batを実行すると、モデルの自動ダウンロードが始まる - 完了後、ブラウザにGradioの操作画面が開く
update.bat を先に回すのは公式が明示している手順です。飛ばすと既知の不具合が残った古いバージョンで動き出します。地味ですが効きます。
初回起動でモデルを取りに行くため、回線と保存先の残量が効いてきます。数十GBを落とすので、SSDの空きは事前に見ておいた方が安全です。
ここまでの整理: 6GBという数字は「落ちない下限」。導入は公式のワンクリック版が最短で、
update.batを先に回す。ここまで来れば、あとは画像を投げるだけです。
Pythonの環境を自分で組む道もありますが、最初の1本を出すまでは既製パッケージ一択です。トラブルの切り分け先が減ります。同じローカル環境構築でも、ノードを自分で繋ぐComfyUIの導入手順と比べると、FramePackの導入はかなり短い部類です。
Colabで動かす場合は、GitHubで公開されているノートブックを開いてランタイムをGPUに切り替えるだけ。無料枠では連続稼働時間に上限があるので、長尺を狙うと途中で切れます。短い尺で試す用途に向きます。
生成画面では何を入れるのか？
画面に並ぶ項目は多くありません。画像、指示文、尺、それとシード値。最初に触るのはこの4つで十分です。
入力のコツを先に言うと、指示文は短く、動作だけ書く。これが一番効きます。
- 画像: 人物なら顔がはっきり写っているものを選ぶ
- 指示文: 「女性が笑って手を振る」のように、主語と動作だけ
- 尺: 最初は3〜5秒。成功パターンを掴んでから伸ばす
- シード値: 同じ数字なら同じ結果。気に入った動きを再現できます
指示文で欲張ると、途端に崩れます。「カメラがゆっくり引きながら、背景の桜が舞い、彼女が振り返って微笑む」みたいな注文は、だいたいどれも中途半端になります。動作を1つに絞る。これが成功率を上げる最短手です。
尺の設定は待ち時間に直結します。1秒伸ばすと生成時間もほぼ比例して伸びる。テスト段階で長尺を投げるのは、時間の使い方としてかなり損です。
生成中は途中経過が順に見えます。方向性が違うと分かった時点で止められるので、この仕様は地味に助かります。
素材の画像そのものを作りたいなら、AI画像生成カテゴリのツールと組み合わせるのが早いです。画像を作る側と動かす側を分けると、それぞれの成功率が上がります。指示文の書き方から固めたい人はAI画像生成の基本手順を先に通すと、入力する1枚の質が上がります。
どのくらい時間がかかるのか？
ここがFramePackの最大の弱点です。クラウド型が数十秒で返すものに、こちらは数十分かけます。
具体的な秒数はGPUによって大きく変わるため、公式も一律の数字を出していません。ただ、傾向ははっきりしています。
| 条件 | 体感 |
|---|---|
| VRAM 6GBのノートGPU・5秒の動画 | 昼食に出られるくらい待ちます |
| ハイエンドGPU・5秒の動画 | 数分単位。試行錯誤が回る帯 |
| VRAM 6GB・60秒の動画 | 寝る前に投げて朝見るのが現実的 |
つまり低VRAM機での運用は「投げて放置」が基本です。画面の前で待つ設計にすると、まず続きません。
待ち時間が読めない前提がつらいなら、無料で使える動画生成AIのようなブラウザ完結型を併用する手もあります。速さが要る本数だけ外に出す、という分担です。
高速化の手はあります。公式はTeaCacheという仕組みに触れていて、生成を速める代わりに細部の品質がわずかに落ちます。手や指の描写に効きやすいので、テストはオン、仕上げはオフ。この使い分けが素直です。
待ち時間の長さは、無料であることの裏返しです。クレジットを払う代わりに電気代と時間を払っている。どちらが安いかは、月に何本作るかで変わります。
うまくいかないときの原因は？
つまずく箇所はだいたい決まっています。起動しない、途中で落ちる、動きが破綻する。この3つです。
原因と対処を並べます。
| 症状 | だいたいの原因 | 対処 |
|---|---|---|
| 起動時にエラーで止まる | update.bat を飛ばした | 一度 update.bat を実行し直す |
| 生成中にメモリ不足で落ちる | 他のアプリがVRAMを食っている | ブラウザのタブとゲームを閉じる |
| 後半で顔や体が崩れる | 区間を継ぎ足す方式の副作用 | 尺を短くして分割生成する |
| ほとんど動かない | 指示文が抽象的すぎる | 動作を具体的な1文に書き直す |
| ダウンロードが終わらない | ストレージの空き不足 | 数十GBを確保してやり直す |
後半で崩れる現象は、仕組みから来る性質です。少し先を予測して継ぎ足すので、時間が進むほど最初の画像から離れていきます。60秒を1本で通そうとするほど、終盤が別人になる確率は上がります。
実務的には、10秒前後を複数本作って動画編集ソフトで繋ぐ方が安定します。1本勝負より歩留まりが良いです。編集側の道具はAI動画編集カテゴリから選べます。
もう1つ、日本語の指示文は効きが弱いという報告が目立ちます。英語で「a woman waving her hand」と書いた方が素直に通ることが多い。翻訳ツールを1枚挟むだけで改善します。翻訳の道具はAI翻訳カテゴリに揃っています。
FramePack Studioとeichiは何が違うのか？
FramePackは公開されているので、第三者が機能を足した派生版が育っています。代表格が海外発のFramePack Studioと、日本発のFramePack-eichiです。
どれを選ぶかは、やりたいことで決まります。
| 版 | 性格 | 向く人 |
|---|---|---|
| 公式版 | 素の機能だけ。設定項目が最小 | まず動かしたい人、情報を探しやすさで選ぶ人 |
| FramePack Studio | 生成の管理機能やキュー処理を強化 | 何本もまとめて回したい人 |
| FramePack-eichi | 日本語UI・細かい制御を追加 | 日本語で迷わず使いたい人、動きを詰めたい人 |
つまり最初の1本は公式版、量産に入ったらStudio、日本語で細部を詰めたいならeichi。この順が迷いません。
派生版はどれも公式の更新に追従する形で開発されています。公式が仕組みを変えると、派生側の対応に時間差が出ます。安定を優先するなら公式版に留まる判断も十分ありです。
導入手順は派生版も似ていますが、必要なストレージやモデルが増えることがあります。公式版で一度成功させてから移る方が、切り分けが楽です。
編集部の評価
FramePackは、公開情報を見る限り「低スペック機で長尺を狙う」という一点に全部を賭けた設計です。6GBという敷居の低さは、この領域では破格と言っていい水準です。
評価が分かれるのは生成時間。ここは正直イマイチです。クラウド型が待ち時間を数十秒に押し込んでいる時代に、数十分を要求します。仕事の納期に組み込む道具としては扱いにくい。
一方で、無料かつ回数無制限という条件は圧倒的です。クレジットを気にせず失敗できる環境は、動画生成の勘を掴む段階で重宝します。100本失敗しても請求はゼロ。この安心感は学習コストを大きく下げます。
向いているのはこういう人です。
- NVIDIA製GPUを積んだWindows機を持っている
- 待ち時間を許せる（夜に投げて朝取る運用ができる）
- 商用クラウドのクレジット消費に神経を使いたくない
- 画像1枚を動かす用途が中心
逆に、納期がある案件、細かいカメラワークの演出、Macしか持っていない場合は、クラウド型のサービスを選ぶ方が早いです。文章から動画を作る用途なら無料のテキスト動画生成AI側が候補になります。道具の向き不向きの話で、優劣ではありません。
総合すると、学習用と個人制作なら一択レベルの選択肢。業務投入を考えるなら、生成時間を許容できるかどうかが唯一の判断軸になります。
よくある質問（FAQ）
Q. FramePackは本当に無料ですか？
無料です。GitHubで公開されていて、ダウンロードも利用も課金はありません。かかるのは電気代と、Colabを使う場合のクラウド利用料だけです。
Q. 最大何秒の動画が作れますか？
公式リポジトリが示す上限は30fpsで1,800フレーム、つまり60秒です。日本語の解説サイトで見かける「120秒」は誤りの可能性が高いので、公式の数字で判断してください。
Q. MacBookでは使えませんか？
公式が対象としているのはWindowsとLinuxで、Apple Siliconは想定外です。MacユーザーはGoogle Colab経由が現実的な選択肢になります。
Q. VRAM 4GBのGPUでも動きますか？
公式が示す最小値は6GBです。4GBでの動作は保証されていません。素直にColabを使った方が時間を無駄にしません。
Q. 商用利用はできますか？
ライセンスの条件は公式リポジトリの記載が基準です。派生版はそれぞれ別の条件を置いている場合があるため、案件に使う前に各リポジトリのライセンス表記を確認してください。
動画生成AIをローカルで動かす前に、そもそも自分のパソコンでAIをどこまで回せるのか掴んでおくと、FramePackの導入でつまずく箇所が事前に分かります。ローカルLLMをOllamaで動かす手順を先に読むと、VRAMとモデルサイズの関係が体でわかります。
