1. リード
Wan 2.1は、Alibaba Tongyi Labが開発・公開するオープンソースの動画生成基盤モデルです。Apache 2.0ライセンスでモデル重みと推論コードが公開されており、社内環境で完結する動画生成パイプラインを構築したい企業や、独自LoRAで追加学習を行いたい開発者・研究者に向いた選択肢です。
2. 主要機能
5系統のタスクに対応: 公式READMEによると、Text-to-Video、Image-to-Video、動画編集(VACE)、Text-to-Image、Video-to-Audioの5タスクをカバーします。最初と最後のフレームを指定するFLF2Vも別モデルとして提供されています。 軽量モデルでコンシューマ向けGPUに対応: 最軽量のT2V-1.3Bモデルは必要VRAM8.19GBで、RTX 4090上で5秒・480Pの動画を約4分で生成可能。大型の14Bモデルは720Pクラスの生成に対応します。 中英2言語のVisual Text Generation: 中国語・英語の文字を動画内に描画できる機能を搭載した最初の動画モデルとされています。 高効率なWan-VAE: 任意長の1080P動画をエンコード/デコード可能な高効率VAEを備えていますが、これはVAEの処理能力であり、生成モデル自体の出力解像度(480P/720P)とは別の話です。 ComfyUI・Diffusers連携: 両ツールへの統合が済んでおり、生成からアップスケール・編集までのワークフロー構築が可能です。
3. 想定ユーザー
GPU環境を保有し社内で動画生成パイプラインを構築したい開発企業、独自データで追加学習を行いたい研究者・制作スタジオに向きます。逆に、GPUを持たずブラウザだけで完結させたいライト層や即時サポートを求める非エンジニア部門には不向きです。
