2026/09/14

ローカルで動かせるWanモデルは？2.1・2.2の重み、GPUメモリ条件とComfyUI導入手順ガイド

Wanをローカルで動かすために、公式のWan 2.1・2.2モデルを比較します。ダウンロード元、モデル別の用途、実行環境によって異なるVRAM条件、ComfyUIで必要な3つのファイルと保存先を確認。8GBオフロードと24GB公式コマンドの違いを整理し、実際の生成時間と採用できた動画から費用を測る手順を紹介します。

Wan をローカルで動かすなら、公開済みの Wan 2.1 または Wan 2.2 の重みから選びます。テキストと画像の両方を入力したい場合は Wan 2.2 TI2V-5B、小さめのテキスト動画生成モデルが必要なら Wan 2.1 T2V-1.3B が候補です。2026年9月14日に確認した公式 Wan-Video と Wan-AI の一覧では、ダウンロード可能な Wan 2.7、Wan 3.0 の重みは確認できませんでした。^[1]^[2]^[3]^[4]

必要なメモリはモデルだけでなく実行環境にも依存します。Wan 2.2 5B の公式コマンドは24GB以上の VRAM を指定していますが、ComfyUI はネイティブのオフロードを使えば8GBに収まる見込みと説明しています。この2つは異なる実行方法の数値です。本記事では、wan 3.0 system requirements を探している方が実際に導入できるモデルを選べるよう、条件を分けて整理します。^[5]^[6]

要点

Wan 2.1 と2.2には公式リポジトリとダウンロード可能なモデルカードがあります。「Wan のダウンロード」ではなく、用途に合う具体的なモデルを選びます。^[2]^[1]
Wan 2.1 T2V-1.3B は480P向けで、公式カードの VRAM 記載は8.19GBです。公称8GBの GPU すべてで動くという保証ではありません。^[7]
Wan 2.2 TI2V-5B は720P帯のテキスト・画像入力に対応します。公式コマンドと Comfy のオフロード構成ではメモリ条件が異なります。^[5]^[6]
ComfyUI の Wan 3.0 API ワークフローは外部で推論します。テンプレートを入れても Wan 3.0 の重みはダウンロードされません。^[8]^[9]
ローカル生成の費用は機材、設定、実行時間、採用できた出力から計算します。本記事には実測していない GPU 速度の数値は掲載していません。^[1]^[6]

現在ローカルで動かせる Wan モデル

ローカル実行の根拠になるのは、推論コードとモデルファイルの公開です。API のモデル ID だけでは判断できません。Wan 2.1 と2.2は公式公開を確認できますが、それぞれのシリーズに用途別のチェックポイントがあるため、先に生成方式を決めてください。^[2]^[1]

世代・モデル	確認したローカル実行経路	公式配布物のライセンス表記	主な選択理由
Wan 2.1 T2V-1.3B	公式リポジトリと Wan-AI モデルカード	Apache-2.0	小さめの480Pテキスト動画生成
Wan 2.1 14B 系	T2V・I2V の公式配布	Apache-2.0	特定の2.1モデルを使う既存構成
Wan 2.2 TI2V-5B	公式リポジトリと Wan-AI モデルカード	Apache-2.0	テキストと画像を1モデルで扱う
Wan 2.2 T2V/I2V-A14B	公式リポジトリとダウンロードリンク	Apache-2.0	用途別の大きなモデル
Wan 2.7	確認した公式一覧では重みの公開を確認できず	本記事ではローカル配布ライセンスを確認できず	必要に応じて公開済み API を使う
Wan 3.0	確認した公式一覧では重みの公開を確認できず	本記事ではローカル配布ライセンスを確認できず	ホスト型モデル・API を使う

最後の2行は確認日時点の状況であり、将来の公開予定を示すものではありません。別の公開者による同名リポジトリが見つかっても、それだけで公式配布とは判断できません。^[3]^[4]

ライセンス欄は公開されたモデルパッケージの表記です。実際に取得するファイルと、コミュニティによる派生版のライセンスをそれぞれ確認してください。公開状況だけを知りたい場合は、Wan 3.0 はオープンソースかを参照してください。以下では機材とモデルの選択を扱います。

GPU メモリは実行方法とセットで比較する

メモリ容量は、再現できる構成と結び付けて読む必要があります。公式資料の記述は次のように分かれます。^[7]^[5]^[1]^[6]

モデルと実行方法	公開されている VRAM 条件	この数値だけでは分からないこと
Wan 2.1 T2V-1.3B、公式モデル説明	8.19GB	すべての8GBカード・設定で動作するか
Wan 2.2 TI2V-5B、公式コマンド	24GB以上	すべての実行環境に共通する最小容量
Wan 2.2 TI2V-5B、Comfy のネイティブオフロード	8GBに収まる見込み	動作保証や生成時間
Wan 2.2 T2V/I2V-A14B、公式の単一 GPU コマンド	80GB以上	変換版や別のオフロード構成の条件

公式5Bコマンドでは --offload_model True、--convert_model_dtype、--t5_cpu を使います。Comfy は独自の読み込み・オフロードと分割されたモデルファイルを使います。チェックポイント名だけでなく、実行方法全体を比較してください。^[5]^[6]

オフロードは処理の一部を置く場所を変える仕組みです。作業用メモリやデータ転送が不要になるわけではありません。8GB構成を選ぶ前に、システム RAM、空きディスク容量、使用するグラフの挙動を確認します。参照した Comfy の説明には一律の RAM 最小値がないため、ここでも独自の数値は設定しません。

精度の表記にも注意が必要です。Comfy の5B例は FP16 の拡散モデルと FP8 のテキストエンコーダーを組み合わせています。全体を「FP8モデル」と呼ぶと、この違いが消えます。大型 T2V の例では高ノイズ用と低ノイズ用の2つの拡散ファイルを使い、単一5Bファイルの読み込み手順とは交換できません。^[6]

配布元とモデルの正式名称を確認して取得する

推論リポジトリは GitHub の Wan-Video、モデルカードは Hugging Face の Wan-AI から確認できます。大容量のダウンロードを始める前に、リポジトリ内のリンクをたどり、用途、バージョン、ファイル形式を照合します。^[3]^[4]

小型のテキスト動画生成には Wan 2.1 T2V-1.3B。^[7]
テキストと画像の両方には Wan 2.2 TI2V-5B。^[5]
Comfy 用ファイルとネイティブグラフを使う場合は公式 Wan 2.2 チュートリアル。^[6]

Hugging Face には多数の公開者がいます。検索結果が Wan-AI の公式配布とは限りません。コミュニティの GGUF 変換版を使う場合は、元のチェックポイント、量子化の種類、対応ローダーを確認してください。拡張子が変わっても別世代の Wan になるわけではありません。

モデルカードの URL、取得したファイル名、ワークフローのバージョンを記録しておくと、メモリ不足や読み込みエラーを調べやすくなります。別の手順で VAE やテキストエンコーダーが違う場合は、混ぜる前に各手順の依存関係を確認します。

Wan 2.2 5B の ComfyUI ワークフローを組む

Comfy のネイティブ5Bチュートリアルを、ひとまとまりの構成として使います。必要な3ファイルの保存先は別々です。^[6]

構成要素	ファイル	ComfyUI 内の保存先
拡散モデル	`wan2.2_ti2v_5B_fp16.safetensors`	`models/diffusion_models/`
テキストエンコーダー	`umt5_xxl_fp8_e4m3fn_scaled.safetensors`	`models/text_encoders/`
VAE	`wan2.2_vae.safetensors`	`models/vae/`

公式手順のリンクから取得してください。別モデルのファイル名を変更して選択欄に表示させても、必要な依存関係は満たせません。

ComfyUI を更新して Wan2.2 5B テンプレートを探します。見つからない場合はバージョンと起動時の読み込みエラーを確認します。^[6]
公式手順に記載された3ファイルを取得し、表のフォルダーに配置します。^[6]
拡散モデル、CLIP・テキストエンコーダー、VAE のローダーが該当ファイルを選んでいることを確認します。^[6]
テンプレートの設定と簡単なプロンプトから始めます。画像入力では、手順にある任意の画像ローダーを有効にします。^[6]
小規模な生成を試し、保存した動画、メモリ使用量のピーク、所要時間を記録してから寸法やフレーム数を増やします。

メモリ不足になったら基準設定に戻し、1項目ずつ変更します。モデルを読み込めたことと、大きな動画を生成できることは別です。読み込み中の失敗か、後段のデコード中の失敗かも切り分けてください。

単独の公式実装では、5Bの720P帯の寸法として 1280*704 または 704*1280 が指定されています。一律に1280×720と読み替えず、選んだ実行環境の寸法・縦横比の規則に従います。^[5]

ローカル費用は採用できた動画を基準に測る

既存の GPU、レンタル機、この用途のために買う PC では費用構造が異なります。「ローカルなら1本いくら」という共通値はありません。読み込み、入力準備、不採用のテイク、書き出しに使う時間も含めます。

モデル、実行環境のバージョン、GPU、精度、オフロード設定、寸法、フレーム数、プロンプトを記録します。初回の読み込みと繰り返し生成を分け、実時間、GPU・システムメモリ、電力またはレンタル料、採用の可否を測ります。比較するのは送信1回の費用ではなく、採用できた出力1本の費用です。

ホスト型サービスの参考値として、2026年9月14日の reAPI Wan 3.0 表示料金は720Pで $0.068/秒でした。表示単価に10秒を掛けた $0.680 は、参照動画の加算やクレジットの丸め前の概算です。別モデルの価格例であり、ローカル Wan 2.2 と画質や速度が同等という意味ではありません。^[10]^[11]

ローカル構成にない公開済み機能が必要な場合や、機材の保守に見合わない場合は API を選べます。Wan 3.0 は最大30秒とネイティブ音声に対応しますが、参照動画と出力の合計も30秒以内です。^[11]

端末内で処理したい素材、再現可能な実験、特定チェックポイントの反復利用にはローカル Wan が適しています。ただし、音声駆動や長いワークフローをすべて対象外と考える必要はありません。2.2には専用の音声動画生成・アニメーションモデルもあり、個別の要件を持ちます。バッチ処理も必ず API が必要とは限らず、機材と許容待ち時間で判断します。^[1]

Wan-Video. Wan-Video/Wan2.2: Wan: Open and Advanced Large-Scale Video Generative Models. 2026年9月14日確認： github.com/Wan-Video/Wan2.2
Wan-Video. Wan-Video/Wan2.1: Wan: Open and Advanced Large-Scale Video Generative Models. 2026年9月14日確認： github.com/Wan-Video/Wan2.1
Wan-Video. Wan. 2026年9月14日確認： github.com/Wan-Video
Wan-AI. Wan-AI (Wan-AI). 2026年9月14日確認： huggingface.co/Wan-AI/models
Wan-AI. Wan-AI/Wan2.2-TI2V-5B · Hugging Face. 2026年9月14日確認： huggingface.co/Wan-AI/Wan2.2-TI2V-5B
Comfy. Wan2.2 Video Generation ComfyUI Official Native Workflow Example - ComfyUI. 2026年9月14日確認： docs.comfy.org/tutorials/video/wan/wan2_2
Wan-AI. Wan-AI/Wan2.1-T2V-1.3B · Hugging Face. 2026年9月14日確認： huggingface.co/Wan-AI/Wan2.1-T2V-1.3B
Comfy. Wan 3.0 in ComfyUI: Native 30-Second Video with Omni-Reference Control. 2026年9月14日確認： blog.comfy.org/p/wan-30-in-comfyui-native-30-second
Comfy. FAQs about Partner Nodes - ComfyUI. 2026年9月14日確認： docs.comfy.org/tutorials/partner-nodes/faq
reAPI. Wan 3.0 — 30-Second Omni-Modal Video Generation. 2026年9月14日確認： reapi.ai/models/wan-3-0
reAPI. Wan 3.0 | reAPI. 2026年9月14日確認： reapi.ai/docs/wan-3-0