Wan2.2とは

Wan2.2は、動画生成に特化したAIモデルで、以下の3つの動画生成に対応しています。

T2V（Text to Video）
I2V（Image to Video）
TI2V（Text and Image to Video）

オープンなモデルとなっていて、GitHub上で公開されています。

Wan-Video/Wan2.2: Wan: Open and Advanced Large-Scale Video Generative Models

ComfyUIとの組み合わせ

今回は、ComfyUIと組み合わせて実行しています。ローカルにファイルを各種配置する関係上、高火力DOKよりもVRT向きだと思います。

サーバーのセットアップ

VRTのプランは 高火力 VRT/24Core-240GB-H100x1 になります。また、OSはUbuntu 24.04.2を選択しています。ディスクは250GBあれば十分だと思います。

GPU周りのセットアップ

初期セットアップを行います。以下のコマンドはOSバージョンによって異なるので注意してください。

apt-get update
apt-get install gcc gnupg -y
apt-key del 7fa2af80
wget https://jp.download.nvidia.com/tesla/570.133.20/nvidia-driver-local-repo-ubuntu2404-570.133.20_1.0-1_amd64.deb
dpkg -i nvidia-driver-local-repo-ubuntu2404-570.133.20_1.0-1_amd64.deb
cp /var/nvidia-driver-local-repo-ubuntu2404-570.133.20/nvidia-driver-local-BB6607B3-keyring.gpg /usr/share/keyrings/
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb
dpkg -i cuda-keyring_1.0-1_all.deb
apt-get update
apt-get install nvidia-driver-575 nvidia-container-toolkit -y

これでサーバーをリスタートすれば、GPUが認識されているかと思います。

$ nvidia-smi
Thu Aug 14 13:16:39 2025       
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 575.57.08              Driver Version: 575.57.08      CUDA Version: 12.9     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA H100 80GB HBM3          On  |   00000000:00:04.0 Off |                    0 |
| N/A   58C    P0            703W /  700W |   53343MiB /  81559MiB |    100%      Default |
|                                         |                        |             Disabled |
+-----------------------------------------+------------------------+----------------------+
                                                                                         
+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|    0   N/A  N/A            9495      C   python                                53334MiB |
+-----------------------------------------------------------------------------------------+

ComfyUIの立ち上げ

まずPython周りをセットアップします。

sudo apt update
sudo apt install -y python3 python3-venv python3-pip git

そして、ComfyUIをクローンします。

git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI

Pythonは専用の環境を作成して実行します。

python3 -m venv venv
source venv/bin/activate
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu129
pip install -r requirements.txt

これで、ComfyUIの起動準備が整いました。

python main.py --listen 0.0.0.0 --port 8188

ブラウザから、 http://(VRTのIPアドレス):8188 にアクセスすると、ComfyUIのインターフェースが表示されます。

素材

今回は自分が登壇しているときの写真を使ってみました（photograph by koyhoge）。なお、実際に生成されるのは動画ですが、Qiita掲載用として、アニメーションGIFに変換しています。

モデルのダウンロード

Wan2.2用のモデルをダウンロードします。これはWan2.2 Video Generation ComfyUI Official Native Workflow Example - ComfyUIに書かれている通りです。

wan2.2_ti2v_5B_fp16.safetensors
wan2.2_vae.safetensors
umt5_xxl_fp8_e4m3fn_scaled.safetensors

をそれぞれ、 models/diffusion_models / models/text_encoders / models/vae に配置します。

cd models
cd diffusion_models
wget https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/diffusion_models/wan2.2_ti2v_5B_fp16.safetensors
cd ../text_encoders
wget https://huggingface.co/Comfy-Org/Wan_2.1_ComfyUI_repackaged/resolve/main/split_files/text_encoders/umt5_xxl_fp8_e4m3fn_scaled.safetensors
cd ../vae
wget https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/vae/wan2.2_vae.safetensors

そして、ワークフローファイルをダウンロードして、ブラウザでComfyUIのWorkflow > 開くからインポートします。

これで Wan2.2 5B が試せます。こちらはデフォルトのT2V（Text to Video）で生成された動画です（実際には1280×704）。

自分の写真から生成した動画。人相が若干変わっていますが、全体としてはバランスが保たれています。

14Bを試す

さらに大きなモデル、14BもVRTで実行できます。

cd models
cd diffusion_models/
wget https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/diffusion_models/wan2.2_i2v_high_noise_14B_fp8_scaled.safetensors
cd ../vae
wget https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/vae/wan_2.1_vae.safetensors
cd ../loras/
wget https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/resolve/main/split_files/loras/wan2.2_i2v_lightx2v_4steps_lora_v1_high_noise.safetensors

14Bの場合は、こちらのワークフローファイルを利用して試せます。

動画の生成にはおおよそ5分程度かかるようです。今回は長めにしてみました。なぜかノイズが入ります。

注意点

高火力 VRT は時間単位の課金です。利用し終わったら終了しましょう。なお、ディスクだけの保存であれば250GBで月額9,625円（2025年8月現在）なので、必要なときだけサーバーを立ち上げるようにして、ディスクは残しておくとコストを抑えられます。

まとめ

今回は高火力 VRT を使って、Wan2.2を使った動画生成の方法を紹介しました。高火力 VRTはNVIDIA H100を利用できるため、大規模なAIモデルの実行に適しています。ComfyUIと組み合わせることで、直感的なインターフェースで動画生成が可能になります。

VRTなら、いつでも強力なGPU環境を利用できます。ぜひ試してみてください。

VM型GPUクラウドサービス高火力 VRT（バート） | さくらインターネット