Wan2.1入門｜Alibabaのオープンソース動画生成AIを初心者向けに解説

「テキストを入力するだけで動画が作れたらいいな」と思ったことはありませんか？2025年2月、AlibabaがリリースしたWan2.1は、そんな夢を現実にするオープンソースの動画生成AIです。

これまで動画生成AIというと、高価なGPUが必要だったり、商用サービスの利用制限があったりと、初心者にはハードルが高いものでした。しかしWan2.1は消費者向けのGPU（RTX 4090など）で動作し、しかも完全無料で使えます。

この記事では、プログラミング未経験の方でもわかるよう、Wan2.1の基本から使い方まで丁寧に解説します。

Wan2.1とは何か？基本を理解しよう

動画生成AIの仕組み

まず、「動画生成AI」という言葉を聞きなれない方のために、基本的な仕組みを説明します。

動画生成AIは、テキスト（文字）や画像を入力すると、それに合わせた動画を自動的に作成する技術です。例えば「猫が庭で遊んでいる様子」と入力すれば、そのシーンの動画が生成されます。

従来の動画制作には、撮影機材、編集ソフト、そして多くの時間とスキルが必要でした。しかし動画生成AIを使えば、誰でも数分でオリジナルの動画を作れるようになります。

Wan2.1の特徴

Wan2.1は、中国のテクノロジー大手Alibaba（アリババ）が開発した動画生成AIです。2025年2月にオープンソースとして公開され、世界中の開発者やクリエイターから注目を集めています。

主な特徴は以下の通りです：

• オープンソース: 誰でも無料で使える
• 消費者向けGPU対応: RTX 4090などの一般的なGPUで動作
• 多機能: テキストから動画、画像から動画、動画編集など
• 日英テキスト生成: 中国語と英語のテキストを動画内に生成可能
• 高品質: 既存のオープンソースモデルを上回る性能

Wan2.1でできること：5つの主要機能

1. テキストから動画生成（Text-to-Video）

「夕焼けの海辺を歩く女性」といったテキストを入力するだけで、それに合わせた動画が生成されます。プロンプト（指示文）の書き方次第で、様々なシーンを作成可能です。

2. 画像から動画生成（Image-to-Video）

既存の写真やイラストを元に、そこから動きのある動画を生成できます。例えば、静止画のポートレート写真から、人物が微笑んだり瞬きしたりする動画を作れます。

3. 動画編集（Video Editing）

既存の動画を加工・編集することも可能です。背景の変更、色調の調整、エフェクトの追加など、クリエイティブな編集ができます。

4. テキストから画像生成（Text-to-Image）

動画だけでなく、静止画の生成も可能です。イラストや写真のような画像をテキストから作成できます。

5. 動画から音声生成（Video-to-Audio）

動画に合わせた音声や効果音を自動生成する機能もあります。これにより、音のない映像に適切なサウンドを追加できます。

必要なスペック：自分のパソコンで動く？

Wan2.1を動かすために必要なパソコンのスペックについて説明します。

推奨スペック

モデルによる違い

Wan2.1には2つのモデルサイズがあります：

• 1.3Bモデル: 軽量版。8.19GBのVRAMで動作。RTX 4090で5秒の480P動画を約4分で生成
• 14Bモデル: 高品質版。より高性能だが、高いスペックが必要

初心者はまず1.3Bモデルから始めるのがおすすめです。

Wan2.1の使い方：初心者向けステップガイド

ステップ1：環境の準備

Wan2.1を使うには、Pythonというプログラミング言語の環境が必要です。以下の手順で準備します：

ステップ2：Wan2.1のダウンロード

GitHubからWan2.1のコードをダウンロードします：

git clone https://github.com/Wan-Video/Wan2.1.git
cd Wan2.1
pip install -r requirements.txt

ステップ3：モデルのダウンロード

Hugging FaceまたはModelScopeからモデルをダウンロードします。1.3Bモデルは約10GB程度です。

ステップ4：動画の生成

以下のコマンドで動画を生成できます：

python generate.py --prompt "猫が庭で遊んでいる" --output video.mp4

他の動画生成AIとの比較

Wan2.1を他の主要な動画生成AIと比較してみましょう。

Wan2.1 vs Sora vs Runway 比較表

独自分析：Wan2.1の強みと弱み

強み:

弱み:

Wan2.1の応用例：どんなことに使える？

クリエイティブ分野

• SNS動画の制作: YouTube、TikTok、Instagramなどで使う短尺動画
• プレゼンテーション資料: ビジネスシーンでの説明動画
• アート作品: 実験的な映像表現

教育・学習分野

• 教材動画: 歴史的なシーンや科学現象の可視化
• 言語学習: シチュエーション別の会話動画
• スキル習得: 手順の説明動画

ビジネス分野

• 商品紹介: ECサイト用の製品デモ動画
• マーケティング: 広告やプロモーション動画
• 社内研修: 業務手順の説明動画

VACE：動画作成と編集の統合モデル

Wan2.1には、2025年5月に追加されたVACE（Video Creation and Editing）という統合モデルがあります。

VACEでできること

VACEは「動画の作成」と「編集」を一つのモデルで行えるのが特徴です：

• 一貫したワークフロー: 複数のツールを行き来する必要がない
• 高品質な編集: 生成だけでなく、既存動画の編集も可能
• 効率的な処理: 統合されているため処理がスムーズ

よくある質問（FAQ）

Q1: Wan2.1は本当に無料ですか？

A: はい、完全無料です。Wan2.1はApache 2.0ライセンスで公開されており、商用利用を含めて自由に使えます。ただし、実行するためのハードウェア（GPUなど）は自己負担になります。

Q2: プログラミングの知識は必要ですか？

A: 基本的なコマンドライン操作の知識があるとスムーズです。ただし、ComfyUIなどのGUIツールを使えば、プログラミングなしで使える場合もあります。

Q3: Macでも使えますか？

A: 現在は主にNVIDIA GPU（CUDA）対応となっており、Macでの動作は公式にはサポートされていません。ただし、クラウドサービスを経由すればMacからも利用可能です。

Q4: 生成した動画の著作権はどうなりますか？

A: 生成した動画の著作権については、利用規約や各国の法律によって異なります。商用利用を検討する場合は、弁護士に相談することをおすすめします。

Q5: どのくらいの時間がかかりますか？

A: RTX 4090を使用した場合、5秒の480P動画の生成に約4分かかります。GPUの性能や設定によって大きく変わります。

Q6: 日本語でプロンプトを入力できますか？

A: 基本的には英語での入力が推奨されます。ただし、翻訳ツールを使って英語に変換してから入力することで、日本語でのアイデアも表現できます。

Q7: 生成される動画の品質は？

A: 14Bモデルを使用すれば、非常に高品質な動画が生成されます。ただし、プロンプトの書き方によって品質が大きく変わるため、試行錯誤が必要です。

Q8: 他の人が作ったモデルを使えますか？

A: はい。Wan2.1をベースにした多くの派生モデルが公開されています。例えば、特定のスタイルに特化したモデルなどがあります。

Wan2.1を使いこなすコツ

良いプロンプトを書く方法

動画生成AIでは、プロンプト（指示文）の質が結果を大きく左右します。以下のコツを参考にしてください：

エラーが出た時の対処法

よくあるエラーとその対処法：

• CUDA out of memory: GPUのメモリ不足。解像度を下げるか、軽量モデルを使う
• Model not found: モデルが正しくダウンロードされていない。パスを確認
• Slow generation: 生成が遅い。GPUのドライバを更新するか、設定を確認

まとめ：Wan2.1で動画制作の新しい世界へ

Wan2.1は、動画生成AIの世界を大きく変える可能性を秘めた技術です。これまで高額なサービスや専門知識が必要だった動画制作が、誰でも手元のパソコンでできるようになりました。

特に注目すべきポイント：

初心者の方は、まずは1.3Bモデルで小さな動画を作ってみることから始めてみてください。失敗を恐れずに色々試すことで、動画生成AIのコツが掴めてくるはずです。

動画制作のハードルが下がった今、あなたのアイデアを映像にする時が来ました。Wan2.1で、新しい表現の世界を楽しんでください！

—

情報源

• Wan2.1 GitHub リポジトリ
• Wan2.1 技術レポート
• Wan2.1 Hugging Face
• Wan 公式サイト