Wan Animate 2完全ガイド：機能、モデル、ComfyUI

Wan Animate 2は、Wanチームが公開したオープンなキャラクターアニメーションフレームワークです。参照画像とドライビング動画を入力すると、参照キャラクターの見た目を保ちながら、そのキャラクターが動画の動きを再現する映像を生成します。従来のWan2.2 Animateパイプラインとは異なり、新システムは中間的なポーズ抽出器やモーション抽出器に依存せず、再設計されたDiffusion Transformerへドライビング動画を直接入力します。

もう一つの目玉は、テキストによる視点制御です。出力カメラはドライビング動画の視点をそのまま模倣する必要がなくなり、アクションを転写しながらキャラクターを別の角度から映すよう指定できます。チームは2026年8月7日に推論コードとBase、Distillationの各ウェイトを公開しました。ストリーミング向けのWan-Animate-2-Liteも発表されていますが、この公開ウェイトにはLiteは含まれていません。

本ガイドでは、確認済みの事実とコミュニティの推測を明確に分け、モデルの選び方、公式リポジトリ、Diffusers、そして新しいComfyUIワークフローまで解説します。

2026年8月17日時点の状況です。 Wan Animate 2は急速に更新されています。ノード名、モデルのパッケージ構成、ハードウェア最適化は変更される可能性があります。本番ワークフローを構築する前に、Wan-Animate-2公式リポジトリを確認してください。

Wan Animate 2の概要

Wan Animate 2とは？

Wan Animate 2は汎用的なテキスト動画生成モデルではありません。基本ワークフローには3つの入力があります。

1. 対象キャラクターとシーンの外観を定義する参照画像。
2. 時系列の動きを与えるドライビング動画。
3. キャラクターの外観、背景、必要に応じて希望する視点を記述した構造化テキスト。

出力は新たにレンダリングされたキャラクター動画です。そのため、デジタルキャラクター、バーチャルプレゼンター、スタイライズされたアバター、広告マスコット、短編アニメーション、モーションのプリビジュアライゼーションなどに適しています。

名称は少し紛らわしいかもしれません。ダウンロード可能なチェックポイントはWan2.2-Animate-2-14Bという名前で公開されていますが、Wan Animate 2は新しいフレームワークであり、初代Wan2.2 Animateワークフローの単なる改名や小規模アップデートではありません。現在、「wan 2.2 animate」「wan animate」「wan animate 2」の検索結果は重複しているため、ファイルをダウンロードする前に必ずチェックポイント名とノードのバージョンを確認してください。

Wan Animate 2の主な機能

1. ドライビング動画を直接条件付け

従来のキャラクターアニメーションシステムでは、演技映像を生成前にポーズ、表情、スケルトンなどのモーション表現へ変換するのが一般的でした。変換のたびに細部が失われたり、位置合わせの誤差が生じたりする可能性があります。

Wan Animate 2は、再設計されたDiffusion Transformer内でドライビング動画を直接取り込みます。中間モーション抽出器を挟まず、モーションの忠実度とアイデンティティ保持を高めることが目的です。すべての実装で前処理が完全になくなるわけではありませんが、主要なモーション信号はモデルへ届く前にポーズ列へ縮約されなくなりました。

2. より強力なアイデンティティ保持

参照画像からキャラクターの顔、体、衣装、スタイルを取得します。直接条件付けにより、ドライビング動画でポーズや表情が変わっても、これらの特徴をより安定して維持することを目指しています。

アイデンティティの一貫性は、素早い方向転換、自己遮蔽、顔を覆う手、モーションブラー、全身運動、特殊な体型、大幅なスケール変化といった難しい条件でも検証すべきです。見栄えのよいローンチデモだけで判断せず、自分のキャラクターで繰り返しテストしてください。

3. テキストによる視点制御

従来のモーション転写は、多くの場合、元の演技映像のカメラ視点も引き継ぎます。Wan Animate 2は、出力視点をドライビング動画から切り離せるテキスト制御を追加しました。

例えば、正面から撮影したドライビング動画で動きを指示しながら、プロンプトではキャラクターを斜め前や少しローアングルから映すよう指定できます。動きは適切でも、元動画のフレーミングが目的のショットに合わない場合に便利です。

ただし、視点変更はあくまで生成的な再構築です。参照画像に写っていないキャラクター部分が露出することもあるため、正面や背面、衣装、プロップの細部に捏造や変動がないか確認してください。

4. BaseモデルとDistilledモデル

一般公開版には、完全な推論経路を使うBaseモデルと、少ないデノイズステップで動作するDistillationモデルが含まれます。公式Diffusers例では、Baseに40ステップ、Distilledに10ステップを使用しています。

Distilledの例ではguidance_scale=1.0を設定し、Euler flow solverを使用します。これらはモデル固有の設定です。Baseの設定をDistilledチェックポイントにそのまま流用しても、公平な比較にはなりません。

5. ストリーミングを目指すLiteモデル

プロジェクトの紹介では、Wan-Animate-2-Liteが推論レイテンシーをリアルタイムのしきい値まで短縮し、キャラクターアニメーションのストリーミングに対応すると説明されています。ライブアバターやインタラクティブエージェントにとって重要な方向性です。

ただし、8月7日のリリースノートに記載されているのはBaseとDistillationのウェイトであり、Liteチェックポイントは含まれていません。チームがウェイト、エンドポイント、デモの利用条件、または再現可能なレイテンシー仕様を公開するまでは、Liteを発表済みのバリエーションとして扱ってください。「リアルタイム」の意味も、解像度、クリップ長、バッチサイズ、ハードウェア、そしてフレーム単位かエンドツーエンドかという計測方法によって異なります。

6. 複数の実行方法

公式プロジェクトには独自の推論スクリプトとGradioインターフェースが用意されています。Wan Animate 2はDiffusersにも対応し、ComfyUIにはノードベースで利用できるネイティブワークフローが導入されました。基本入力は共通ですが、モデルのパッケージ構成、メモリ動作、運用上の制御方法が異なります。

Wan Animate 2モデルの比較

Diffusersリポジトリはパッケージ形式の違いであり、別のモデル階層ではありません。実行したいパイプラインに合わせて、Base DiffusersチェックポイントまたはDistilled Diffusersチェックポイントを選択してください。

Wan Animate 2の仕組み

実際のワークフローは次のようになります。

1. 参照画像を準備する。 1体のキャラクターがはっきり見え、照明が安定し、顔や衣装の細部を確認できる十分な解像度の画像を使います。
2. ドライビング動画を準備する。 演者が見える状態を保ち、不要なカットを避け、まずは必要な動きが明確に表れた短いクリップから始めます。
3. アクションではなく外観を記述する。 公式ワークフローでは、LLMにキャラクターの外観と背景を客観的に説明させ、動作や感情の推測は含めません。
4. 3つの入力をエンコードする。 参照画像はアイデンティティ、動画は時間的な動き、プロンプトは外観と視点の指示を担当します。
5. BaseまたはDistilledでデノイズする。 モデルは3つの入力すべてを条件として、時間的一貫性のある動画潜在表現を生成します。
6. デコードして書き出す。 公式Diffusers例では24 fpsで出力します。

この役割分担は重要です。外観プロンプトに矛盾するアクションを書き、ドライビング動画と競合させないでください。動きは動画に任せ、テキストでは対象キャラクターとカメラを明確にします。

ハードウェア要件と現実的な見通し

Wan Animate 2は14Bの動画モデルであり、公式リファレンス構成は一般的なコンシューマー向け画像生成ワークフローよりはるかに大規模です。

リポジトリによると、デフォルトの並列構成は720pでA800 GPU×8向けに調整されています。また、チームは480pをA800 GPU×2でテストしています。それ以外の構成では、並列処理用YAMLの変更が必要です。

これらは公式にテストされた構成であって、普遍的な最小要件ではありません。オフロード、量子化、解像度の低減、短いクリップ、ComfyUIの最適化によってメモリ使用量は変わるため、特定のコンシューマーGPUで動かないことを証明するものではありません。同時に、小型カードで実用的な速度を保証する数字でもありません。

現実的なローカルテスト手順は次のとおりです。

• まず480pの短いドライビング動画から始める。
• Baseより先にDistilledチェックポイントを使う。
• 1本が安定して完了するまで長いバッチを避ける。
• VRAMとシステムRAMの両方を監視する。
• コールドスタート時間と生成時間を分けて記録する。
• プレビュー1回の秒数ではなく、採用可能な出力1本あたりのコストを比較する。

コミュニティ製のFP8やGGUF変換はハードウェア要件を下げる可能性がありますが、公式BF16チェックポイントと同一の成果物ではありません。本番利用前に、配布元、チェックサム、ノード互換性、出力品質を確認してください。

公式リポジトリからWan Animate 2をインストールする方法

公式セットアップでは、Python 3.11、CUDA 12.6ホイール版PyTorch 2.7、FlashAttention、リポジトリのeditableインストールを使用します。

git clone --recursive https://github.com/Wan-Video/Wan-Animate-2.git
cd Wan-Animate-2

conda create -n wan_animate_2 python=3.11 -y
conda activate wan_animate_2

pip install torch==2.7.0 torchvision==0.22.0 torchaudio==2.7.0 \
  --index-url https://download.pytorch.org/whl/cu126
pip install -r requirements.txt
pip install flash-attn --no-build-isolation
pip install -e .

Hugging Face CLIでメインチェックポイントをダウンロードします。

pip install "huggingface_hub[cli]"
huggingface-cli download Wan-AI/Wan2.2-Animate-2-14B \
  --local-dir ./ckpts/

リポジトリには、Base推論用とDistillation推論用に別々のYAMLファイルがあります。ジョブを開始する前に並列設定を確認してください。デフォルトでは前述の複数A800構成が想定されています。

DiffusersでWan Animate 2を使う

プロジェクトが示す次のパッケージリリースへサポートが取り込まれるまでは、公式手順に従ってDiffusersをソースからインストールします。

pip install git+https://github.com/huggingface/diffusers.git
pip install flash-attn --no-build-isolation

最小限のBaseパイプラインは次のパターンです。

import torch
from diffusers import WanAnimate2Pipeline
from diffusers.utils import export_to_video, load_image

pipe = WanAnimate2Pipeline.from_pretrained(
    "Wan-AI/Wan2.2-Animate-2-14B-Diffusers",
    torch_dtype=torch.bfloat16,
).to("cuda")

result = pipe(
    image=load_image("reference.png"),
    driving_video="driving.mp4",
    prompt=(
        "Subject appearance: a small wooden courier with a teal vest, "
        "cream shirt, coral shoes, and a paper cap. "
        "Background: a simple navy theater stage. "
        "Viewpoint: front three-quarter view, slightly low camera."
    ),
    height=800,
    width=640,
    num_inference_steps=40,
)

export_to_video(result.frames[0], "wan-animate-2-output.mp4", fps=24)

Distilledパッケージでは、公開されている設定から始めます。

pipe = WanAnimate2Pipeline.from_pretrained(
    "Wan-AI/Wan2.2-Animate-2-14B-Distilled-Diffusers",
    torch_dtype=torch.bfloat16,
).to("cuda")

result = pipe(
    image=load_image("reference.png"),
    driving_video="driving.mp4",
    prompt=prompt,
    num_inference_steps=10,
    guidance_scale=1.0,
    flow_solver="euler",
)

これらの例は出発点であり、デプロイ用コードではありません。サービス化する場合は、入力検証、動画デコードの制限、タイムアウト、キュー制御、モデルのウォームアップ、出力ストレージ、エラー処理も必要です。

Wan Animate 2のComfyUIワークフロー

パイプラインを視覚的に確認・変更したいクリエイターには、ComfyUIがより取り組みやすい選択肢です。新しい統合はWanAnimate2ToVideoを中心に構成され、WanAnimate2Cacheはシステムメモリを追加で使用する代わりに、繰り返し計算を高速化できます。ComfyUIの説明では、リリース時の資料でキャッシュにより生成時間をおよそ半分にできるとしていますが、実際の効果はグラフ、ハードウェア、解像度、クリップ長によって異なります。

セットアップ手順

1. ComfyUIを更新する。 Wan Animate 2ノードを含むバージョンを使います。テンプレートを開いたときにコアノードが見つからない場合、安定版またはDesktop版が必要なリリースに追いついていない可能性があります。
2. Wan Animate 2ワークフローを読み込む。 記憶を頼りにグラフを組み直すのではなく、公式テンプレートまたは公開済みComfyUIワークフローから始めます。
3. モデルのダウンロードを解決する。 すべてのローダーがWan Animate 2のアセットを参照していることを確認します。旧Wan2.2 Animateチェックポイントは新しいAnimate 2モデルと互換ではありません。
4. 参照画像をアップロードする。 1体の被写体が遮られず、リサイズ後も細部を読み取れる画像を選びます。
5. ドライビング動画を読み込む。 生成前にトリミングしてください。5秒のモーションテストは、複数動作を含む長いクリップより原因を切り分けやすくなります。
6. 外観キャプションを書く。 被写体と背景の目に見える特徴を記述します。ドライバーとは異なる視点にしたい場合は、簡潔なカメラ視点の指示を追加します。
7. BaseまたはDistilledを選ぶ。 最初の互換性・モーションテストにはDistilledを使い、ワークフローが安定して最終品質を比較したい段階でBaseへ切り替えます。
8. 控えめな解像度を設定する。 480p程度から始め、幅と高さをワークフローの潜在表現要件に合わせます。
9. 正常なベースラインを確認してからキャッシュを有効にする。 メモリや出力の問題がコアワークフロー由来か、最適化由来かを判断しやすくなります。
10. 短い生成を1件キューに入れる。 解像度や長さを上げる前に、アイデンティティ、手、遮蔽、モーションのタイミング、視点、最初から最後のフレームまでの安定性を確認します。

新旧のComfyUIワークフローを混在させない

旧Wan2.2 AnimateワークフローはWanAnimateToVideoなどのノードを使い、MoveまたはMixモード向けにDWPose、顔、マスク、背景入力を前処理する場合があります。Wan Animate 2ワークフローは、新しいWanAnimate2ToVideo経路とドライビング動画の直接条件付けを使用します。

チュートリアルで初代wan2.2_animate_14B_bf16.safetensors、clip_vision_h、ポーズ推定器、Mixモード用マスクのダウンロードを求められる場合、それは従来モデルの解説である可能性が高いでしょう。参考になる内容でも、Wan Animate 2のインストールガイドではありません。

推奨初期設定

これらの設定は、可能な限り公式例に合わせています。すべてのローカルComfyUIパッケージに同じコントロールがある、または480pがすべてのGPUに収まるという意味ではありません。

プロンプト作成ガイド

公式リポジトリは、LLMで客観的な画像キャプションを生成することを推奨しています。例では、被写体の外観、次に背景という厳密な中国語の構造を使い、アクションの説明、主観的評価、推測した感情を含めません。

言語に依存しないテンプレートは次のとおりです。

Subject appearance: [species or person, face, hair, body proportions,
clothing, colors, materials, accessories].
Background: [location, major objects, lighting, dominant colors].
Viewpoint: [front, profile, rear, three-quarter, high, low, close, wide].

より良いプロンプト

Subject appearance: a stylized wooden courier with a round carved face,
short dark hair, a cream paper cap, teal vest, ivory shirt, and coral shoes.
Background: a simple miniature theater with a muted navy curtain and warm
gold stage light. Viewpoint: front three-quarter full-body view, slightly low.

あまり良くないプロンプト

A happy courier runs dramatically, waves at the camera, jumps over a box,
and looks excited in a beautiful cinematic scene.

弱い例は、ドライビング動画にすでに含まれるモーション指示を重複させ、主観的な表現も追加しています。英語キャプションの結果が思わしくない場合は、モデルがキャラクターを保持できないと結論づける前に、リポジトリが推奨する中国語のキャプション構造を試してください。

強みと制約

Wan Animate 2が特に強い領域

• ドライビング演技を中間ポーズ列へ縮約せずにモーション転写できる。
• 参照画像を基にアイデンティティとスタイルを保持できる。
• ドライビング動画とは異なるカメラ視点を指定できる。
• 品質と速度を比較できるBaseと低ステップのDistilledがある。
• 公式リポジトリ、Diffusers、Gradio、ComfyUIの実行経路がある。
• Apache 2.0のリポジトリライセンスと公開ウェイトがある。

まだ慎重な検証が必要な点

• 公式の480p・720p構成には大規模なマルチGPU環境が必要。
• 高速アクション、強いモーションブラー、遮蔽、手、体の回転。
• 長尺クリップとショット間のアイデンティティ一貫性。
• 見えていないキャラクター細部の生成が必要となる大幅なカメラ変更。
• 複数キャラクターのシーンと物体とのインタラクション。
• Base、Distilled、FP8、コミュニティ量子化版の品質差。
• Wan-Animate-2-Liteのリリース時期と実環境でのレイテンシー。

初期のソーシャル比較では評価が分かれています。モーションや視点制御を高く評価するクリエイターがいる一方、特定の高速モーションや動画変換の例では旧システムを好む人もいます。コミュニティでの議論や初期の比較動画はテスト項目を考えるうえで役立ちますが、すべての試行、正確な設定、元メディアの権利、採用クリップ1本あたりのコストが公開されているわけではありません。ランキングではなく仮説として捉えてください。

Wan Animate 2とWan2.2 Animateの違い

文書化されたMove／Mix置換プロセスが必要な場合や、すでに安定した本番グラフがある場合は旧ワークフローを選びます。モーションの直接的な忠実度、アイデンティティ、独立した視点制御が重要ならWan Animate 2を評価してください。

最適なユースケース

Wan Animate 2は次の用途に有望です。

• 俳優の演技からスタイライズされたキャラクターを動かす。
• バーチャルプレゼンターやアバターのプロトタイプ。
• 広告マスコットやブランドキャラクター。
• 1つのドライビングテイクを使った別カメラ案のプリビズ。
• 短いソーシャル動画や物語の挿入映像。
• ゲーム、アニメーション、映画のコンセプト開発。
• Liteが再現可能な形で利用できるようになった後のストリーミングアニメーション研究。

長時間の連続シーン、正確さが求められる製品デモ、混雑した複数キャラクターのアクション、現在時点でのライブストリーミングには、自社テストで必要な一貫性とレイテンシーを確認できない限り、最初の選択肢には向きません。

ライセンスと商用利用

Wan-Animate-2リポジトリはApache 2.0でライセンスされています。一般に、ライセンス条件を守る限り、商用利用を含む使用、変更、配布が許可されます。

リポジトリのライセンスは商用審査の一要素にすぎません。チームは参照画像、ドライビング演技、肖像、衣服、音楽、背景素材に関する権利も保有する必要があります。実在人物のアイデンティティや演技を、適切な同意なしにアニメーション化してはいけません。コードや変更したパッケージを再配布する場合は、該当するライセンスと帰属表示を維持してください。

Wan Animate 2を利用できる場所

次の一次情報を利用してください。

• Wan-Animate-2公式GitHubリポジトリ
• 公式14Bモデルパッケージ
• Base Diffusersパッケージ
• Distilled Diffusersパッケージ
• 公式ComfyUIワークフロー

Poyo.aiでは現在、moveとreplaceのルートを分けた既存のWan Animate APIを提供しています。このページは従来の本番モデルを指し、本ガイドで説明している新しいWan Animate 2チェックポイントではありません。本記事は、Wan Animate 2が現在Poyo.ai APIから利用できると主張するものではありません。

総評

Wan Animate 2は、ドライビング動画を直接利用すること、そして元映像と異なるカメラ視点をテキストで制御することという、2つの重要なアーキテクチャ上の選択を行っています。これらは、モーション細部の喪失と、演者を撮影したカメラへの固定という、キャラクターアニメーションの長年の課題に同時に取り組むものです。

BaseとDistilledの公開により、公式コード、Diffusers、ComfyUIで今すぐシステムを検証できます。一方、実用上の制約も明確です。公式ハードウェア構成は大規模で、モデルは登場したばかり、Liteの提供状況は未確定であり、難しい動きには管理された評価が必要です。

短い480pのDistilled生成から始め、外観キャプションは客観的に保ち、変更する変数は一度に1つだけにしてください。ローンチデモの印象ではなく、採用可能なフレーム数で出力を比較しましょう。このプロセスの方が、普遍的な「最高のキャラクターアニメーションモデル」という主張より多くを教えてくれます。

よくある質問

Wan Animate 2とWan2.2 Animateは同じですか？

いいえ。Wan Animate 2は、ドライビング動画を直接取り込み、テキストによる視点制御を追加した、再設計されたエンドツーエンドのアーキテクチャを採用しています。チェックポイント名にWan2.2が残っているため、検索結果やチュートリアルで混同が起きています。

Wan Animate 2はオープンソースですか？

公式リポジトリと公開ウェイトは一般にアクセスでき、リポジトリはApache 2.0でライセンスされています。具体的な配布や商用利用については、ライセンスとモデルファイルを確認してください。

どのWan Animate 2モデルをダウンロードできますか？

8月7日のリリースにはBaseとDistillationのウェイトが含まれ、両方のDiffusersパッケージも提供されています。Wan-Animate-2-Liteは発表されていますが、初回の公開ウェイト一覧には含まれていません。

BaseとDistilledの違いは何ですか？

公式Diffusers例では、Baseに40ステップ、Distilledに10ステップを使用します。Distilledではguidance scale 1.0とEuler flow solverも使います。反復調整はDistilledから始め、同じ入力をBaseで比較して最終品質を判断してください。

Wan Animate 2はComfyUIで動きますか？

はい。更新済みのComfyUIビルドと、WanAnimate2ToVideoを使うWan Animate 2ワークフローを使用してください。WanAnimateToVideoを使う旧Wan2.2 Animateグラフと混同しないようにしましょう。

Wan Animate 2にはどのGPUが必要ですか？

公式リポジトリはA800 GPU×8での720p向けに調整され、A800 GPU×2での480pテストを報告しています。オフロードや最適化ウェイトを使えば他のハードウェアでも動く可能性はありますが、これらの公式数値から単一のコンシューマーGPU最小要件は定められません。

Wan Animate 2はリアルタイムアニメーションに対応していますか？

チームはWan-Animate-2-Liteがストリーミング向けのリアルタイムしきい値に達すると説明していますが、初回リリースノートにはLiteウェイトが記載されていません。ライブ製品を計画する前に、再現可能な公開パッケージを待ち、処理全体のレイテンシーを検証してください。

出力カメラをドライビング動画と異なる視点にできますか？

はい。テキストによる視点制御は、このモデルの中心機能の一つです。大幅な変更では見えていない細部をモデルが生成する必要があるため、キャラクターや衣装の一貫性を慎重に確認してください。

プロンプトにアクションを書くべきですか？

通常は書きません。アクションはドライビング動画に任せます。公式ワークフローは、アクションや推測した感情を含めず、キャラクターの外観と背景を客観的に記述することを推奨しています。必要な場合だけ簡潔な視点指示を追加してください。

Poyo.aiは新しいWan Animate 2 APIを提供していますか？

本記事の確認時点では提供していません。Poyo.aiの現在のWan Animateページは、従来のmove／replace APIです。新しいWan Animate 2リリースには、公式リポジトリ、Diffusersパッケージ、またはComfyUIワークフローを利用してください。