オープンソース最高峰の動画生成AI「Wan 2.1」を使えば、ローカル環境で高品質なアニメ風動画を生成できます。この記事では、ComfyUIでの環境構築から、2Dアニメ特化のプロンプト設計、リミテッドアニメーション風のコマ落ち再現まで、実践的なノウハウを徹底解説します。
Wan 2.1とは？アニメ動画生成に最適な理由
Wan 2.1は、テキストや画像から動画を生成するオープンソースAIモデルです。14Bパラメータの大規模モデルが圧倒的な画質と動きの自然さを実現し、特にアニメ表現との相性が抜群です。
商用APIに依存せず、自分のPC上で完結するためデータが外部に漏れないのも大きなメリット。ただしVRAM消費が激しいため、GPU環境の準備が重要です。
| モデル | 必要VRAM | 解像度 | 推奨GPU |
|---|---|---|---|
| 1.3B（軽量） | 8GB〜 | 480P | RTX 3060 12GB |
| 14B fp8（推奨） | 12GB〜 | 480P | RTX 4070 Ti 12GB |
| 14B fp16（高品質） | 24GB〜 | 720P | RTX 5090 32GB |
アニメ表現にはfp16がベスト
量子化モデル（fp8）でも動作しますが、輪郭線のシャープさやベタ塗りの色精度はfp16が圧倒的に優れます。VRAM 24GB以上のGPUを用意できるなら迷わずfp16を選択しましょう。
ComfyUI環境構築：必要モデルの配置
Wan 2.1はComfyUI上で動作させるのが最も柔軟です。以下の4ファイルをダウンロードして所定のフォルダに配置します。
wan2.1_t2v_14B_fp16.safetensors を models/diffusion_models/ に配置。T2V（テキスト→動画）用とI2V（画像→動画）用は別ファイルなので注意。
umt5_xxl_fp8_e4m3fn_scaled.safetensors を models/text_encoders/ に、wan_2.1_vae.safetensors を models/vae/ に配置。
画像から動画を生成するI2Vタスクには clip_vision_h.safetensors が追加で必要。models/clip_vision/ に配置します。
アニメ特化プロンプト設計：AIの「3D推論」を打ち消す
Wan 2.1は高度な物理シミュレーション能力を持つため、デフォルトでは3Dリアル寄りの映像を出力しようとします。純粋な2Dアニメを出すにはプロンプト設計が鍵です。
プロンプトの基本公式
Subject（被写体）+ Scene（背景）+ Motion（動き）+ Aesthetic（カメラ・照明）+ Stylization（画風）
Stylizationに「In a 2D anime style, cel-shaded, flat shading, anime screencap」を必ず含めること。
さらに重要なのがネガティブプロンプトです。以下をネガティブに指定することで、3Dっぽさを強制的に排除できます。
3D, Blender, Unreal Engine, Octane Render, CGI,
photorealistic, depth of field, realistic shadows,
deformed, artifacts, motion blurデフォルトネガティブプロンプトの罠
公式推奨のネガティブプロンプトは実写・3D映像用に最適化されています。アニメ生成にそのまま使うと、求めている平面的な質感が失われることがあるため、上記のアニメ特化版に差し替えましょう。
リミテッドアニメーション（コマ落ち感）の再現
日本アニメ特有の「3コマ打ち（8fps）」のコマ落ち感こそ、視聴者が「アニメらしい」と感じる決定的要因です。しかしComfyUIのfps設定を単に下げるだけではスローモーション動画になるため、別のアプローチが必要です。
まずWan 2.1のネイティブ設定で高品質な動画を生成します。
生成後の後処理として、偶数フレームのみを抽出し中間フレームを削除します。
間引いたフレームをVideo Saveノードで再結合。動作スピードを維持したまま、セルアニメ特有のチョッピーな動きを実現します。
VRAM不足を克服する最適化テクニック
14Bモデルはそのままでは12GB環境でOOM（メモリ不足）を起こします。以下の最適化で生成速度を劇的に改善できます。
| 手法 | 効果 | 注意点 |
|---|---|---|
| TeaCache | 計算を数倍高速化 | euler_aサンプラーでピクセル化バグあり。uni_pc推奨 |
| SageAttention | VRAM効率を劇的改善 | I2Vワークフローで不具合の場合はオフに |
| fp8量子化モデル | VRAM 12GBで動作可能 | アニメの色精度がやや低下 |
最適化しても12GB環境でOOMが頻発する場合、VRAM 16GB以上のGPUへの投資が根本的な解決策になります。価格の底値と買い時はRTX 5070 Tiの価格推移と買い時ガイドを、今すぐ大容量VRAMが必要な場合はGoogle Colab Pro（A100クラウドGPU）の使い方を参考にしてください。
📘 「fp8にすればVRAMが減る」を自分の数字で確かめたい方へ：当サイト運営者がZennで公開している電子書籍『画像生成AI・ローカルLLMを“安く速く”動かす実測ガイド』（有料・500円／第1〜2章は無料公開）で、量子化・オフロード・スライスの効果を RTX 4070 Ti SUPER（VRAM 16GB）で実測し、通説と答え合わせをしています。12GB環境でのOOMに、GPU買い替えとクラウドのどちらで対処すべきかも損益分岐の式で判断できます。
Wan 2.2が出たいま、アニメ動画は2.1と2.2どちらで作る？
結論から言うと、これから始めるならWan 2.2の5B（TI2V）だ。VRAMの要求は2.1の軽量版とほぼ変わらないのに、1モデルでテキストからも画像からも動かせる。本記事の2.1向けプロンプト設計はそのまま通用する。
2.1から何が変わったのか
| 観点 | Wan 2.1 | Wan 2.2 |
|---|---|---|
| モデル構成 | T2VとI2Vで別モデルが必要 | TI2V-5Bが1本で両対応 |
| 内部構造 | 単一モデル | MoE（Mixture-of-Experts）。高ノイズ側と低ノイズ側のエキスパートを直列に通す |
| 動きの質 | 基準 | モーションの一貫性・品質、I2Vの忠実度が向上 |
| VRAM（480p） | T2V-1.3Bで約8GB | TI2V-5Bで約8GB |
| ComfyUI | モデル配置を自分で組む | ネイティブ対応。公式テンプレートから読める |
アニメ用途で効くのは「モデルが1本で済む」こと
アニメ風の動画はまず1枚の絵を作り込んでから動かす（I2V）進め方が結局きれいに出ます。2.1ではT2VとI2Vでモデルを入れ替える必要がありましたが、2.2のTI2V-5Bなら同じモデルのまま静止画→動画に進めるので、ワークフローを2本持たなくて済みます。
それでもWan 2.1を使う場面はある
2.1を捨てる必要はない。すでに2.1で詰めたワークフローとLoRA資産がある場合、乗り換えのコストのほうが大きいことは普通にある。特に本記事で扱っているような「3D推論を打ち消す」プロンプト設計とリミテッドアニメーションの再現は、モデルのバージョンではなくプロンプト側の技術なので、2.1のまま磨いても十分に成果は出る。
判断の目安：これから環境を作るなら2.2（5B）。すでに2.1で安定して出せているなら、急いで移行しなくてよい。
💡 Wan 2.2のネイティブ導入手順とワークフローの中身はWan 2.2でAI動画生成｜ComfyUIネイティブ対応の導入手順とWan 2.1からの進化点で解説しています。ComfyUI本体の導入からやり直す場合はComfyUIの使い方完全入門から。
まとめ：ローカルPCがアニメ制作スタジオになる
Wan 2.1とComfyUIを組み合わせれば、商用APIに頼らず自分のPCだけで本格的なアニメ風動画が作れます。プロンプト設計で3D推論を抑制し、後処理でコマ落ち感を再現するテクニックは、他のAI動画ツールでは得られない独自の表現力をもたらします。
今後リリース予定のWan 2.5では音声同期生成にも対応予定。個人PCがフルスタックのアニメ制作環境になる未来はすぐそこです。
RTX 5090搭載のBTOパソコンで本格AI動画制作を始める
コメント