Wan Video 2.2 - 14B テキストから動画生成

Wan Video

注意: Civitaiに他のWan Videoファイルもホストされていますが、それらは重複している可能性があり、このモデルカードは主にCivitai Generatorで使用されるWan Videoのファイルをホストするものです。

これらのファイルはComfyUIリパックで、元のファイルはDiffusersのマルチパートsafetensors形式はこちら。

Wan2.2は視覚生成モデルの大幅なアップグレードで、オープンソースとして提供され、より強力な性能と優れた視覚品質を実現しています。Wan2.2では、以下の技術的革新を取り入れました：

👍 MoEアーキテクチャ: Wan2.2は動画拡散モデルにMixture-of-Experts (MoE) アーキテクチャを導入。専門の強力なエキスパートモデルを用いて時間ステップごとにノイズ除去を分割し、計算量を増やさずに全体のモデル容量を拡大します。

💪🏻 データ拡大: Wan2.1と比較して、Wan2.2は画像+65.6%、動画+83.2%の大幅増加したデータで学習。この拡大により動き、意味論、美学など多面的にモデルの汎化性能を向上させ、オープンソース・クローズドソース問わずトップクラスの性能を達成しました。

🎬 映画的美学: Wan2.2は照明、構図、色に関する詳細なラベル付きの特別にキュレーションされた美学データを取り入れ、より精密かつ制御可能な映画スタイルの生成を可能にし、カスタマイズ可能な美的嗜好をもつ動画作成を支援します。

🚀 高効率高解像度ハイブリッドTI2V: Wan2.2は最新のWan2.2-VAEを搭載した5Bモデルをオープンソース化しており、16×16×4の圧縮率を達成。720P・24fpsのテキストから動画および画像から動画生成に対応し、4090のような一般消費者向けGPUでも動作可能。現在最速クラスの720P@24fpsモデルで、産業界と学術界の両方のニーズに応えます。

Wan2.2-T2V-A14B

T2V-A14Bモデルは480Pおよび720P解像度で5秒動画の生成をサポート。Mixture-of-Experts (MoE) アーキテクチャを採用し、優れた動画生成品質を実現。新ベンチマークWan-Bench 2.0では主要評価項目のほとんどで商用モデルを上回っています。

Wan2.2-I2V-A14B

I2V-A14Bモデルは画像から動画生成向けで480P・720P解像度に対応。Mixture-of-Experts (MoE) アーキテクチャにより、不自然なカメラ動作を減らし安定した動画合成と多様なスタイライズシーンの強化を実現しています。

Wan2.2-TI2V-5B

TI2V-5Bモデルは先進のWan2.2-VAE搭載で16×16×4の圧縮率を誇る。720P・24fpsのテキスト動画および画像動画生成に対応し、4090など単一の一般消費者向けGPUで動作。産業用途及び学術研究のニーズを満たす最速クラスの720P@24fpsモデルの一つです。

GitHub: https://github.com/Wan-Video/Wan2.2

元のHuggingFaceリポジトリ: https://huggingface.co/Comfy-Org/Wan_2.2_ComfyUI_Repackaged/tree/main/split_files/diffusion_models